一种基于物理引导神经网络的轴承剩余使用寿命预测方法

本发明属于工程机械故障预测与健康管理，具体涉及一种基于物理引导神经网络的轴承剩余使用寿命预测方法。

背景技术：

1、滚动轴承作为大型机械设备中的关键旋转部件，在复杂恶劣的工况下工作，会导致性能下降甚至失效。为了减轻滚动轴承退化和失效的有害影响(如设备停机或突发安全事故)，对滚动轴承进行剩余使用寿命预测具有重要的意义。目前，常用的滚动轴承剩余使用寿命预测方法有基于物理的方法、数据驱动的方法和混合方法。基于物理的方法主要依据退化机理构建能够描述轴承退化过程的参数化数学模型。但基于物理的方法未能结合实时监测数据，也难以准确反映轴承的实际运行状态。随着先进传感器技术与多源数据融合技术的快速发展，数据驱动的方法成为主流方法。数据驱动的方法主要以神经网络作为模型架构，尤其是以深度学习为代表的新一代机器学习方法(如卷积神经网络(cnn)、深度置信网络(dbn)和卷积神经网络(rnn)等)，在大数据深层次特征提取、复杂结构数据拟合、非线性映射等方面具有强大的处理能力。

2、混合方法集成了基于物理与数据驱动方法的优势。但由于现有的数据驱动方法多采用神经网络作为模型架构，神经网络本身具有模型泛化能力弱与结果不确定性等不足。这种不确定性可能会引入到基于物理的模型中，可能导致预测结果更糟糕。因此，在当今大数据背景下，选择更具潜力的深度学习方法似乎是明智的。

3、轴承的振动信号通常表示振幅变化的加速度随时间的变化情况，其本质上是一种时间序列。当具体到剩余使用寿命预测时，rnn在时间序列的处理上有着很大的优势，但在长时间的训练过程种rnn易出现梯度消失和梯度爆炸等问题。长短期记忆网络(lstm)在时间序列问题上表现出较好的性能，因为它能较好的获得序列的长期依赖关系。然而，lstm是一种单向递归结构，只能在一个方向上获得序列的链接。双向长短期记忆网络(bi-lstm)通过在lstm的正向结构上添加一个反向结构。在两个方向上将隐藏层拼接和叠加在一起，并充分考虑序列的前后相关性，使得网络结构能够更深刻地识别两个方向的趋势。

4、目前对于滚动轴承剩余使用寿命预测的研究，主要存在以下问题。

5、(1)原始特征信号序列繁杂和冗余。从理论上讲，退化特征数量越多，退化趋势预测越精准。然而，采用过多的特征指标不仅会降低计算效率而且容易带来冗余信息。为了更充分的利用振动信号中的退化信息，关键要从原始特征信号序列中选择对退化过程具有较好表征能力的特征。

6、(2)神经网络模型泛化能力弱。以深度神经网络作为轴承剩余使用寿命预测模型，在训练数据域中进行预测时能得出精准的剩余使用寿命预测结果。然而，当面对新的数据域时，模型的性能可能会下降。在大多数情况下，深度神经网络的预测结果可能不可靠。

技术实现思路

1、为解决上述问题，本发明公开了一种基于物理引导神经网络的轴承剩余使用寿命预测方法，该方法基于轴承振动信号，从时域、频域和时频域3个方面提取特征并构建原始特征信号序列；综合考虑相关性和单调性指标，构建一种综合评价指标对原始特征信号序列进行筛选，建立敏感特征集；基于轴承缺陷增长模型建立物理非一致性损失函数，将物理知识引入损失函数的构建过程中，用于bi-lstm神经网络模型的训练以增强模型的适用性；将敏感特征集作为训练后的bi-lstm神经网络模型的输入，进而得到更加精准的轴承剩余使用寿命预测结果。

2、本发明采取以下技术方案实现的：一种基于物理引导神经网络的轴承剩余使用寿命预测方法，包括如下步骤:

3、步骤1，获取轴承振动信号；

4、步骤2，特征提取，从时域、频域、时频域3个方面对获取的轴承振动信号进行特征提取；

5、步骤3，对步骤2提取的时域、频域和时频域特征进行筛选，构建能够表征轴承退化过程的敏感特征集；

6、步骤4，基于bi-lstm神经网络搭建剩余使用寿命预测模型；

7、步骤5，构建物理引导的非一致性损失函数，用于bi-lstm神经网络模型的训练过程；

8、步骤6，将步骤3构建的敏感特征集输入训练好的b-lstm神经网络中，对轴承剩余使用寿命进行预测。

9、进一步的，所述步骤2的特征提取，实现过程如下：

10、步骤2.1，对轴承振动信号进行统计分析，提取15个时域特征，包括最大值、最小值、平均值、峰峰值、绝对平均值、均方根值、均方根幅值、方差、标准差、峭度、偏斜度、裕度因子、波形因子、脉冲因子和峰值因子；

11、步骤2.2，采用傅里叶变换将轴承振动信号转换到频域，提取4个频域特征，包括：均值频率、中心频率、均方根频率和标准差频率。

12、步骤2.3，采用小波包分析方法提取轴承振动信号的8个能量特征；

13、步骤2.4，采用变分模态分解法提取轴承振动信号的10个能量特征；

14、步骤2.5，基于时域、频域和时频域特征提取结果，构建原始特征信号序列f＝[f1,f2,…,ft,…ft]，其中，ft表示在时间t处所对应的特征值，t表示轴承全生命周期内时间的总长度。

15、进一步的，步骤3中，对步骤2提取的时域、频域和时频域特征进行筛选，构建能够表征轴承退化过程的敏感特征集，具体包括以下步骤：

16、步骤3.1，考虑到随着时间的推移，轴承退化趋势逐渐增加，特征信号序列与时间t＝[t1,t2,…tt]应具有相关性，基于皮尔逊相关系数引入相关性指标r(f,t)，计算公式如下：

17、

18、步骤3.2，考虑到随着轴承退化过程的累积，对退化过程敏感的特征在时间轴上会保持一定的单调递增或递减的趋势，引入单调性指标mon(f)，计算公式如下：

19、

20、步骤3.3，使用相关性指标和单调性指标的线性组合作为综合评价指标cei，计算公式如下：

21、

22、步骤3.4，基于综合评价指标，对步骤2.5中的原始特征信号序列进行筛选，构建敏感特征集sf＝[sf1,sf2,…,sfn,…sfn]。其中，sfn表示第n个敏感特征，n为敏感特征的总数量。

23、进一步的，所述步骤5构建物理引导的非一致性损失函数。考虑到，当轴承表面缺陷面积d增加时，轴承剩余使用寿命指数l会降低，即轴承剩余使用寿命指数与轴承缺陷面积成反比。即可以表示为：

24、

25、其中，j＝i+1；di表示第i个数据点对应的轴承缺陷面积；li表示第i个数据点所对应的轴承剩余使用寿命值。

26、随着时间的推移，轴承的缺陷面积逐渐扩展，轴承缺陷增长模型可以表示为：

27、

28、其中，v是缺陷面积增长速率，c和h是和材料有关的常数，根据轴承型号ldkuer204，确定轴承材料为gcr15，c和h取值为：c＝7.45×10-14.04，h＝3.77。

29、在3000-5000hz频带区是轴承缺陷引起的大部分振动能量集中的地方，不存在其他机械系统产生的振动。采用该频带内径向加速度信号的均方根值估算轴承缺陷面积，计算公式如下：

30、d＝3.28+4.56r(mm2) (6)

31、其中，r是轴承振动信号在3000-5000hz频带区的均方根值。

32、基于式(4)和式(6)，构建轴承缺陷面积与网络输出层剩余使用寿命预测值之间的物理非一致性损失函数，计算公式如下：

33、

34、其中，nd表示训练样本的数量；在神经网络模型训练过程中，当神经网络输入输出之间的关系与违背式(4)的定义时，relu(·)函数输出为正值，且违背程度越大，relu(·)函数输出值越高，惩罚力度越大；当网络输入输出之间的关系与式(4)相符时，relu(·)函数输出为0，不会被惩罚。基于上述方式约束神经网络模型的训练过程，使其能够产生符合物理知识的预测结果。

35、与现有技术相比，本发明具有如下有益效果：

36、1.针对原始特征信号序列繁杂和冗余的问题。本发明综合考虑单调性和相关性，提出了一种综合评价指标，用于对提取的原始特征信号序列进行筛选，以构建能够对轴承性能退化过程具有较好表征能力的敏感特征集。

37、2.针对神经网络模型泛化能力弱的问题。本发明构建了一种物理非一致性损失函数，将物理知识引入神经网络模型的损失函数构建过程中，可以约束神经网络模型的训练过程，使其能够产生符合物理知识的预测结果，从而提高神经网络模型的预测能力和鲁棒性，增强模型的泛化能力。