本发明属于机械资源预测,特别涉及基于不确定性加权领域泛化的滚动轴承剩余寿命预测方法。
背景技术:
1、轴承作为旋转机械中的关键部件之一,在长期的运行服役环境中不可避免地出现疲劳损伤、应力破坏等性能退化情况。因此,准确地预知轴承的剩余使用寿命(remainingusefullife,rul)能够解决设备的安全运行以及人员伤亡等问题,具有重要的现实意义。近些年来,尽管国内外学者对基于机器学习、深度学习等人工智能的轴承剩余使用寿命预测开展大量研究工作,然而,在实际工程中,由于受到变转速、变载荷等因素的影响,每个轴承所处的工况不同导致振动数据的特征分布多变,使得模型的预测精度降低,限制了深度学习在轴承寿命预测中的应用。
2、为了解决训练样本与测试样本分布不一致导致传统机器学习方法效果严重退化的问题,许多学者采用领域自适应(domainadaptation,da)的方法,通过跨域学习轴承域间不变特征,减少源域和目标域之间的特征分布差异,在一定程度上提升了准确率。
3、在轴承寿命预测领域中,徐娟等人将对抗域自适应引入轴承剩余使用寿命预测之中,提高了滚动轴承剩余寿命预测的准确率和泛化性。然而,领域自适应的方法只对指定迁移目标的效果有所提升,无法泛化到任何可能的目标条件,导致模型训练成本提高、实用性差。此外,由于数据获取成本较高,导致新的目标域往往不能访问,这种限制严重的影响了它们在实际情况下的应用。
技术实现思路
1、为了提高变工况下的寿命预测的精确性与泛化性,本发明提出一种基于不确定性加权领域泛化的滚动轴承剩余寿命预测方法,具体包括以下步骤:
2、s1:获取滚动轴承的目标域振动数据样本和m个源域振动数据样本集;
3、s2:利用教师网络和学生网络构建知识蒸馏框架,捕获源域振动数据样本集的域内不变特征;并以每个源域振动数据样本集的域内不变特征在教师网络和学生网络的差异最小为目标构建第一损失函数;
4、s3:利用相关性对齐算法约束每个源域振动数据样本集的域间不变特征在学生网络的空间分布,构建第二损失函数;
5、s4:采用余弦正则化以最大化源域振动数据样本集的域内不变特征和域间不变特征之间的差异为目标构建第三损失函数;
6、s5:以学生网络对源域振动数据样本的预测结果和源域振动数据样本的真实标签的差异化最小为目标构建第四损失函数;
7、s6:根据同方差的不确定性对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权构建学生网络的损失函数,以学生网络的损失函数最小为优化目标对学生网络进行训练,得到滚动轴承剩余使用寿命预测模型;
8、s7:利用滚动轴承剩余使用寿命预测模型对目标域振动数据样本集进行预测,得到目标域滚动轴承的剩余使用寿命。
9、优选地,所述利用教师网络和学生网络构建知识蒸馏框架,指导学生网络捕获源域振动数据样本集的域内不变特征包括:
10、s21:对源域振动数据样本进行快速傅里叶变换得到源域振动数据样本的傅里叶相位谱;
11、s22:利用m个源域振动数据样本集的源域振动数据样本的傅里叶相位谱对教师网络进行训练;
12、s23:将源域振动数据样本输入训练好的教师网络,将教师网络瓶颈层输出的特征作为源域振动数据样本的域内不变特征。
13、优选地,所述利用m个源域振动数据样本集的源域振动数据样本的傅里叶相位谱对教师网络进行训练包括:
14、以教师网络对源域振动数据样本的预测结果和源域振动数据样本的真实标签差异最小为优化目标构建教师网络的损失函数对教师网络的参数进行更新;
15、
16、
17、
18、其中,lt表示教师网络的损失函数,表示第k个源域振动数据样本集中的第i个源域振动数据样本;表示样本傅里叶相值变换函数;n表示的长度;表示的傅里叶相位谱;表示教师网络对的预测结果;表示的真实标签;和分别表示教师网络特征生成器ft(·)的参数、教师网络瓶颈层bt(·)的参数和教师网络预测器pt(·)的参数;ptr表示第k个源域振动数据样本集的样本分布;表示期望;表示均方误差损失函数。
19、优选地,所述第一损失函数包括:
20、
21、
22、其中,表示第一损失函数,表示将第k个源域振动数据样本集中的第i个源域振动数据样本输入学生网络后,学生网络瓶颈层输出的特征;表示在学生网络的域内不变特征,表示在学生网络的域间不变特征,fs(·)和bs(·)分别表示学生网络的特征生成器和瓶颈层;表示的傅里叶相位谱;和分别表示学生网络特征生成器和瓶颈层的参数;表示均方误差损失函数。
23、优选地,所述第二损失函数包括:
24、
25、
26、
27、其中,表示第二损失函数,k∈{1,2,…,m};m表示源域振动数据样本集的数量;ck表示第k个源域振动数据样本集的协方差矩阵;表示矩阵frobenius范式,nk表示第k个源域振动数据样本集中源域振动数据样本的数量,1表示所有元素都等于1的列向量。
28、优选地,所述第三损失函数包括:
29、
30、其中,表示第三损失函数;‖·‖2是euclid范式;∈是一个无穷小量;max()表示最大值函数;表示第k个源域数据的域内不变特征和域间不变特征。
31、优选地,所述第四损失函数包括:
32、
33、其中,表示第四损失函数;ps(·)表示学生网络的预测器;表示样本的真实标签;满足分布ptr;是均方误差损失。
34、优选地,所述构建学生网络的损失函数包括:
35、
36、其中,表示学生网络的损失函数;fw(x)表示第一损失函数、第二损失函数、第三损失函数和第四损失函数中网络的输出;分别代表第一损失函数、第二损失函数、第三损失函数和第四损失函数中的真实标签;σiif,σmif,σcos,σpre分别代表第一损失函数、第二损失函数、第三损失函数和第四损失函数的可学习不确定参数。
37、本发明至少具有以下有益效果
38、本发明通过教师网络和学生网络构建知识蒸馏框架,捕获源域振动数据样本集的域内不变特征,并以每个源域振动数据样本集的域内不变特征在教师网络和学生网络的差异最小为目标构建第一损失函数,指导学生网络捕获源域振动数据样本集的域内不变特征,利用相关性对齐算法约束每个源域振动数据样本集的域间不变特征在学生网络的空间分布,构建第二损失函数,指导学生网络学习源域振动数据样本集的域间不变特征,以学生网络对源域振动数据样本的预测结果和源域振动数据样本的真实标签的差异化最小为目标构建第四损失函数,根据同方差的不确定性对第一损失函数、第二损失函数、第三损失函数和第四损失函数进行加权构建学生网络的损失函数,以学生网络的损失函数最小为优化目标对学生网络进行训练,得到滚动轴承剩余使用寿命预测模型,对未知工况的目标域振动数据样本进行泛化,利用本发明的方法可以将教师网络从源域泛化到多种未知的目标域,降低模型训练成本,增强模型的实用性,提高了轴承寿命预测的精确度与泛化性。