一种编码器健康度评价的轴承剩余寿命预测方法与流程

本发明涉及一种降噪自动编码器健康度评价的轴承剩余寿命预测方法，属于滚动轴承故障诊断和预测技术领域。

背景技术：

滚动轴承作为旋转机械元件的核心部件，也是机械设备中常用的元件之一，其运行状态对整个机械设备有着巨大的影响。而且滚动轴承的故障在旋转机械设备故障中经常发生，据统计45％的旋转机械故障是由于滚动轴承故障所引起。其原因是因为在机械设备中往往受到工作条件恶劣的影响，而且在机械设备中往往要承担高负荷工作，所以针对滚动轴承进行故障诊断一直以来是故障诊断中的研究热点。

对于滚动轴承来说，其工作寿命随机性很大，很多滚动轴承远远未达到设计寿命便发生损坏、故障，必然影响正常的工业生产；而有一些则远远超出预设寿命而继续工作，这一不确定性将会给工业生产带来严重的生产隐患，如果能及时的诊断故障的发生或者检测出滚动轴承的“亚健康”状态，预防故障的发生、及时阻止故障带来的事故影响对于工业生产来说意义重大。

技术实现要素：

本发明的目的是提供一种编码器健康度评价的轴承剩余寿命预测方法。

本发明是通过下述技术方案实现的：一种编码器健康度评价的轴承剩余寿命预测方法，其步骤如下：

(1)信号采样：采集滚动轴承的振动信号，并转换成计算机可处理的数字信号；

(2)信号处理：采用傅里叶变换对信号做预处理，其中变换后的信号并未加入降噪处理；

(3)特征提取：确定输入层、隐藏层及输出层的参数后，通过降噪自动编码器来提取滚动轴承中深层的信号特征；

(4)故障诊断划分：使用svm进行故障诊断的划分；

(5)剩余寿命预测：对滚动轴承的历史信息进行健康度概率分布的处理，以获得窗口期内各个健康状态的概率值，通过得到的健康状态的概率值对滚动轴承进行剩余寿命预测。

所述一种编码器健康度评价的轴承剩余寿命预测方法，其特征在于:步骤(3)中降噪自动编码器提取滚动轴承中深层的信号特征步骤如下:

假设输入x∈[0,1]^d，输出y，s为非线性函数，一般可以使用sigmoid函数，可得编码器的推导公式如下：

y＝s(wx+b)(1)

而作为重构的解码器希望能重构x，则可得：

z＝s(w'y+b')(2)

当输入y已知时，z看作是x的预测，w是输入到隐层权值矩阵，w'是隐层到输出层的权值矩阵，b和b'分别是偏置值；权值矩阵有如下约束：

w'＝w^t(3)

因此可以得到三组参数w,b,b'；

如果输入向量是通过比特向量或者比特概率来标识，可以用重构交叉熵进行表示：

所述一种编码器健康度评价的轴承剩余寿命预测方法，其特征在于:步骤(3)中，为了提高处理大规模数据时的学习速率，增加了累计一定数量的数据的差异后进行权值更新，即定义如下的目标函数:

其中，d为输入向量的维数，m为分割小批量数据的大小，i表示每一批次的第i个输入，k表示输入的第k个元素，先进行输入向量的求和，然后对小批量数据的每一个样本求和；

当目标函数定义好以后，通过随机梯度下降算法来训练网络的权重和偏置值，其更新规则如下：(η为学习率)

对于求取三个参数w,b,b'进行推导，用标量的形式进行重建：

其中表示每个批量数据中第i个样本的第p个隐层的输入，表示第k个输出层的输入；

对于sigmoid函数可以推出其一阶和二阶导数：

f'(x)＝f(x)[1-f(x)](10)

f”(x)＝f(x)[1-f(x)][1-2f(x)](11)

对于(7)～(9)可以构建z对于w,b,b'的偏导数。使用标量来标识：

其中wrs表示第r个输入节点与第s个隐层节点的权值，byr表示第r个隐层节点的偏置；

综合上面各式可以得到目标函数与w,b,b'的偏导数表达式：

由此即可以得到权值的更新公式。

所述的一种编码器健康度评价的轴承剩余寿命预测方法，其特征在于:步骤(5)中，剩余寿命的预测方法如下：

在收集了一段轴承历史信息之后，采取以下方法进行处理：当分类结果为第i类时，则第i类的分类即增加1，在滑动窗口期u内，可以获得当前健康度的概率值：

其中，st为处理后的健康度；

通过给出窗口值u可知，在u中各个时期健康度概率的总和为1，公式如下所示：

其中，m为划分的健康度状态；

通过上面的处理方法，可以得到窗口期内各个健康状态的概率值，通过健康状态的概率值可以对设备剩余寿命进行评估，即通过如下公式可以求出当前时刻t的剩余寿命的预测值：

其中，st为当前时刻t时的每个健康状态的概率值，τi为健康度为i时剩余寿命，m为总的划分健康度数量；

当剩余寿命预测结束时，将当前的结果值并入到历史值当中，作为下一个时间点预测的依据。

在完成步骤(5)寿命预测之后，根据求得的剩余寿命通过韦伯曲线进行亚健康状态的划分。

本发明的有益效果：本发明基于降噪自动编码器思想，提出了一种基于深度学习的提取隐层特征的方法，通过对隐藏特征的融合，使用svm进行分类，此外，提出用健康度概率分布策略预测滚动轴承剩余寿命，同时，根据韦伯故障函数对“亚健康”状态进行划分，这样可以有效地解决故障诊断中滚动轴承的剩余寿命预测问题。

附图说明

图1是本发明增加融合层的层叠降噪自动编码器的结构图。

图2是本发明sda-svm降噪自动编码器的结构图。

图3是本发明的算法流程图。

图4是本发明列出的四种故障状态下的驱动端时域振动信号。

图5是傅里叶变换后四种故障状态下的驱动端时域振动信号。

图6是轴承健康度划分示意图。

图7是健康度概率分布图。

图8是轴承全寿命健康度分布图。

图9是窗口值的选取示意图。

图10是轴承剩余寿命预测的示意图。

具体实施方式

据统计，滚动轴承70％以上的故障都是以振动形式表现出来。

本申请选择振动信号进行故障特征提取。针对滚动轴承信号中包含大量复杂的信号特征，传统的特征提取方法往往依靠人工来处理，同时对振动信号需要特殊的预处理过程，因此本发明提出了一种基于深度学习的方法来通过无监督训练提取信号的深度特征。利用层叠降噪编码器对噪音信号进行处理，可以有效的消除信号对分类的影响，同时改进深层网络的权值更迭速率，提高整体的训练速度。针对滚动轴承寿命分布的特点，利用改进降噪自动编码器对系统当前状态进行检测，通过健康度概率统计来对轴承剩余寿命进行评估，最后求得的剩余寿命通过韦伯曲线进行亚健康状态的划分。

一、本发明方案的理论依据：

1.自动编码器的提出：

自动编码器作为一种非监督学习的神经网络模型，具有三层神经网络的结构，包含输入层，隐藏层和输出层。它可以分为编码器和解码器两个部分。和其他的三层神经网络相比，形式是一样的，但是对输入和输出做了一部分限制，通过编码器部分，可以将高维的输入数据转换为低维的隐层节点，有通过解码器部分，将低维的隐藏层又重构为原来的输入数据，由于隐藏层对输入信号进行了重构，所以通过隐藏层可以得到数据的另一种表达。

自动编码器的运行步骤如下：

(1)输入x，同时将输出期望值设置定为x。

(2)构建编码器和解码器，随机初始化生成权值w和偏置b，b'。

(3)由给定的输入输出计算各个隐藏层，输出层输出。

(4)利用输入和输出，计算误差函数计算各个神经单元的偏导数。

(5)更新权值w和偏置b、b'。

(6)对比设置的损失函数和最大设定次数，当达到期望条件时即停止训练。否则，选取下一个学习样本返回到第(3)步，进入下一轮的学习。

降噪自动编码器作为自动编码器的改进可以有效的去除原始特征的噪声，对特征提取有更好的效果，它的衍生结构层叠降噪自动编码器构造深度的网络结构，逐层的提取到数据的深层特征，这些深层次的特征对原始数据有更好的表达和区分性。

改进层叠降噪自动编码器，包括对隐藏层的改进和对结构的改进。隐藏层的改进，它的最高层是一个融合层，不仅将前一层作为输出，而且加入了前面多隐层的输入，在表达能力上可以包含更完备的信息，增加融合层的层叠降噪自动编码器结构如附图1所示。改进后的结构首先通过层叠降噪自动编码器将输入的深层特征进行无监督训练提取，这些提取出来的深层特征由于没有加入有监督的训练所以表达能力有限，利用层叠降噪编码器训练深度网络并通过有监督的softmax回归层对输入数据进行有监督的训练微调各个隐藏层参数，这时隐藏层的权重和偏置得到了较好的调整，提取出输入的深层特征，再利用深层特征通过svm进行训练，得到sda-svm模型。改进sda-svm降噪自动编码器结构如附图2所示。

2.改进sda-svm训练流程

sda-svm模型设输入层维度为m维，隐含层层数为l，每层网络分别标记为n¹,n²,...n^l，随着深度的加深训练的时间对应增加，操作流程如附图3所示，具体操作如下：

(1)首先训练一个单隐藏层的da结构网络，即用输入层m维和第一个隐含层n1构成da网络。第一层的输入即为原始数据作为特征输入，随机初始化隐藏层的权值和偏置值，训练第一个da，得到训练样本在隐含层的输出以及相应的权值和偏置值。

(2)利用步骤(1)中隐含层的输出作为第2个单隐层da网络结构的输入值，对于前面训练好的隐藏层权值和偏置不再更新，只是用第一层da的输出训练第二层隐藏层构成第二层的da网络编码器，根据眼本数据依次训练出输出值、权值和偏置值。用同样的方法训练接下来的网络，直到l-1层。

(3)将l-1层隐藏层结点输出作为第l层输入，利用前面相同步骤进行第l层权值和偏重的训练。

(4)将上面多个训练好的da连接在一起，并分成编码器和解码器部分。编码器部分为数据输入到最后一个da网络输出的网络，为正向传播；解码器为从最后一个自动编码网络到原始输入数据的网络，为反向传播。

(5)在这里采用bp算法计算目标函数和目标函数的偏导数并采用随机梯度下降优化整个新网络，训练整个深层网络的权值和偏置值。

(6)最后重新把原始数据输入得到的l层输出即为提取出的特征。

(7)利用第(5)步的特征进行融合，训练svm，调整svm参数，自此便完成了整个sda-svm的训练。

3.健康度的提出

作为旋转机械设备主要部件滚动轴承来说，其故障状态评价涉及的因素相互影响，相互制约，其中一些因素的影响并不会影响设备的正常运转，整个系统也不会立即进入故障状态，而是处于一种介于“健康”状态和“亚健康”状态之间的“带病”状态。处于这种状态工作的设备如果不进行及时处理修正，将逐步进入到“故障”状态，造成不可预料的严重后果；如果进行停机维护，就会中断生产流程，对于一些工业生产来说将会产生巨大的经济损失。滚动轴承作为旋转机械设备的核心部件，大多数都处在“带病”运行的状态，如内外圈点腐蚀、磨损、裂纹扩展等，所以针对传统的“健康”状态和“故障”状态已经满足不了现代的工业设备自愈调控和故障诊断技术，亟需解决滚动轴承的“亚健康”的状态评价。

在自愈调控算法的实际研究中来说，为了准确的体现滚动轴承的当前运行现况，本发明引入了一种评测轴承健康度的概念。不同于模糊集、专家系统的健康度评定，本发明进入故障时间的预测融合到健康度的概念之中，不仅反映了当前轴承设备的健康状况，同时基于历史运行状态预测滚动轴承故障时间，来表述滚动轴承和故障之间的关系，定量的划分了健康到故障之间状态，这样可以明确的表示滚动轴承运行状态的健康度。

二、本发明技术方案的实现过程：

1.信号采集：使用加速度传感器采集振动信号，通过使用磁性底座将传感器安放在电机壳体上。数据分为0hp和2hp负载下，轴承处于正常状态，外环故障、内环故障和滚动故障状态，其中故障状态的故障直径为0.007”，轴承转速分别为1797r/min和1750r/min，采样点为驱动端，采样频率为12khz，列出四种故障的振动信号如附图4所示。

2.信号处理：由于神经网络正常情况下不能处理时间序列，而且滚动轴承的振动信号在多数下是一种有规律的周期信号，所以本发明采用傅里叶变换对滚动轴承的振动信号做预处理，其中变换后的信号并未加入降噪处理，频域范围为0～6khz，转换后的信号如附图5所示。

由于需要将振动频谱输入到神经网络，而神经网络中激活函数需要将特征转化为[0,1]区间分布的数据，因此需要进行归一化处理，公式如下：

3.特征提取：输入特征参数共有600个，通过测试隐藏层在500个隐藏节点能取得最好效果。为了能直接从输出结果得到故障的类别，本发明softmax将输出映射成8种不同的轴承运行状态，因此确定输出层为8个节点。确定参数后，需要将原始数据输入到模型中进行无监督预训练学习，通过改进层叠降噪自动编码器来进行实验数据的隐藏层特征提取，将训练好的模型提取出隐藏层的输出，为了验证提取特征的表达能力，使用主成分分析(pca)的方法提取前3个主成分，进行可视化分析对比。

4.故障诊断划分：通过svm可以对不同故障进行更加有效划分，通过加入融合层将不同层的隐层结点的特征进行融合得到更好的表达。

5.寿命预测：在收集了一段轴承历史信息之后，采取以下方法进行处理：当分类结果为第i类时，则第i类的分类即增加1，在滑动窗口期u内，可以获得当前健康度的概率值。通过给出窗口值u可知，在u中各个时期健康度概率的总和为1，总的划分健康度数量为10，轴承健康度划分如附图6所示，每个时期健康度的概率分布如附图7所示。

通过上面的处理方法，可以得到窗口期内各个健康状态的概率值，联系可靠性理论将轴承风险系数曲线和轴承利用率交点作为亚健康时期的判断依据，同时也是作为自愈调控介入时机的依据，通过健康状态的概率值可以对设备剩余寿命进行评估。

将全寿命训练数据进行10等分的划分，其训练数据的真实值和训练结果的分布如附图8所示。

虽然在分类处理上不同阶段的准确率差异巨大，但大多状态预测值都在真实值上下分布，通过使用提出的状态分布概率策略对剩余寿命进行预测，其窗口值的选取如附图9所示。

根据预测误差计算公式：

其中，er表示为预测误差，actrul表示为滚动轴承实际的实际寿命，rul表示为算法预测的寿命。

由附图10可以看出当在0-2000时间点时误差较大，预测的结果存在一定的偏差，但是在超过2000点左右时，预测值稳定的趋于真实值上下浮动，并逐渐趋于稳定。

为验证本发明“亚健康”预测实验结果，本发明将其他预测方法结果作为比对，需要将在某一截止时间的轴承预测寿命进行对比。从表中可以看出本发明模型的预测结果较l10、bp神经网络和svm方法预测结果有所提升，且在滚动轴承寿命中期的预测结果与真实寿命精度较高，但是在前期的预测过程中波动较大，是因为前期滚动轴承各项指标正常运行，隐藏特征的表现不明显，导致“亚健康”预测的准确度有所下降。本发明结果最优，但是由于使用深度学习的训练方法，在实际过程中的计算量较大，时间较长，不得不对检测进行抽样间隔提取以适应计算时间带来的延时。

表1“亚健康”预测结果对比