基于长期演化学习的旋转机械剩余使用寿命预测方法

本发明涉及旋转机械寿命预测，更具体的说是涉及一种基于长期演化学习的旋转机械剩余使用寿命预测方法。

背景技术：

1、旋转部件作为机械系统的关键组成，其灵活性和高效性不仅使机械系统运作得以顺畅，同时也为复杂任务的实现提供了坚实的基础。对机械旋转部件进行剩余使用寿命预测，从而实施精准的预防性维护，对于保障设备长期运行中的高效性和安全性具有重要意义。在“机械大数据”的时代背景下，以数据驱动为基础的智能寿命预测方法因其出色的预测能力而被广泛应用。

2、由于机械从运行到故障的数据采集周期长且故障模式和数据分布多样，传统的智能预测方法难以适应训练数据的动态变化，因此，演化学习技术应运而生。演化学习方法将预测网络的学习分为多个阶段，并采用特殊的策略使网络能够在保留已有知识的基础上学习新知识，这拓展了预测网络学习能力的上界，能较好地适应不断变化的环境和任务需求。然而，现有的演化学习技术仍存在一定的局限性：1)演化学习是一个长期且多阶段的过程，大多数研究只关注两个相邻学习阶段的知识传递，并没有建立有效的记忆保持机制，来防止关键记忆在长期演化过程中的丧失。2)演化学习进入新阶段时，需要使用少量旧样本用于巩固旧知识，而旧样本中仍存在不相关样本，如何从旧样本中选择具有代表性的样本并没有被充分考虑。

3、为此，本发明提出了一种基于长期演化学习的旋转机械剩余使用寿命预测方法，通过引入长期增强机制。本发明为旋转机械的寿命预测提供了更为可靠和高效的解决方案。

4、因此，如何保留旧样本中的关键记忆，并以合理且高效的方式来巩固旧知识，以提高旋转机械的寿命预测的可靠性和高效性是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于长期演化学习的旋转机械剩余使用寿命预测方法，预测模型能够长期保留习得的旧知识并对新知识进行灵活的学习，从而对旋转机械实现可靠高效的剩余使用寿命预测。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于长期演化学习的旋转机械剩余使用寿命预测方法，包括以下步骤：

4、利用自适应权重连接构建基于循环卷积神经网络的预测模型，其中权重连接代表预测模型中可训练的参数；

5、进入初始学习阶段，获取当前阶段的振动信号数据集，对预测模型进行训练；

6、当前阶段训练完成后，通过测量权重连接的学习贡献衡量其稳定性；

7、根据样本的信息性和多样性选取当前阶段的代表性样本，保存至知识缓存区；

8、进入演化学习阶段，获取当前阶段的振动信号数据集与知识缓存区中的代表性样本组合后，对上一阶段训练好的预测模型进行训练，在当前阶段训练中，自适应权重连接的更新率随上一阶段权重连接的稳定性变化；

9、当前阶段训练完成后，通过测量权重连接的学习贡献衡量其稳定性；

10、根据样本的信息性、多样性和新颖性从当前阶段的振动信号数据集中选取当前阶段的代表性样本，保存至知识缓存区；

11、对预测模型进行多次演化学习，直至满足训练目标。

12、进一步的，基于循环卷积神经网络的预测模型表示为f0(x0|θ0)，其中，x0表示初始学习阶段预测模型的输入样本，θ0为初始学习阶段预测模型中可训练的参数，称为权重连接；

13、所述循环卷积预测模型包括循环卷积层、池化层和全连接层；

14、其中，所述循环卷积层在输出和输入之间添加了一个循环连接，形成了信息传递回路，使循环卷积层将输出反馈到输入上；

15、所述池化层采用池化函数执行降采样操作，得到特征向量；

16、所述全连接层根据所述特征向量输出旋转机械的剩余使用寿命预测值。

17、进一步的，在初始学习阶段，权重连接的学习贡献计算公式如下：

18、

19、其中，表示第0阶段权重连接的学习贡献，n0为第0阶段的训练样本数，d0为第0阶段的振动信号数据集，x0为第0阶段预测模型的输入样本，θ0*为初始学习阶段训练好的预测模型的连接权重，f0*(x0，θ0*)为初始学习阶段训练好的预测模型，y0为第0阶段旋转机械当前状态剩余使用寿命标签；l(·)为平方误差损失函数，为第0阶段中第j个可训练的权重连接；

20、权重连接的稳定性计算公式如下：

21、

22、其中，为第0阶段第j个权重连接的稳定性，z为权重连接的数量。

23、进一步的，在初始学习阶段，样本的信息性的计算公式为：

24、

25、其中，为样本的信息性，表示样本中包含退化信息的程度，从高信息性样本中获得的网络梯度更加接近于整个数据集产生的平均梯度；d0为第0阶段的振动信号数据集，为第0阶段振动信号数据集中的第i个样本；||·||为欧几里得范数；和分别表示单个样本生成的梯度向量和整个数据集生成的平均梯度向量；

26、样本的多样性的计算公式为：

27、

28、其中，为样本的多样性，表示样本在机械整个使用周期的分散程度，位于机械不同寿命时刻的样本会使优化后的网络产生不同梯度；为第0阶段机械不同寿命时刻的样本，n0为第0阶段参与训练的样本数量。

29、进一步的，在初始学习阶段，根据样本的信息性和多样性两个指标对样本的代表性进行量化，表示为：

30、

31、其中，为依据样本的代表性程度得分的顺序选取代表性样本，λ为代表性样本数与训练数据集大小之比；

32、将最终选取的代表性样本保存在知识缓存区，记作其中，表示第0阶段选取的第i个代表性样本，表示第0阶段第i个代表性样本对应的机械真实剩余使用寿命的标签，n'0表示选取的代表性样本的数量。

33、进一步的，在演化学习阶段，权重连接的更新公式为：

34、

35、其中，θj为第1演化学习阶段中第j个可训练的权重连接，d1为第1演化学习阶段的振动信号数据集，ε0为第0阶段选取的代表性样本，n1表示参与训练的样本数，即当前阶段振动数据集样本与上一阶段代表性样本数量之和；x1为第1演化学习阶段预测模型的输入样本，y1为第1演化学习阶段旋转机械当前状态剩余使用寿命标签；f(x1，θ1)为第1演化学习阶段训练前，所沿用的上一阶段训练好的预测模型；

36、为第1演化学习阶段第j个权重连接的更新率，其计算公式为：

37、

38、其中，α为初始学习率，ξ为大于1的值，为第0阶段权重连接的稳定性。

39、进一步的，在演化学习阶段，权重连接的学习贡献计算公式如下：

40、

41、其中，n1为参与第1演化学习阶段参与训练的样本数量，f(x1，θ1*)为第1演化学习阶段训练好的预测模型，y1为第1演化学习阶段训练数据的当前状态剩余使用寿命标签，θj为第1演化学习阶段中第j个可训练的权重连接，θ1*为第一演化学习阶段训练好的预测模型的连接权重；

42、权重连接的稳定性计算公式如下：

43、

44、其中，为初始学习阶段权重连接的稳定性，u()表示函数符号；f为抑制率且f∈[0,1]用于抑制权重连接的更新；为第一演化学习阶段中第i个权重连接的学习贡献，z为权重连接的数量。

45、进一步的，在演化学习阶段，样本的信息性和多样性计算方式与初始学习阶段相同，样本的新颖性的计算公式为：

46、

47、其中，和分别表示第1演化学习阶段，单个样本生成的梯度向量和代表性样本生成的平均梯度向量；θ1*为第1演化学习阶段训练好的预测模型的连接权重。

48、进一步的，在演化学习阶段，知识缓冲区中代表性样本的更新公式为：

49、

50、其中，ε0为初始阶段知识缓冲区样本，τ为权重因子，为信息性，为多样性，为新颖性。

51、进一步的，采用知识缓存区中所累积的先前所有学习阶段所选取的代表性样本参与到后续阶段预测模型的训练中，使预测模型逐渐积累先前阶段所学知识。

52、经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：

53、本发明旨在解决演化学习框架下，长期学习过程中关键记忆的遗忘问题，同时为新阶段学习过程提供了一种巩固旧知识的有效思路，通过预测模型对旋转机械退化性能的长期学习，实现旋转机械剩余使用寿命的高精度预测。同时，本发明从长远的角度规划了关键记忆在各阶段之间的传播，使记忆的传播不再局限于相邻的两个演化阶段，通过引入长期增强机制，在演化学习过程中，赋予权重连接一定的自适应特性，通过测量权重连接的学习贡献，以此来衡量其重要程度，根据记忆的重要程度不断调节权重连接的可塑性，重要的权重连接则更稳定，并拥有更低的更新率，从而突出重要的样本记忆，从而使关键记忆保持长期稳定，缓解了模型的“健忘”问题，

54、同时，当模型进入新的演化阶段时，本发明并不是简单地随机选取几个旧样本用于后续的训练，而是引入了关联重放技术，以合理且高效的方式来选择代表性样本，将代表性样本保存在知识缓冲区，并在新演化学习阶段将新样本与代表性样本进行关联结合，共同用于预测模型的训练，使模型实现“温故而知新”，实现在每个学习阶段巩固典型的退化知识，使网络可以捕获嵌入在前一阶段和当前学习阶段的完整退化知识，从而提高对新知识的学习效率并获得更好的泛化。

55、本发明方法模拟了人类大脑的记忆和学习模式，面对数据集的动态变化能够进行可靠且高效的剩余使用寿命预测，这对于演化学习在实际工程中的发展具有重要意义。