一种轴承剩余使用寿命的预测方法及系统

1.本发明涉及轴承寿命预测技术领域，特别是涉及一种轴承剩余使用寿命的预测方法及系统。


背景技术：

2.设备的安全可靠运行是保证工厂生产活动的核心内容。为了确保设备的运行状态和制定合理的维修计划，研究具有高精度和高鲁棒性的寿命预测方法非常重要。滚动轴承作为核心零部件之一，被广泛的应用于飞机、高铁等。然而轴承常常处于恶劣的工作环境下，这容易使轴承发生磨损、点蚀等失效故障，进而影响设备的正常运行。因此有必要对滚动轴承的剩余使用寿命进行高精度的预测。


技术实现要素：

3.为了克服现有技术的不足，本发明的目的是提供一种轴承剩余使用寿命的预测方法及系统。
4.为实现上述目的，本发明提供了如下方案：
5.一种轴承剩余使用寿命的预测方法，包括：
6.采集轴承生命周期内的原始振动信号；
7.利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；
8.基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；
9.根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；
10.根据预测结果计算轴承剩余使用寿命。
11.优选地，所述利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集，包括：
12.将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；
13.根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；
14.利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；
15.根据所述kld值构建所述健康指标集。
16.优选地，所述根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果，包括：
17.对所述健康指标集进行划分，得到训练集；
18.获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；
19.将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；
20.将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。
21.优选地，所述根据预测结果计算轴承剩余使用寿命，包括：
22.当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。
23.一种轴承剩余使用寿命的预测系统，包括：
24.采集模块，用于采集轴承生命周期内的原始振动信号；
25.指标生成模块，用于利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；
26.模型构建模块，用于基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；
27.预测模块，用于根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；
28.计算模块，用于根据预测结果计算轴承剩余使用寿命。
29.优选地，所述指标生成模块具体包括：
30.基准单元，用于将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；
31.概率单元，用于根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；
32.状态计算单元，用于利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；
33.指标集构建单元，用于根据所述kld值构建所述健康指标集。
34.优选地，所述预测模块具体包括：
35.划分单元，用于对所述健康指标集进行划分，得到训练集；
36.矩阵构建单元，用于获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；
37.训练单元，用于将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；
38.预测单元，用于将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。
39.优选地，所述计算模块具体包括：
40.寿命计算单元，用于当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。
41.根据本发明提供的具体实施例，本发明公开了以下技术效果：
42.本发明提供了一种轴承剩余使用寿命的预测方法及系统，方法包括：采集轴承生命周期内的原始振动信号；利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；根据预测结果计算轴承剩余使用寿命。本发明结合艾宾浩斯遗忘曲线和门控循环单元神经网络提出了强化记忆门控循环单元能够对构建的历史趋势信息进行充分学习，提高了网络对剩余使用寿命预测的精度和鲁棒性。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明提供的实施例中的预测方法的流程图；
45.图2为本发明提供的实施例中的gru网络结构示意图；
46.图3为本发明提供的实施例中的寿命预测流程图；
47.图4为本发明提供的实施例中的rmgru网络结构图示意图；
48.图5为本发明提供的实施例中的pronostia试验台；
49.图6为本发明提供的实施例中的第一轴承的kld-based his示意图；
50.图7为本发明提供的实施例中的第二轴承的kld-based his示意图；
51.图8为本发明提供的实施例中的第一轴承的hi曲线；
52.图9为本发明提供的实施例中的第二轴承的hi曲线；
53.图10为本发明提供的实施例中的不同预测模型的评价指标示意图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
56.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
57.本发明的目的是提供一种轴承剩余使用寿命的预测方法及系统，能够提高对剩余使用寿命预测的精度和鲁棒性。
58.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
59.图1为本发明提供的实施例中的预测方法的流程图，如图1所示，本发明提供了一种轴承剩余使用寿命的预测方法，包括：
60.步骤100：采集轴承生命周期内的原始振动信号；
61.步骤200：利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；
62.步骤300：基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；
63.步骤400：根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；
64.步骤500：根据预测结果计算轴承剩余使用寿命。
65.本实施例中为了减少人为干扰和专家知识需求，利用高斯混合模型(gaussian mixture model，gmm)和kullback-leibler散度(kullback-leibler divergence，kld)构造了无监督健康指标(health indicator，hi)，命名为kld-based hi。针对当前的寿命预测方法，主要是通过改进循环神经网络的细胞结构，并未对历史状态信息进行充分的利用。因此本实施例结合艾宾浩斯遗忘曲线和门控循环单元神经网络(gated recurrentunit，gru)提出了强化记忆门控循环单元神经网络(reinforced memory gru，rmgru)。提出的rmgru能够对构建的kld-based hi的历史趋势信息进行充分学习，以此提高网络对剩余使用寿命预测(remaininguseful life，rul)的精度和鲁棒性。
66.其中，门控循环单元(gru)作为长短时记忆网络(lstm)的一种变体，gru的性能与lstm相似，但它的参数更少，计算成本更低。gru将lstm中的输入门和遗忘门合并成一个单独的更新门。同时，它还混合了lstm的细胞状态和隐藏状态。因此，一个gru单元由两个门组成，即复位门和更新门。更新门决定有多少历史信息被引入到当前状态。复位门根据历史状态控制当前输入的信息。复位门的值越小，添加到当前状态的信息就越少。gru网络结构如图2所示，其中σ和tanh分别表示s形激活函数和双曲正切激活函数。对于单个gru单元，t时刻输出隐藏状态计算为：
67.z
t
＝σ(wz[x
t
,h
t-1
]+bz)
[0068]rt
＝σ(wr[x
t
,h
t-1
]+br)
[0069][0070][0071]
其中x
t
表示在t时刻的输入；h
t-1
和h
t
分别表示前一时刻和当前时刻的隐藏状态；表示暂时的隐藏状态；wz,wr,wh表示权重矩阵；bz，br，bh表示偏置矩阵；重置门的输出为r
t
，更新门的输出为z
t
，
⊙
表示点积。
[0072]
图3为本发明提供的实施例中的寿命预测流程图，如图3所示，本实施例包括kld-based hi构建和rul预测。首先，利用高斯混合模型和kullback-leibler散度从原始振动信
号中提取具有明显退化趋势的无监督健康指标；然后设计了rmgru，并将其应用于kld-based hi值的逐步预测。当预测的hi值超过预定的失效阈值，立即计算轴承的rul。
[0073]
优选地，所述步骤200具体包括：
[0074]
将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；
[0075]
根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；
[0076]
利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；
[0077]
根据所述kld值构建所述健康指标集。
[0078]
本实施例中kld-based hi构建过程如下：
[0079]
以所有健康样本的概率分布p0为基准。当轴承健康时，所采集样本的概率分布几乎类似于p0。一旦轴承发生退化，所采集样本的概率分布与p0不同，这种差异一般会随着退化程度的增加而增大。因此，p0与监测信号的概率分布之间的这个差值可以用来表示轴承的健康状况，可以通过kld进行计算。基于两个单变量高斯分布的kld，本实施例提出了kld-based hi，其构造过程总结如下：
[0080]
1)采集轴承全生命周期振动数据集。x＝[x1，x2，
…
，xk]表示获取的数据集，其中xi＝(x1，x2，
…
，xk)，k和k表示样本的数量和样本的维度。
[0081]
2)数据集x前h个样本x1，x2，
…
，xh作为健康样本。通过gmm估计健康样本的基准分布p0。其中gmm的高斯分量设置为4。
[0082]
3)采用高斯分量为4的gmm模型估计剩余样本x
h+1
，
…
，xk的概率分布p＝[p
h+1
，
…
，pk]。
[0083]
4)构建kld-based hi。使用kld，分别计算基准分布p0与样本的概率分布p＝[p
h+1
，
…
，pk]之间的kld值。该计算得到的kld值能够用于表征轴承的健康状态。
[0084]
优选地，所述步骤400具体包括：
[0085]
对所述健康指标集进行划分，得到训练集；
[0086]
获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；
[0087]
将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；
[0088]
将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。
[0089]
优选地，所述步骤500具体包括：
[0090]
当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。
[0091]
本实施例中在预测轴承rul时，rnn除了使用当前状态信息外，还将使用历史趋势信息。这与人类记忆的机制相似。因此，rnn的历史记忆能力在处理长序列时非常重要。现有的基于rnn的模型只是改进了rnn的细胞结构，而对历史趋势信息的利用不足。艾宾浩斯(h.ebbinghaus)在1885年揭示的遗忘曲线表明，记忆在学习后立即开始丧失，在记住后的
短时间内遗忘率最大。在遗忘规律的启发下，构建rmgru网络，增强趋势特征的学习能力。rmgru网络结构如图4所示。在该图中，x和h分别表示输入数据和隐藏状态，s表示注意力机制，s
t
是使用注意力机制后的输出。
[0092]
为了提高长时记忆能力，获得更鲁棒的预测结果，包含所学知识的隐藏状态需要进一步记忆。根据遗忘规律，对所学知识的及时巩固可以减缓记忆的丢失，因此通过结合前两个时刻的状态信息，可以增强rnn的长期记忆能力。由于前两次直接使用历史状态信息会导致信息冗余，增加网络的计算负担，因此采用注意力机制强调健康指标的趋势特征信息，为其分配计算资源。如图4所示，加入h
t-2
和h
t-1
，然后利用注意机制从前两个时刻的状态信息中获取重要的趋势特征。由图3可知，t时刻的输出隐藏状态被更新为：
[0093][0094]
s(h
t-1
,h
t-2
)＝v
t
tanh(w
sht-1
+u
sht-2
)
[0095][0096][0097]zt
＝σ(az[x
t
,a
t-1
]+dz)
[0098]rt
＝σ(ar[x
t
,a
t-1
]+dr)
[0099][0100][0101]
由上可知，隐藏状态比其他经典rnn网络包含更多的趋势信息。因此，rmgru网络具有较强的预测能力，尤其是在少样本的情况下。
[0102]
本实施例利用所提出kld-based hi和rmgru神经网络，可以对轴承的剩余使用寿命进行预测。本实施例提出了一种新的时间序列预测方法，具体步骤如下：
[0103]
1)采集轴承生命周期内的原始振动信号。采样时间为t，记录间隔为ts。在测试轴承的生命周期中，假设获得了n个样本。
[0104]
2)通过高斯混合模型对原始振动数据的分布参数进行估计，得到振动信号的分布参数即均值和方差，然后通过kld-based hi构建方法生成健康指标，并表示为h＝[h1,h2,
…
,hn]
t
。
[0105]
3)划分训练集和测试集。对于生成的健康指标h，前m个健康指标作为训练集s
train
，剩余的健康指标作为测试集s
test
，即有：s
train
＝[h1,h2,
…
,hm]
t
和s
test
＝[h
m+1
,
…
,hn]。
[0106]
4)设置输入的细胞单元数k，通过训练集s
train
和k构建输入矩阵u：
[0107][0108]
其中，
[0109]
ui＝[h
i h
i+1
ꢀ…ꢀhm-k+i+1
]
[0110]
5)将u的前k个行向量作为rmgru神经网络的输入，将u的最后一个行向量设置为输
出。定义rmgru的映射函数为f，通过最小化损失函数l更新rmgru的参数w和b:
[0111]
min[l(w,b)]＝f(u1,u2,
…
,uk)-u
k+12
[0112]
6)训练rmgru后，将最后的k个向量输入训练后的神经网络，预测下一个健康指标向量，其逐步预测的步骤如下：
[0113][0114][0115][0116][0117]
7)当预测的健康指标h
m-k+i+1
(h
m-k+i+1
∈ui)的值超过预先设定的失效阈值时，可以通过(i-m)
×
(t+ts)计算出轴承剩余使用寿命。此外，失效点由实验结果所得，失效点的健康指标值即为失效阈值。
[0118]
本实施例采用实验方法对上述方法进行验证，实验数据来自pronostia实验平台，结构如图5所示。本实验是专门为研究轴承故障的检测、诊断和预测方法而设计的。该实验系统可以在几小时内对轴承进行加速退化试验。实验中加速度传感器固定在轴承的外圈上，捕捉振动信号。在本次实验验证中，对轴承1_1进行剩余使用寿命预测。该轴承运行工况为内圈转速为1800转/分，载荷为4kn。采样频率为25.6khz。采样每10秒重复一次，每次0.1s。
[0119]
采用以上基于kld-based hi构建方法，选取轴承1_1(第一轴承)和轴承1_3(第二轴承)的前200个样本作为健康样本，利用它们计算基线分布p0。接下来，构建轴承1_1和轴承1_3的kld-based hi向量，分别如图6和图7所示。从图6和图7可以看出，生成的hi能够很好地反映两个轴承的健康阶段和退化趋势。当轴承处于健康阶段时kld-based hi值非常接近于0，并略有波动。第一个退化点由三次标准差原则确定，即当某一点的kld-based hi值超过健康信号的三次标准差时，将该点定义为第一个退化点。然后随着轴承的退化，kld-based hi值和波动均逐渐增大。最后hi值急剧上升，表明轴承开始失效。kld-based hi值都先保持稳定，然后逐渐增加，最后在轴承失效时急剧上升。因此，构建的kld-based hi能够反映轴承的真实健康状况。通过一系列实验，发现当hi值达到3时轴承发生初始失效，因此将其设为失效阈值。
[0120]
通过构建的kld-based hi和所提出的rmgru网络，对轴承rul进行预测。所提出的rul预测方法更关注第一个退化点到初始故障点之间的退化过程，因为它包含了大部分的退化信息。然而，为了充分了解退化信息，还需要将健康阶段的一些hi要素输入预测模型。轴承1_1选取从1001到2550的1550个元素，用前1450个元素预测后100个元素的变化趋势。同样，对于轴承1_3，从第901元素到第2070元素共选取1170个元素，用前1070个元素预测后100个元素。利用所提出的rul预测方法，得到了轴承1_1和轴承1_3的预测结果。图8绘制轴承1_1的训练、预测和实际hi曲线，图9绘制轴承1_3的hi曲线。从图8和图9可以看出，训练和预测规则在几乎所有时刻都非常接近真实的hi曲线，训练和预测hi曲线的退化趋势也接近于实际的hi曲线。在图8中，hi元素不超过预设故障阈值的个数为93，在图9中为95。由此可知轴承1_1的rul值为930s，轴承1_3的rul值为950s。该实验结果表明了提出的rmgru能够较好的预测轴承的剩余使用寿命。为了进一步证明提出的rmgru的优越性，本实施例对比了长
短时记忆网络(long-short termmemory，lstm)、门控循环单元(gatedrecurrentunit，gru)、门控双注意力单元(gated dual attention unit，gdau)、宏微观注意力lstm网络(macroscopic-microscopic attention lstm，mmalstm)以及janet网络，并通过mae、nrmse和score函数进行定量评价，其结果如图10所示。
[0121]
可见，rmgru的mae和nrmse最小，rmgru的score最高，因此rmgru网络比经典预测网络具有更好的预测性能。原因在于，提出的rmgru能够及时重新学习遗忘的趋势特征，即rmgru能够比当前基于rnn的网络记住更多有用的退化趋势信息。对比实验结果也表明，对利用历史状态信息的再次使用比单纯改善细胞结构更有效。因此，提出的基于kld-based hi和rmgru的寿命预测方法能够很好地预测轴承的剩余使用寿命。
[0122]
对应上述方法，本实施例还提供了一种轴承剩余使用寿命的预测系统，包括：
[0123]
采集模块，用于采集轴承生命周期内的原始振动信号；
[0124]
指标生成模块，用于利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；
[0125]
模型构建模块，用于基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；
[0126]
预测模块，用于根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；
[0127]
计算模块，用于根据预测结果计算轴承剩余使用寿命。
[0128]
优选地，所述指标生成模块具体包括：
[0129]
基准单元，用于将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；
[0130]
概率单元，用于根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；
[0131]
状态计算单元，用于利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；
[0132]
指标集构建单元，用于根据所述kld值构建所述健康指标集。
[0133]
优选地，所述预测模块具体包括：
[0134]
划分单元，用于对所述健康指标集进行划分，得到训练集；
[0135]
矩阵构建单元，用于获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；
[0136]
训练单元，用于将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；
[0137]
预测单元，用于将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。
[0138]
优选地，所述计算模块具体包括：
[0139]
寿命计算单元，用于当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。
[0140]
本发明的有益效果如下：
[0141]
本发明结合艾宾浩斯遗忘曲线和门控循环单元神经网络提出了强化记忆门控循环单元能够对构建的历史趋势信息进行充分学习，提高了网络对剩余使用寿命预测的精度和鲁棒性。
[0142]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统小而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0143]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。