申请/专利权人：四川大学;宜宾四川大学产业技术研究院

申请日：2024-04-11

公开（公告）日：2024-07-05

公开（公告）号：CN118296951A

主分类号：G06F30/27

分类号：G06F30/27;G06F18/2431;G06F18/2415;G06F18/10;G06F18/213;G06F18/27;G06N3/0455;G06N3/0442;G06N3/045;G06N3/0475;G06N3/094;G01M13/045;G06F111/10;G06F119/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种滚动轴承剩余寿命预测方法，包括以下步骤：S1、对源域和目标域的滚动轴承的原始振动加速度数据构造模糊熵作为滚动轴承性能退化特征；S2、将多个不同源域的训练用模糊熵样本集和目标域训练用模糊熵样本集同时输入AAET‑Crossformer模型中用于训练AAET‑Crossformer模型的参数；S3、利用训练好的AAET‑Crossformer模型来分层解码预测目标域滚动轴承以后的性能退化特征走势；S4、建立三参数威布尔分布可靠度模型以预测出目标域滚动轴承的失效阈值时间点和RUL。本发明的预测方法可以实现较高的RUL预测精度、较好的泛化性能和较高的计算效率。

主权项：1.一种滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：S1、对源域和目标域的滚动轴承的原始振动加速度数据构造模糊熵作为滚动轴承性能退化特征；S2、将多个不同源域的训练用模糊熵样本集和目标域训练用模糊熵样本集同时输入AAET-Crossformer模型中用于训练AAET-Crossformer模型的参数；AAET-Crossformer模型为在Crossformer模型上构造对抗自编码去噪机制，并且在Crossformer模型的编码层构建动态域自适应网络DDAN；AAET-Crossformer模型的数据处理及模型训练包括以下子步骤：S21、使用对抗自编码去噪机制对滚动轴承性能退化特征序列去噪，对抗自编码去噪机制由对抗自编码器AAE和自组织映射网络组成；输入的序记为X1:Τ＝{x1,x2,...,xt,xt+1,...,xΤ-1,xΤ}，其中xt∈RD表示时间序列X1:Τ在t时刻的D维数据，X1:Τ为滚动轴承的性能退化特征数据；AAET-Crossformer模型预测出的时间序列记为XT+1:T+τ，其中，τ、T分别是未来和过去的时间步；假设Z是AAE中的自编码器的潜在编码向量；假设pZ是将X1:Τ强加在编码向量Z上的先验分布，qZ|X1:T是Z关于X1:Τ的编码分布；同时假设pdX1:T为X1:Τ的先验分布；通过qZ|X1:T的编码函数定义在自编码器中的编码向量Z上的后验分布qZ，即： 由于qZ|X1:T是关于X1:Τ的一个确定性函数，因此在qZ中唯一的随机性来源是数据分布pdX1:T；因此，通过将聚合的后验分布qZ与任意的先验分布pZ相匹配来实现自编码器的正则化；于是，使用自适应运动估计优化算法对以下两个阶段交替训练以优化生成对抗网络的生成器的编码函数对应的编码器：a在固定的前提下训练鉴别器来区分真实样本和生成器生成的假样本；b在固定的前提下训练生成器以便用其生成的假样本来欺骗鉴别器然后，从的角度来最大化以下损失函数LAAEN： 式中，表示由Z通过生成的假样本；表示对假样本判断的结果，而表示对真实样本X1:T判断的结果，且与都是样本被判断为真的概率；表示所有样本都是真实样本X1:T时的期望，表示所有样本都是生成的假样本时的期望；紧接着从的角度令式2所示的损失函数LAAEN最小化，让和在共享损失函数LAAEN的情况下实现它们之间的对抗训练；以上AAE训练过程具体表达如下： 接下来，将该去噪后的高维滚动轴承性能退化特征序列输入由随机梯度下降算法训练好的自组织映射网络进行特征维数约简，最终得到滚动轴承性能退化深度特征F；S22、将滚动轴承性能退化深度特征F输入Crossformer模型进行处理：定义多个不同源域的训练样本总集为目标域训练样本集为其中，表示源域中的一个带标签训练样本，为的训练目标，表示目标域中的一个无标签训练样本，为的训练目标，nS表示源域中带标签训练样本的数量，nT表示目标域中无标签训练样本的数量；DS和DT的标签值在同一范围内，但DS和DT的边缘概率分布和条件概率分布不同；为了对齐DS和DT的边缘概率分布和条件概率分布并学习得到域不变特征，在Crossformer模型的编码层构建DDAN；DDAN通过利用不同工况下的不同滚动轴承的历史性能退化特征数据来学习Crossformer模型编码层的参数；首先，在DDAN中设计标签分类器fy以利用源域DS中的监督信息来区分源域训练样本的标签，fy的训练目标定义为如下所示的交叉熵损失函数： 式中，C为类别的数量，表示属于第c类的概率，fenc为Crossformer模型的编码层的特征提取器；然后，在DDAN中构造全局域判别器fg来对齐源域DS和目标域DT之间的边缘概率分布，fg的损失函数定义如下： 式中，Ld为域判别器的交叉熵损失函数；接下来，在DDAN中构造局部域判别器fl来对齐源域DS和目标域DT之间的条件概率分布；局部域判别器fl将式5中的全局域判别器fg划分为C个类别的域判别器，每个域判别器分别负责使每个类别的源域训练样本和目标域训练样本相匹配，因此，局部域判别器fl的损失函数定义如下： 式中，和分别表示第c个域判别器和第c个域判别器对应的交叉熵损失函数；是源域样本在类别c上的概率分布；c∈{1,2,…,C}；于是，DAAN的整体损失函数表达如下： 式中，θenc为Crossformer模型编码层的特征提取器的参数；分别表示标签分类器fy、全局域判别器fg和局部域判别器fl中的参数；μ和λ是平衡fg和fl的损失函数的超参数；定义参数集则根据式7所示的DAAN的整体损失函数推导出参数集θDDAN的梯度表达式如下： 根据式8所示的参数集θDDAN的梯度表达式，使用随机梯度下降算法来训练DAAN的参数集θDDAN；当DAAN的整体损失函数值收敛到期望值时，就学习到了有助于提高Crossformer模型的域自适应能力和泛化性能的滚动轴承域不变性能退化特征l表示Crossformer模型的编码器的层数；Crossformer模型使用维度分段机制将目标域滚动轴承用于训练的性能退化深度特征序列划分为长度为Lseg的段，该过程表达如下： 式中，是维度为d的第k个分段，其长度为Lseg；为方便起见，假设T和τ能够被Lseg整除，然后对每一个分段使用线性投影和位置嵌入得到对应的嵌入向量hk,d，即： 式中，表示需要学习的线性投影矩阵，dmodel为线性投影矩阵的行数；表示位置k,d处可学习的位置嵌入；经过以上操作，得到一个二维向量 然后，将滚动轴承的域不变性能退化特征输入TSA层得到Crossformer模型的编码层的输出矩阵Fenc,l，该过程表达如下： 式中，TSA·表示TSA层的编码函数；使用Fenc,0,…,Fenc,1,…,Fenc,N来表示Crossformer模型的编码器的N+1个输出矩阵，其中，Fenc,0＝H；在获得了以上由编码器输出的N+1个特征矩阵后，在Crossformer模型的解码器中使用层数为N+1的解码层进行输出预测；第l层解码层以第l个编码层的输出矩阵作为其输入，得到该解码层的解码输出，该过程表达为：Fdec,l＝DecoderFdec,l-1,Fenc,l12当式12中l＝0时Fdec,l＝DecoderEdec,Fenc,l，其中表示解码器的可学习位置嵌入；接下来，对解码器每一层的输出应用线性投影得到该解码层的预测矩阵： 式13中，表示第l层解码层输出的d维时间序列中的第k个分段；是一个权值矩阵，用于将一个向量投影到一个时间序列分段；式14中，表示第l层解码层输出的所有分段被重新排列后的预测矩阵；最后，将各解码层的预测矩阵进行求和，得出AAET-Crossformer模型的最终预测值，该过程表达如下： S23、使用策略梯度学习算法对AAET-Crossformer模型进行训练；S3、利用训练好的AAET-Crossformer模型来分层解码预测目标域滚动轴承以后的性能退化特征走势；S4、结合目标域训练用的性能退化特征序列和预测得到的性能退化特征走势值来建立三参数威布尔分布可靠度模型以预测出目标域滚动轴承的失效阈值时间点和剩余使用寿命RUL。

全文数据：

权利要求：

百度查询： 四川大学 宜宾四川大学产业技术研究院 一种滚动轴承剩余寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD