一种深度聚类判断退化点的旋转机构剩余寿命预测方法

本发明涉及深度学习，尤其涉及一种深度聚类判断退化点的旋转机构剩余寿命预测方法。

背景技术：

1、旋转机构在如今机械结构中十分常见，如轴承、齿轮、谐波减速器等。由于这些机构在工作中存在频繁接触摩擦等工作形式，其成为了机械设备中的易损部件。一旦其发生故障往往会导致整个机械设备产生宕机，造成巨大的损失。因此对旋转机构进行寿命预测成为了机械设备健康管理的重要一项，对旋转机构进行寿命预测可以提前洞悉设备的健康状态为设备维护或后续停机更换设备做准备。

2、目前，对旋转机构做寿命预测的方法主要可以分为两类：基于模型驱动和基于数据驱动的方法；其中，基于模型驱动的方法是指根据机构的结构特点和退化机制运用物理模型和机械知识来预测旋转机构的寿命的方法。该方法利用对机械系统行为的建模，通过系统的对机构磨损、劣化和故障机理的理解，来估计旋转机构的寿命；但是其存在建模困难、模型不具有泛化性的缺点。

3、基于数据驱动的方法则是指利用机构运行时的历史数据来预测旋转机构寿命的方法。这种方法通过对历史数据特征判断来预测未来的寿命，并且不过多的依赖于对机构机理的详细理解；此外，基于深度学习数据驱动的寿命预测方法还具备捕捉数据深层次特点，灵活性和泛化性更强等优点；因此，使用数据驱动的方法对旋转机构进行寿命预测更受欢迎。

4、但是，目前基于深度学习的寿命预测方法还存在以下不足：(1)虽然深度学习方法预测寿命不需要过多的对机构机理的研究，但在寿命标签设定时需要根据机构的状态进行健康状态和退化状态区分，单纯的将采集到的信号寿命认为斜线退化是不合理的；(2)使用一些方法对健康状态和退化状态进行区分并没有考虑后续预测网络提取的特征内容是否与退化点选取所依赖的特征是否一致；(3)在网络结构固定后，对预测效果影响最大的就是超参数的选取。

5、基于此，本发明设计的深度聚类判断退化点的旋转机械剩余寿命预测方法来解决上述技术问题。

技术实现思路

1、为解决上述技术问题，本发明提供的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，包括以下步骤：

2、步骤1：搭建旋转机构加速寿命实验台，设计加速寿命实验，利用传感器采集其从健康状态到故障状态的全过程信号，信号的组数即表示寿命的长度由全寿命采样次数决定，每组信号内数量由采样频率和采样时间决定；

3、步骤2：整理采集到的信号，将其信号分为健康状态和退化状态；

4、步骤3：将步骤2得到的健康状态和退化状态反应为寿命标签，将寿命标签进行归一化，将其寿命标签放置在[0，1]之间；

5、步骤4：将步骤3得到的数据划分为训练集和测试集；

6、步骤5：将步骤4得到的数据输入至寿命预测网络中，并优化其超参数；

7、步骤6：输出优化后网络得到的剩余使用寿命。

8、作为更进一步的解决方案，所述的步骤2中，整理数据的具体操作为：

9、整理采集到的数据，剔除突发故障或不正常退化的实验数据；

10、将剩下的符合条件的数据使用与后续cnn-lstm寿命预测更吻合的包含卷积特征提取的深度聚类判断退化点的起始位置。

11、作为更进一步的解决方案，所述的步骤3中，数据归一化的具体操作为：

12、根据选取的退化点将健康状态寿命标签赋值为1；

13、将退化状态寿命标签计算公式为：

14、

15、式中：h为退化阶段的数据数量，mi为退化阶段采集次数的第i次。当其值为0时认定此机构完全失效。

16、作为更进一步的解决方案，所述的步骤4中，数据训练集和测试集划分的具体操作为：

17、将采集数据实验的最后一组数据作为测试集，其余作为训练集。

18、作为更进一步的解决方案，所述的步骤5中，优化寿命预测网络的具体结构为：构建蜣螂优化算法优化的cnn-lstm网络模型；网络结构第一层为输入层，大小由步骤1采集到的每组信号内数量决定；随后为多个一维卷积层，卷积层的层数和卷积核的个数由蜣螂优化算法优化得到；进而为lstm层，lstm层的隐藏层神经元个数由蜣螂优化算法优化得到；然后是两层全连接层，第一层全连接层的隐藏层神经元个数蜣螂优化算法优化得到；最后为回归输出层；另外，还通过蜣螂优化算法优化得到学习率和批量大小这两个超参数。

19、作为更进一步的解决方案，所述的步骤6中，输出的预测结果包括：

20、训练集和测试集的rmse值，以及训练集和测试集的训练预测效果图；

21、评价指标rmse的计算公式为：

22、

23、式中：n为样本的数据量，yi为第i个数据的真实寿命值；ypi为第i个数据的预测寿命值。

24、与相关技术相比较，本发明提供的一种深度聚类判断退化点的旋转机构剩余寿命预测方法具有如下有益效果：

25、(1)寿命标签的选择更符合旋转机构的机理；

26、(2)充分发挥选定网络结构的性能，预测准确率高；

27、(3)根据特征选取退化点更契合后续寿命预测网络，有效提升预测精度，泛化性好。

技术特征：

1.一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤2中，整理数据的具体操作为：

3.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤3中，数据归一化的具体操作为：

4.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤4中，数据训练集和测试集划分的具体操作为：

5.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤5中，优化寿命预测网络的具体结构为：构建蜣螂优化算法优化的cnn-lstm网络模型；网络结构第一层为输入层，大小由步骤1采集到的每组信号内数量决定；随后为多个一维卷积层，卷积层的层数和卷积核的个数由蜣螂优化算法优化得到；进而为lstm层，lstm层的隐藏层神经元个数由蜣螂优化算法优化得到；然后是两层全连接层，第一层全连接层的隐藏层神经元个数蜣螂优化算法优化得到；最后为回归输出层；另外，还通过蜣螂优化算法优化得到学习率和批量大小这两个超参数。

6.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤6中，输出的预测结果包括：

技术总结
本发明提供了一种深度聚类判断退化点的旋转机构剩余寿命预测方法，涉及深度学习技术领域。本发明具体包括以下步骤：搭建旋转机构加速寿命试验台设计加速寿命试验采集数据；对实验数据进行筛选选取有效数据；对数据使用DCEC处理选取其退化点；对寿命标签进行归一化方法处理，并划分训练集和测试集；采用DBO对CNN‑LSTM网络超参数寻优，建立DBO‑CNN‑LSTM的旋转机构寿命预测模型；将测试集输入到训练好的剩余寿命预测模型中，得到旋转机构剩余寿命预测结果；本发明寿命标签的选择更符合旋转机构的机理，并根据特征选取退化点，有效提升预测精度且泛化性好。

技术研发人员：郭世杰,刘彪,唐术锋,邹云鹤,萨日娜,张文志
受保护的技术使用者：内蒙古工业大学
技术研发日：
技术公布日：2024/1/16