一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统

本发明涉及轴承设备状态监测和健康管理，尤其涉及一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统。

背景技术：

1、轴承是机械设备的重要组成部件，随着运行时间的增加，轴承的性能会逐渐下降，产生故障甚至影响设备的可用性，如何保障轴承的安全性与可靠性是当前一个重要的问题。因此，轴承的故障预测与健康管理(prognostics and health management，phm)成为了一个重点问题，轴承的phm旨在通过监控设备的健康状况，预测可能出现的问题，避免严重故障或事故的发生。剩余寿命预测(remaining useful life prediction，rulprediction)是phm任务的核心部分，其主要任务是预测正在运行的设备或部件从当前时刻到失去操作能力之前的时间长度，然后再根据预测结果制定预防性的维修策略。

2、目前，根据预测过程中所运用的技术，轴承的剩余寿命预测方法可以大致分为两类：基于模型的剩余寿命预测方法和基于数据驱动的剩余寿命预测方法。(1)基于模型的剩余寿命预测方法：基于模型的方法利用先验知识构建表征轴承退化的模型，即通过各种数学物理模型来构造经验模型，以此预测轴承的剩余寿命。该类方法具有良好的可解释性，在完全理解失效机理、构造合适模型的情况下，能够取得很好的预测效果。但是，基于模型的剩余寿命预测方法需要大量专家知识且泛化性差，轴承的物理特性也难以全面理解，限制了其应用。(2)基于数据驱动的剩余寿命预测方法：基于数据驱动的剩余寿命预测方法将退化过程映射成健康状态和监测数据之间的关系函数，从可用数据中提取并学习模式来表征退化行为。传统的数据驱动方法多采用简单的机器学习算法进行预测，但是这类算法采用的网络结构简单,无法更好的挖掘数据之间的潜在信息。随着人工智能技术的发展，深度学习因其强大的特征提取和数据处理能力在轴承剩余寿命预测任务中有着优异的表现。

3、然而，深度学习模型需要大量高质量的训练数据才能理解数据的潜在模式，并且需要待测试数据与训练数据满足相同的数据分布，上述假设在实际剩余寿命预测中存在如下挑战：(1)首先，各设备往往处在复杂且时变的工况下，训练数据与测试数据存在协变量偏移，无法保证获取高质量同分布的训练数据，导致一种rul预测模型预测其他设备时，性能出现急剧下降，这种现象被称作“跨域问题”。(2)同时，各设备的可靠性和安全性不断增强，获取全寿命周期越发困难，不完整待测数据与训练数据将会存在更大的分布偏差。

4、考虑到上述挑战，以深度学习模型为基础的迁移学习方法应运而生，也成为了如今数据驱动方法研究的重点。

5、跨域条件下轴承的剩余寿命预测问题中，源域与目标域数据分布存在差异，通过提取两个域的域不变公共特征来缩小差异。但是在实际问题中，缺失部分周期的目标域数据的整体分布会发生变化，与完整周期的源域数据产生更大差异，难以直接进行全局的领域自适应，且轴承全寿命周期存在不同的健康阶段，各阶段结构化特征明显，分布差异较大，全局对齐忽略了生命周期内部结构的差异性，可能导致不同子结构的错误匹配，无法挖掘数据的共同潜在局部特征。因此，在数据不完整、跨域条件下，如何准确进行轴承剩余寿命预测，是目前亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统，从而解决现有技术中存在的前述问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法，包括如下步骤，

4、s1、健康指标曲线构建：

5、获取原始数据集，对原始数据集中的源域数据和目标域数据进行时域和频域特征提取，并将得到的多维特征进行二次指标优化和相关性分析，获取健康指标曲线；

6、s2、健康阶段划分：

7、采用时序窗口加权聚类算法对健康指标曲线进行处理，获取每个源域数据和目标域数据所属的健康阶段标签及其模糊隶属度，并按比例划分为训练集和测试集；

8、s3、构建并训练剩余寿命预测模型：

9、所述剩余寿命预测模型包括模糊子域特征提取器和rul回归器；将训练集输入到剩余寿命预测模型中对其进行训练；训练过程中，基于模糊子域特征提取器中子结构模糊对齐模块的对齐损失和rul回归器的回归损失，获取总损失，并通过最小化总损失优化模糊子域特征提取器和rul回归器的参数，获取并保存训练好的剩余寿命预测模型；

10、s4、剩余寿命预测：

11、将测试集输入到训练好的剩余寿命预测模型中进行剩余寿命预测，获取剩余寿命预测结果。

12、优选的，所述二次指标优化具体为，对多维特征进行特征间差异对齐操作得到相对指标，再将相对指标进行特征内压缩平滑操作得到去噪指标。

13、优选的，所述相关性分析具体为，对二次优化后的指标使用皮尔逊相关系数衡量每一时刻数据与初始时刻数据的相关程度，构建健康指标。

14、优选的，所述源域数据为有轴承的机电设备运行到失效时采集到的机电设备监测数据；所述目标域数据为无轴承的机电设备运行到故障的机电设备监测数据；

15、所述源域数据为具有轴承剩余寿命作为标签的有监督数据；所述目标域数据为不具有轴承剩余寿命标签的无监督数据。

16、优选的，步骤s2具体包括如下内容，

17、s21、将健康指标曲线划分为窗口，使用该窗口的统计数值代替当前单点数值，实现健康指标曲线的模糊平滑处理；

18、s22、对模糊平滑处理后的健康指标曲线进行聚类，通过迭代优化每个数据点的模糊隶属度以及每个类别的聚类中心，获取每个源域数据和目标域数据所属的健康阶段标签及其模糊隶属度；

19、s23、将源域数据、目标域数据及其所属健康阶段标签和模糊隶属度按比例划分为训练集和测试集。

20、优选的，步骤s3具体包括如下内容，

21、s31、将训练集输入到模糊子域特征提取器中，利用模糊子域特征提取器的深度神经网络，分别获取训练集中源域数据和目标域数据的特征潜在表示，获取源域数据和目标域数据对应的高维特征矩阵；

22、s32、将源域数据和目标域数据对应的高维特征矩阵输入到模糊子域特征提取器的子结构模糊对齐模块中，通过计算源域数据和目标域数据特征矩阵之间的flmmd、源域数据和目标域数据特征矩阵时间的flcoral，获取对齐损失；

23、s33、将模糊子域特征提取器输出的对齐后的源域数据与训练集中的目标域数据的时序特征矩阵输入到rul回归器中，输出源域数据和训练集中目标域数据的剩余寿命预测值，并计算源域剩余寿命预测值与真实值的均方误差，作为回归损失；

24、s34、根据对齐损失和回归损失计算总损失；

25、s35、最小化总损失，反馈调节模糊子域特征提取器和rul回归器的网络参数，实现对模糊子域特征提取器和rul回归器的网络训练，直到训练完成，获取训练好的剩余寿命预测模型。

26、优选的，步骤s32具体包括如下内容，

27、s321、第一部分对齐：基于最大均值差异的模糊局部最大均值差异，同时考虑每个样本属于所有类别的概率，实现更细粒度的模糊子域对齐；通过计算源域数据和目标域数据特征矩阵之间的flmmd作为第一部分损失；

28、s322、第二部分对齐：基于二阶统计量correlation alignment的fuzzy localcoral，同时考虑每个样本属于所有类别的概率，在二阶统计量上进行细粒度对齐；通过计算源域数据和目标域数据特征矩阵时间的flcoral作为第二部分损失；

29、s323、综合第一部分损失和第二部分损失，获取对齐损失。

30、优选的，所述模糊子域特征提取器为resnet50特征提取器。

31、优选的，所述rul回归器为基于全连接网络的回归预测器。

32、本发明的目的还在于提供一种结合退化阶段划分和子域自适应的轴承剩余寿命预测系统，系统用于实现上述任一所述的方法，所述系统包括，

33、曲线构建模块：用于构建健康指标曲线；

34、获取原始数据集，对原始数据集中的源域数据和目标域数据进行时域和频域特征提取，并将得到的多维特征进行二次指标优化和相关性分析，获取健康指标曲线；

35、阶段划分模块：用于划分健康阶段；

36、采用时序窗口加权聚类算法对健康指标曲线进行处理，获取每个源域数据和目标域数据所属的健康阶段标签及其模糊隶属度，并按比例划分为训练集和测试集；

37、预测模型构建模块：用于构建并训练剩余寿命预测模型；

38、所述剩余寿命预测模型包括模糊子域特征提取器和rul回归器；将训练集输入到剩余寿命预测模型中对其进行训练；训练过程中，基于模糊子域特征提取器中子结构模糊对齐模块的对齐损失和rul回归器的回归损失，获取总损失，并通过最小化总损失优化模糊子域特征提取器和rul回归器的参数，获取并保存训练好的剩余寿命预测模型；

39、寿命预测模块：用于预测剩余寿命；

40、将测试集输入到训练好的剩余寿命预测模型中进行剩余寿命预测，获取剩余寿命预测结果。

41、本发明的有益效果是：1、能够充分巧妙地利用利用寿命周期中存在的阶段对应于不同子域，将全局对齐的整体差异分散到局部对齐的阶段差异。2、在健康阶段划分阶段，提出了一种适用于时序窗口数据的时序模糊聚类算法，实现了统一标准化的健康指标构建和阶段划分过程。在迁移阶段，则是利用基于数据标签和隶属度的多阶度量拉近各退化阶段，以此完成模糊子结构对齐和跨域回归。3、能够实现更细粒度的特征对齐，构建出泛化性更好的模型，同时又能够实现更准确的剩余寿命预测。