滚动轴承剩余寿命预测的方法、系统及装置

1.本发明涉及滚动轴承剩余寿命预测领域，尤其是涉及一种滚动轴承剩余寿命预测的方法、系统及装置。


背景技术：

2.旋转机械中广泛使用的滚动轴承是一种非常关键的部件，通常决定设备的使用寿命。滚动轴承的意外故障会导致旋转机械的严重损坏，因此需要对其进行有效可靠的故障预测，以保证滚动轴承的健康状态。


技术实现要素：

3.本发明的目的在于提供一种滚动轴承剩余寿命预测的方法、系统及装置，旨在解决滚动轴承剩余寿命预测的方法、系统及装置。
4.本发明提供一种滚动轴承剩余寿命预测的方法，包括：
5.s1、获取轴承的原始振动信号得到多维数据集；
6.s2、将多维数据集输入informer模型中得到预测结果；
7.s3、将预测结果与预设阈值做比较，若预测结果大于预设阈值，计算滚动轴承剩余寿命，若预测结果大于预设阈值，则返回步骤1执行。
8.本发明还提供一种滚动轴承剩余寿命预测的系统，包括：
9.获取模块：用于获取轴承的原始振动信号得到多维数据集；
10.预测模块：用于将多维数据集输入informer模型中得到预测结果；
11.计算模块：用于将预测结果与预设阈值做比较，若预测结果大于预设阈值，计算滚动轴承剩余寿命，若预测结果大于预设阈值，则返回获取模块、预测模块和计算模块依次执行。
12.本发明实施例还提供一种滚动轴承剩余寿命预测的装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
13.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
14.采用本发明实施例，可以实现对轴承有效可靠的寿命预测。
15.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述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
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例的滚动轴承剩余寿命预测的方法流程图；
18.图2是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的informer架构示意图；
19.图3是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的多头probsparse自注意力机制流程图；
20.图4是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的多头probsparse自注意力机制运算步骤流程图；
21.图5是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的计算轴承剩余时间示意图；
22.图6是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的具体流程图；
23.图7是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的系统的示意图；
24.图8是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的装置的示意图。
具体实施方式
25.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
26.方法实施例
27.根据本发明实施例，提供了一种基于informer模型的滚动轴承剩余寿命预测的方法，图1是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法流程图，如图1所示，具体包括：
28.s1、获取轴承的原始振动信号得到多维数据集；
29.s2、将多维数据集输入informer模型中得到预测结果；
30.s3、将预测结果与预设阈值做比较，若预测结果大于预设阈值，计算滚动轴承剩余寿命，若预测结果大于预设阈值，则返回步骤1执行。
31.s1具体包括：获取轴承的原始振动信号得到多维数据集，其中，多维数据集包括：加速度、转角和压力。
32.s2具体包括：通过振动信号计算特征参数的时间序列，根据特征参数的时间序列建立informer模型，将多维数据集输入informer模型中得到预测结果。
33.s3具体包括：
34.s31、将多维数据集降维得到降维数据集，将降维数据集嵌入位置编码得到嵌入序列；
35.s32、将嵌入序列输入informer模型中的编码器，计算q、k和v,将q和k带入解码器
第二层的注意力机制中，将嵌入序列输入到informer模型中的解码器第一层掩码注意力机制，计算q，k，v值，将v值带入第二层注意力机制计算得到解码器结果；
36.s33、将解码器结果带入全连接层计算得到预测结果。
37.具体实施方法如下:
38.图2是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的informer架构示意图；
39.对informer架构进行说明：
40.位置编码(position embedding)：用来描述特征间的相对位置关系，与嵌入特征层(embedding layer)叠加。
41.计算公式如下：
[0042][0043][0044]
式中，pos代表序列长度，i代表特征向量的维度下标，d
model
为特征长度。因为正弦和余弦函数具有周期性，pe(pos+k,n)可以表示为pe(pos,n)的线性变化，从而识别特征间的相对位置关系。
[0045]
多头probsparse自注意机制：通过n次注意力计算，得到多个参数独立的“表示子空间”，扩展了模型专注于不同特征的能力，如图2。
[0046]
输入矩阵x
en
经过三种不同的线性变换得到为查询矩阵q(query)，键矩阵k(key)和值矩阵v(value)。
[0047]
q＝wqx
en
[0048]
k＝wkx
en
[0049]
v＝wvx
en
[0050]
式中，(wq、wk、wv)将嵌入向量x
en
从d
model
维度映射到dk维度空间。
[0051]
probsparse注意力机制公式如下：
[0052][0053]
式中是一个与q大小相同的稀疏矩阵，它只包含稀疏度量m(qi，k)下的top-u作为由一个超参数c控制，设置u＝c
·
lnlq这使得probsparse的自注意机制只需要计算q和k点积，在多头视角下，关注每个头生成的稀疏q-k对，从而避免了严重的信息丢失。
[0054][0055]
式中需要随机抽样u＝c
·
lnlq点积对来计算m(qi，k),用零填充其他对。从中选择稀疏top-u作为m(qi，k)中的最大算子对零值不太敏感，并且数值稳定。在自注意力计算中，q和k的输入长度通常是相等的，即lq＝lk＝l。
[0056]
图3是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的多头
probsparse自注意力机制流程图；
[0057]
要求：张量
[0058]
图4是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的多头probsparse自注意力机制运算步骤流程图；
[0059]
1.设置超参数c，u＝c
·
lnm，u＝n
·
lnm；
[0060]
2.从k中随机选择u点积对；
[0061]
3.设置样本分数s＝qk
t
；
[0062]
4.计算测量值m，m＝max(s)-mean(s)；
[0063]
5.将m下的top-u设置为
[0064]
6.计算
[0065]
7.计算s0＝mean(v)；
[0066]
8.拼接s＝{s1，s0}。
[0067]
编码器：用于提取长序列输入的强大的长期依赖性。编码器的特征映射具有值v(value)的冗余组合。我们使用提取操作来对具有主要特征的高级特征进行特权分配，并在下一层制作一个聚焦的自注意力特征映射。
[0068]
前馈神经网络ffn：前馈神经网络层由两层全连接网络构成，每层对输入向量线性映射，中间的隐藏层使用relu激活函数，公式如下：
[0069]
ffn(x)＝max(0，xw1+b1)w2+b2[0070]
式中x是多头probsparse自注意力层归一化后的输出量，w为权重向量，b为偏置项。
[0071]
层归一化和残差连接：特征矩阵经过多头probsparse自注意力层和前馈神经层后均会采用层归一化和残差连接。
[0072]
①
层归一化运算中每层神经元共享均值与方差，使层输入归一为标准正态分布，增强反向传播信息流动性，公式如下：
[0073][0074][0075][0076]
式中，t为该层神经元的个数，μ为均值，σ为标准差，xi表示特征向量x的第i维，α、β为可学习的模型参数，通过反向传播更新，ε为防止除数为0设置的小数。
[0077]
②
残差连接：残差连接结构使梯度传播更为高效，避免模型退化。公式如下：
[0078]
x
′
＝ln(muti-head(x)+x)
[0079]
x
en-ourput
＝ln(ffn(x
′
)+x
′
)
[0080]
式中，x
en-output
和x分别为informer block的输出和输入矩阵，x
‘
为前馈网络层的输入矩阵，ln为层归一化运算。
[0081]
3)提取特征从第j层向前推进到第(j+1)层：
[0082][0083]
式中[*]
ab
表示注意块(attention block)。它包含多头probsparse自注意力机制和基本操作，其中conv1d(*)在时间维度上使用elu(*)激活函数执行一维卷积滤波器(核宽度k＝3)。添加了一个最大池层maxpool1d，其中包含步幅padding＝2，并在堆叠层后将x
t
进行下采样，将输入减半，并通过每次丢弃一层来逐步减少自注意力机制提取层的数量，从而使其输出维度对齐。
[0084]
解码器：解码器本质上是自回归的，也就是说，输出中的长序列都与其所有先前的长序列相关联，但在进行预测时不与任何将来的长序列相关联。
[0085]
1)前馈神经网络，层归一化和残差连接同编码器；
[0086]
2)解码器还包含n个相同的层(本专利n＝2)。
[0087]
每层包含以下组件：
[0088]
①
掩码多头probsparse自我注意力层(mask muti-head probsparse self-attention)：为解码器中的每个位置生成表示形式，以对解码器中的所有位置进行编码，直到该位置为止。加入掩码，阻止解码器中的向左信息流，以保留自回归属性。
[0089][0090]
其中，本专利设置输入x
en
序列长度为96，预测长度为24即序列长度为24，值为0的序列；是输入序列x
en
的某段序列长度，因此长度为72。
[0091]
②
多头交叉注意力层(编码器-解码器)：其中输入(编码器特征向量输入)和输出(解码器经过掩码层特征向量输入)之间发生映射。(k，v)对来自编码器，q值来自解码器的上一层，然后计算交叉注意力。
[0092]
判断预测值x
pre
是否大于阈值a1，若预测值x
pre
大于阈值a1则结束训练，并计算轴承剩余寿命t
pre
，公式如下：
[0093]
t
pre
＝t
1-t0[0094]
式中，t1为阈值a1的结束时间，t0为输入x
en
当前时间。
[0095]
若预测值x
pre
小于阈值a1，则返回informer模型重训练，新的输入值x
en
更新为上一次模型预测值x
‘
pre
。
[0096]
图5是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的计算轴承剩余时间示意图；
[0097]
informer预测原理：根据测量的振动信号计算特征参数的时间序列，在当前时刻t0，通过特征参数的时间序列建立informer模型，然后利用该模型预测未来的特征序列x
pre
。假设a1是滚动轴承最后的故障阈值。直到某一时刻预测的特征序列的值a＞故障阈值a1时，故障才会发生。因此得到滚动轴承的寿命剩余时间t
pre
＝t
1-t0。
[0098]
本发明轴承试验设备采用水平转子结构。驱动电机为行星齿轮箱提供动力，电机速度由速度控制器控制，可调节范围0-3000r/min。滚动轴承的振动有外壳上的加速度传感
器测量，通过固定在夹具上的两个涡流传感器测量轴中心的表面和轨迹。滚动轴承的振动信号通过16通道的数据转换装置和一台笔记本电脑安装的vqpro软件组成的测试数据采集系统进行时域监测.
[0099]
温度从室温(约25℃)至120℃,然后开始振动信号测量。设置采样频率fs＝12800hz，采样周期d
t
＝5min，采样时间d
l
＝15s。480min测试后，测量96条振动数据并连接在一起，然后获得总共1440s的振动数据。
[0100]
选择能够描述滚动轴承状态特征变化趋势的rms作为特征参数，并利用每3秒的振动数据计算rms值。根据采样时间刻度，将每个采样时间d
l
中的5个rms值视为每个采样周期d
t
中的值。由此得到整个测试的总rms系列，最大rms为0.246，约为0.25，因此设置故障阈值a1＝0.25。
[0101]
随着测试的进行，rms逐渐增加。当t＝40min时，rms几乎增加到0.2，基于informer的轴承剩余寿命预测开始。根据20分钟rms系列(t＝20-40分钟)建立informer模型。通过informer模型识别，分别确定(wq、wk、wv)参数。
[0102]
图6是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的方法的具体流程图；
[0103]
基于informer模型的滚动轴承剩余寿命预测步骤：
[0104]
1)直接从滚动轴承振动信号中提取滚动轴承的状态特征；
[0105]
2)使用1
×
1的卷积核将多通道数据(加速度、转角、压力)降维为单通道数据，嵌入特征层(embeding layer)x
t
，提取特征后得到特征参数序列，不仅减少informer中注意力交互的计算量，更是保留了数据序列信息，且使模型能够通过注意力运算识别原始高维故障信息中的重要特征，进而实现算法的可解释性；
[0106]
3)嵌入特征层x
t
拼接上位置编码的输入数据x
en
输入到informer的编码器—解码器架构进行模型训练，确定模型(wq、wk、wv)参数。
[0107]
4)基于建立的informer模型，对滚动轴承的轴承剩余寿命预测，得到预测的未来特征参数x
pre
；
[0108]
5)如果预测的特征参数x
pre
大于故障阈值a1，则完成轴承剩余寿命预测，并获得剩余寿命时间t
pre
；如果没有则返回步骤4。
[0109]
系统实施例
[0110]
根据本发明实施例，提供了一种基于informer模型的滚动轴承剩余寿命预测系统，图7是本发明实施例的基于informer模型的滚动轴承剩余寿命预测的系统的示意图，如图7所示，具体包括：
[0111]
获取模块：用于获取轴承的原始振动信号得到多维数据集；
[0112]
预测模块：用于将多维数据集输入informer模型中得到预测结果；
[0113]
计算模块：用于将预测结果与预设阈值做比较，若预测结果大于预设阈值，计算滚动轴承剩余寿命，若预测结果大于预设阈值，则返回获取模块、预测模块和计算模块依次执行。
[0114]
获取模块具体用于：获取轴承的原始振动信号得到多维数据集，其中，多维数据集包括：加速度、转角和压力。
[0115]
预测模块具体用于：通过振动信号计算特征参数的时间序列，根据特征参数的时
间序列建立informer模型，将多维数据集输入informer模型中得到预测结果。
[0116]
计算模块具体用于：
[0117]
s81、将多维数据集降维得到降维数据集，将降维数据集嵌入位置编码得到嵌入序列；
[0118]
s82、将嵌入序列输入informer模型中的编码器，计算q、k和v,将q和k带入解码器第二层的注意力机制中，将嵌入序列输入到informer模型中的解码器第一层掩码注意力机制，计算q，k，v值，将v值带入第二层注意力机制计算得到解码器结果；
[0119]
s83、将解码器结果带入全连接层计算得到预测结果。
[0120]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0121]
装置实施例一
[0122]
本发明实施例提供一种基于informer模型的滚动轴承剩余寿命预测装置，如图8所示，包括：存储器80、处理器82及存储在存储器80上并可在处理器82上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0123]
装置实施例二
[0124]
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传输的实现程序，程序被处理器82执行时实现上述方法实施例中的步骤。
[0125]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。