基于多模块U-BiLSTM网络的轴承寿命预测方法

基于多模块u-bilstm网络的轴承寿命预测方法
技术领域
1.本发明属于旋转机械寿命预测领域，具体涉及基于多模块u-bilstm网络的轴承寿命预测方法。


背景技术：

2.轴承承载能力大，在汽车、船舶、航空等众多领域中应用广泛。但一般轴承工作环境比较恶劣，容易发生故障，轻则影响设备使用寿命，重则引发重大财产损失和人员伤亡，所以对轴承进行高精度寿命预测具有重要意义。近年来，在寿命预测领域，许多专家学者对基于卷积神经网络和循环神经网络的数据驱动方法开展了研究。该类研究基于信号时序特征进行可靠性分析。
3.常用的寿命预测领域数据驱动方法有将时间窗口法和一维卷积神经网络结合的寿命预测方法(li x,ding q,sun j q.remaining useful life estimation in prognostics using deep convolution neural networks[j].reliability engineering&system safety,2018,172:1-11.)和生成对抗网络和长短时记忆神经网络相结合的寿命预测方法(lu h,barzegar v,nemani v p,et al.gan-lstm predictor for failure prognostics of rolling element bearings[c]//2021ieee international conference on prognostics and health management(icphm).ieee,2021:1-8.)，以上寿命预测方法均以传统神经网络为主，较难提取长时间序列的深层特征，对长时间序列的历史信息利用率低。现有的将一维信号转化为二维图像，并利用u-net神经网络提取深层特征的寿命预测新方法(eid a,clerc g,mansouri b.a novel deep soft clustering for unsupervised univariate times series[c]//2021ieee international conference on prognostics and health management(icphm).ieee,2021:1-8.)优化了长时间序列特征提取过程，但并未考虑u-net神经网络对输入图像尺寸有严格限制，处理长时间序列耗时长和长短时记忆神经网络对实时信息敏感度高，对长时间序列的历史信息利用率低的问题，最终导致轴承寿命预测精度下降。


技术实现要素：

[0004]
本发明的目的是针对现有技术的不足，提供。将多模块u网络和双向长短时记忆神经网络相结合，实现对轴承寿命预测过程中深层特征的提取和利用，整体上具有更好的综合预测性能。
[0005]
本发明的目的至少通过如下技术方案之一实现。
[0006]
基于多模块u-bilstm网络的轴承寿命预测方法，包括以下步骤：
[0007]
s1、分别采集同工况下滚动轴承全寿命周期的振动加速度信号训练数据xs(t)和待预测数据x
t
(t)；
[0008]
s2、对步骤s1中采集得到的训练数据和待预测数据标准化处理后，使用时间窗嵌入策略对训练数据和待预测数据进行数据预处理，获得训练集和待预测集；
[0009]
s3、构建多模块u-bilstm神经网络寿命预测模型，其中，多模块u网络用于特征提取，bilstm网络用于回归预测；
[0010]
s4、将滚动轴承实际剩余使用寿命(rul)占全寿命周期的百分比作为对应标签，将训练集作为输入数据输入到多模块u-bilstm神经网络寿命预测模型进行迭代训练，直至损失函数达到预设值，得到训练后的多模块u-bilstm神经网络寿命预测模型；
[0011]
s5、将待预测集输入到完成训练后的多模块u-bilstm神经网络寿命预测模型中，输出轴承剩余使用寿命的预测结果。
[0012]
进一步地，步骤s1具体包括以下步骤：
[0013]
s1.1、根据右手定则建立三维空间坐标系：x轴平行于轴承所在轴的轴向，正方向指向电机侧；z轴垂直于地面，正方向竖直向上；y轴正向由右手定则确定；
[0014]
s1.2、安装传感器：将两个单向加速度传感器分别通过磁座固定于被测滚动轴承的水平和竖直方向上，用于测量被测滚动轴承的振动加速度数据；将传感器、数据采集系统和计算机正确连接；
[0015]
s1.3、设置数据采集参数：设置采样总时长为t，采样频率设为fs，则对应的采样时间间隔
△
t＝1/fs，采样点数n＝fs·
t，记采集的时域振动加速度信号为x(t)；
[0016]
s1.4、将采集得到的滚动轴承时域振动加速度信号x(t)按时间区分，前一部分时间中的时域振动加速度信号为x(t)作为训练数据xs(t)，后一部分时间中的时域振动加速度信号为x(t)作为待预测数据x
t
(t)。
[0017]
进一步地，步骤s2中，为尽量减小同工况下不同轴承全寿命周期的差异对所提模型预测精度的影响，对采集得到的训练数据xs(t)和待预测数据x
t
(t)分别做标准化处理，标准化公式为：
[0018][0019]
其中，x
t
为采集得到的原始数据，包括训练数据xs(t)和待预测数据x
t
(t)；μ为原始数据的均值，σ为原始数据的标准差，x
tnorm
表示标准化后的原始数据。
[0020]
进一步地，步骤s2中，标准化后，利用时间窗嵌入策略对得到的标准化后的训练数据和待预测数据进行数据预处理，获得训练集xs和待预测集x
t
，时间窗嵌入策略得到的训练集和待预测集分别由一定时间窗大小的振动信号及其前s-1个步长的信号组成，表示为：
[0021][0022]
其中，为标准化后t时刻的数据，为标准化后t-s+1时刻的数据，x
tinput
为t时刻的样本，s为时间窗滑动时的总步长。
[0023]
进一步地，步骤s3中，所述多模块u-bilstm寿命预测神经网络模型包括顺次连接的编码器、解码器和回归器；
[0024]
编码器包括顺次连接的第一模块和第二模块，第一模块为二维卷积神经网络，提取振动信号数据的浅层特征；第二模块包括顺次连接的残差块和二维深度卷积可分神经网络；
[0025]
解码器包括第三模块，第三模块包括顺次连接的逆卷积层、池化层和批归一化层；
[0026]
回归器包括顺次连接的双向长短时记忆神经网络和全连接层；
[0027]
其中，编码器和解码器按照顺序线性连接并统称为多模块u网络，回归器称为bilstm网络；
[0028]
输入数据经多模块u网络特征提取后得到输出数据，再将得到的输出数据输入至bilstm网络，实现预测；输出数据输入bilstm网络后，首先经双向长短时记忆神经网络得到当前时刻的输出c
t
，公式为：
[0029]ft
＝σg(wf(x
t
,c
t-1
)+bf)；
[0030]it
＝σg(wi(x
t
,c
t-1
)+bi)；
[0031]ot
＝tanh(wo(x
t
,c
t-1
)+bo)；
[0032]ct
＝f
t
*c
t-1
+i
t
*o
t
；
[0033]
其中，f
t
为遗忘门输出，i
t
为输入门输出，o
t
为输出门输出，c
t
为当前时刻t的输出；σg为sigmoid激活函数；tanh(
·
)为tanh激活函数；wf、wi、wo分别为遗忘门权重矩阵、输入门权重矩阵和输出门权重矩阵；bf、bi、bo分别为遗忘门偏置权重、输入门偏置权重和输出门偏置权重；双向长短时记忆神经网络包括多个顺次连接的神经元，每个神经元对应一个时刻，c
t
表示当前第t个神经元的输出即当前时刻t的输出，c
t-1
表示第t-1个神经元的输出即上一个时刻t-1的输出，c
t-2
表示第t-2个神经元的输出即上上个时刻t-2的输出；
[0034]
将经双向长短时记忆神经网络得到当前时刻t的输出c
t
输入全连接层实现预测，公式为：
[0035]
z＝w*c
t
+b；
[0036]
其中，z为全连接层的输出数据，c
t
为全连接层的输入数据，w和b分别为全连接层的权重矩阵和偏置矩阵。
[0037]
进一步地，步骤s4包括以下步骤：
[0038]
s4.1、将滚动轴承实际剩余使用寿命(rul)占全寿命周期的百分比作为对应标签；
[0039]
s4.2、将均方误差函数设置为多模块u-bilstm神经网络寿命预测模型的损失函数；
[0040]
s4.3、利用adam优化器对多模块u-bilstm神经网络寿命预测模型进行优化。
[0041]
进一步地，步骤s4.1中，转化公式为：
[0042][0043]
其中，t
sta
为轴承开始运行时刻，fpt为轴承从健康状态到退化状态的时刻，t
end
为轴承完全失效时刻，t为当前运行时刻，rul
true
为归一化后的标签值。
[0044]
进一步地，步骤s4.1中，损失函数的公式为：
[0045][0046]
其中，l为损失函数，yi为第i个待预测数据中待预测轴承剩余使用寿命的预测值，为第i个待预测数据中待预测轴承剩余使用寿命的实测值，m为数据量的个数。
[0047]
进一步地，步骤s4.3中，通过对梯度的一阶矩估计(梯度的均值)和二阶矩估计(梯度的未中心化的方差)进行综合考虑，计算出更新步长；公式为：
[0048]mt
＝β1m
t-1
+(1-β1)g
t
；
[0049]vt
＝β1v
t-1
+(1-β1)g
t2
；
[0050][0051][0052][0053]
其中，m
t
为当前时间步长的一阶矩估计，v
t
为当前时间步长的二阶矩估计，m
t-1
为上一时刻时间步长的一阶矩估计，v
t
为上一时刻时间步长的二阶矩估计，g
t
为梯度，为当前时间步长的一阶矩估计的修正值，为当前时间步长的二阶矩估计的修正值，为学习率，β1、β2、ε为常数，θ
t
为当前时间步长的动态约束值，θ
t+1
为下一时间步长的动态约束值。
[0054]
本发明与现有技术相比，具有如下的优点及效果：
[0055]
(1)对比常用的寿命预测领域数据驱动方法，本发明提出的模块u-net神经网络和双向长短时记忆神经网络相结合的轴承寿命预测方法不仅可以提取长时间序列的深层特征，还可以进一步提高长时间序列历史信息利用率。
[0056]
(2)对比现有的将一维信号转化为二维图像，并利用u-net神经网络提取深层特征的寿命预测新方法，本发明将残差块引入u-net神经网络的编码器，实现多尺度特征融合，提高了u-net神经网络处理长时间序列的能力，降低了对于图像尺寸的要求；将池化层和归一化层引入u-net神经网络解码器，提升了模型预测速度；将多模块u神经网络与双向长短时记忆神经网络相结合，提高了长时间序列历史信息利用率，使本发明整体上具有更好的综合预测性能。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。附图构成本技术的一部分，但仅是作为体现发明概念的非限制性示例，并非用于做出任何限制。
[0058]
图1是本发明方法实施例中预测轴承剩余使用寿命的寿命预测方法流程图。
[0059]
图2是本发明方法对轴承1_5剩余使用寿命预测结果图。
[0060]
图3是u-net网络对轴承1_5剩余使用寿命预测结果图。
[0061]
图4是本发明方法对轴承2_4剩余使用寿命预测结果图。
[0062]
图5是u-net网络对轴承2_4剩余使用寿命预测结果图。
[0063]
图6是本发明方法对轴承3_3剩余使用寿命预测结果图。
[0064]
图7是u-net网络对轴承3_3剩余使用寿命预测结果图。
具体实施方式
[0065]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
[0066]
实施例1：工况一实验下，轴承剩余使用寿命的寿命预测(对比方法)
[0067]
为验证本发明所设计的有效性，采用来自xjty-sy轴承加速寿命实验数据集对本发明进行验证。试验轴承为ldk uer204轴承，其相关参数见表1。试验共设计了3类工况，每类工况下有5个轴承。
[0068]
表1 ldk uer204轴承参数表
[0069][0070]
为了检验本发明方法的综合预测性能，在转速为2100r/min，径向力为12kn的工况下对轴承进行剩余使用寿命预测。
[0071]
本实施例中，包括以下步骤：
[0072]
s1、分别采集同工况下轴承全寿命周期的振动加速度信号训练数据xs(t)和待预测数据x
t
(t)，具体包括以下步骤：
[0073]
s1.1、根据右手定则建立三维空间坐标系：x轴平行于轴承所在轴的轴向，正方向指向电机侧；z轴垂直于地面，正方向竖直向上；y轴正向由右手定则确定；
[0074]
s1.2、安装传感器：将两个单向加速度传感器分别通过磁座固定于被测轴承的水平和竖直方向上，用于测量被测轴承的振动加速度数据；将传感器、数据采集系统和计算机正确连接；
[0075]
s1.3、设置数据采集参数：设置采样总时长为t，采样频率设为fs＝25.6khz，则对应的采样时间间隔
△
t＝1min，采样点数n＝32768，记采集的时域振动加速度信号为x(t)；
[0076]
s1.4、将采集得到的滚动轴承时域振动加速度信号x(t)按时间区分，前一部分时间中的时域振动加速度信号为x(t)作为训练数据xs(t)，后一部分时间中的时域振动加速度信号为x(t)作为待预测数据x
t
(t)。
[0077]
具体数据划分见表2。
[0078]
表2数据划分表
[0079]
数据训练数据测试数据工况1轴承1_1轴承1_2轴承1_3轴承1_4轴承1_5
[0080]
s2、对步骤s1中采集得到的训练数据和待预测数据标准化处理后，使用时间窗嵌入策略对训练数据和待预测数据进行数据预处理，获得训练集和待预测集；
[0081]
为尽量减小同工况下不同轴承全寿命周期的差异对所提模型预测精度的影响，对采集得到的训练数据xs(t)和待预测数据x
t
(t)分别做标准化处理，标准化公式为：
[0082][0083]
其中，x
t
为采集得到的原始数据，包括训练数据xs(t)和待预测数据x
t
(t)；μ为原始数据的均值，σ为原始数据的标准差，x
tnorm
表示标准化后的原始数据；
[0084]
标准化后，利用时间窗嵌入策略对得到的标准化后的训练数据和待预测数据进行数据预处理，获得训练集xs和待预测集x
t
，时间窗嵌入策略得到的训练集和待预测集分别由一定时间窗大小的振动信号及其前s-1个步长的信号组成，表示为：
[0085]
x
tinput
＝(x
t-s+1
,...,x
t-1
,x
t
)；
[0086]
其中，为标准化后t时刻的数据，为标准化后t-s+1时刻的数据，x
tinput
为t时刻的样本，s为时间窗滑动时的总步长。
[0087]
4、根据权利要求1所述的，其特征在于，步骤s3中，所述多模块u-bilstm寿命预测神经网络模型包括顺次连接的编码器、解码器和回归器；
[0088]
编码器包括顺次连接的第一模块和第二模块，第一模块为二维卷积神经网络，提取振动信号数据的浅层特征；第二模块包括顺次连接的残差块和二维深度卷积可分神经网络；
[0089]
解码器包括第三模块，第三模块包括顺次连接的逆卷积层、池化层和批归一化层；
[0090]
回归器包括顺次连接的双向长短时记忆神经网络和全连接层；
[0091]
其中，编码器和解码器按照顺序线性连接并统称为多模块u网络，回归器称为bilstm网络；
[0092]
输入数据经多模块u网络特征提取后得到输出数据，再将得到的输出数据输入至bilstm网络，实现预测；输出数据输入bilstm网络后，首先经双向长短时记忆神经网络得到当前时刻的输出c
t
，公式为：
[0093]ft
＝σg(wf(x
t
,c
t-1
)+bf)
[0094]it
＝σg(wi(x
t
,c
t-1
)+bi)
[0095]ot
＝tanh(wo(x
t
,c
t-1
)+bo)
[0096]ct
＝f
t
*c
t-1
+i
t
*o
t
[0097]
其中，f
t
为遗忘门输出，i
t
为输入门输出，o
t
为输出门输出，c
t
为当前时刻t的输出；σg为sigmoid激活函数；tanh(
·
)为tanh激活函数；wf、wi、wo分别为遗忘门权重矩阵、输入门权重矩阵和输出门权重矩阵；bf、bi、bo分别为遗忘门偏置权重、输入门偏置权重和输出门偏置权重；双向长短时记忆神经网络包括多个顺次连接的神经元，每个神经元对应一个时刻，c
t
表示当前第t个神经元的输出即当前时刻t的输出，c
t-1
表示第t-1个神经元的输出即上一个时刻t-1的输出，c
t-2
表示第t-2个神经元的输出即上上个时刻t-2的输出；
[0098]
将经双向长短时记忆神经网络得到当前时刻t的输出c
t
输入全连接层实现预测，公式为：
[0099]
z＝w*c
t
+b；
[0100]
其中，z为全连接层的输出数据，c
t
为全连接层的输入数据，w和b分别为全连接层的权重矩阵和偏置矩阵。
[0101]
5、根据权利要求1所述的，其特征在于，步骤s4包括以下步骤：
squared-error,rmse)来衡量预测结果的准确程度；使用本方明方法与方法二完成预测所需时间来衡量预测的速度。本发明方法与对比方法的rmse值见表3。本发明方法与对比方法完成预测所需时间见表4。
[0117]
表3 rmse值对比
[0118][0119][0120]
表4完成预测所需时间对比
[0121]
轴承轴承1_5本发明方法16min36s方法二251min20s
[0122]
从表3和表4可以看出，本发明方法相较于对比方法rmse值更低，具有明显更低的整体预测误差，即更高的预测精度；本发明方法相较于对比方法完成预测所需时间更短，具有更快的预测速度。通过以上对比，可以明显看出本发明方法具有更好的综合预测性能。
[0123]
实施例2：工况二实验下，轴承剩余使用寿命的寿命预测(对比方法)
[0124]
工况二的转速为2250r/min，径向力为11kn，训练数据为轴承2_1、轴承2_2、轴承2_3和轴承2_5，测试数据为轴承2_4，其余试验设置和步骤流程均与实施例1相同。
[0125]
预测结果评价指标与实施例1相同。本发明方法与对比方法的rmse值见表5。本发明方法与对比方法完成预测所需时间见表6。
[0126]
表5 rmse值对比
[0127]
轴承轴承2_4本发明方法2.307方法二26.124
[0128]
表6完成预测所需时间对比
[0129]
轴承轴承2_4本发明方法10min38s方法二239min36s
[0130]
由图4-图5可以看出，本发明方法的剩余使用寿命预测结果曲线相较于对比方法更接近真实的剩余使用寿命曲线。从表5和表6可以看出，本发明方法相较于对比方法rmse值更低，具有明显更低的整体预测误差，即更高的预测精度；本发明方法相较于对比方法完成预测所需时间更短，具有更快的预测速度。通过以上对比，可以明显看出本发明方法具有更好的综合预测性能。
[0131]
实施例3：工况三实验下，轴承剩余使用寿命的寿命预测(对比方法)
[0132]
工况三的转速为2400r/min，径向力为10kn，训练数据为轴承3_1、轴承3_2、轴承3_4和轴承3_5，测试数据为轴承3_3，其余试验设置和步骤流程均与实施例1相同。
[0133]
预测结果评价指标与实施例1相同。本发明方法与对比方法的rmse值见表7。本发
明方法与对比方法完成预测所需时间见表8。
[0134]
表7 rmse值对比
[0135]
轴承轴承3_3本发明方法30.530方法二52.853
[0136]
表8完成预测所需时间对比
[0137]
轴承轴承3_3本发明方法12min20s方法二246min47s
[0138]
由图6-图7可以看出，本发明方法的剩余使用寿命预测结果曲线相较于对比方法更接近真实的剩余使用寿命曲线。从表7和表8可以看出，本发明方法相较于对比方法rmse值更低，具有明显更低的整体预测误差，即更高的预测精度；本发明方法相较于对比方法完成预测所需时间更短，具有更快的预测速度。通过以上对比，可以明显看出本发明方法具有更好的综合预测性能。
[0139]
综上，本发明所述的基于多模块u-bilstm网络的轴承寿命预测方法，具有如下的优点：
[0140]
(1)对比常用的寿命预测领域数据驱动方法，本发明提出的多模块u网络和双向长短时记忆神经网络相结合的轴承寿命预测方法不仅可以提取长时间序列的深层特征，还可以进一步提高长时间序列历史信息利用率。
[0141]
(2)对比现有的将一维信号转化为二维图像，并利用u-net神经网络提取深层特征的寿命预测新方法，本发明将残差块引入u-net神经网络的编码器，实现多尺度特征融合，提高了u-net神经网络处理长时间序列的能力，降低了对于图像尺寸的要求；将池化层和归一化层引入u-net神经网络解码器，提升了模型预测速度；将多模块u网络与双向长短时记忆神经网络相结合，提高了长时间序列历史信息利用率，使本发明整体上具有更好的综合预测性能。
[0142]
以上所述，仅为本发明较佳的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。