基于退化特征空间重构的多轴承健康寿命协同预测方法研究

来源:用户上传      作者:

　　摘 要：为顺应现代制造业发展要求，做到视情科学维修，延长设备健康寿命。针对传统方法预测准确率较低的问题，采用多个轴承全生命周期数据为实验数据集，并选取均方根、峰值因子、峭度、频谱分区求和四个特征作为预测模型的输入值。另外，采用卷积神经网络构建预测模型，训练模型时采用學习率衰减机制，提高训练效率。实验表明，该方法相较于其他传统方法具有较高的预测准确率，可以对轴承健康寿命进行有效预测。
　　关键词：多轴承;退化特征;空间重构;卷积神经网络
　　
　　1 绪论
　　轴承是机电装备的关键零部件之一，其健康状况很大程度上决定着整个设备是否能够安全持续运行[1]。目前，轴承寿命预测多采用数据驱动方法，其核心思想是分析轴承的当前运行状态，试图找出运行状态与剩余寿命之间的非线性关系[2]。王玺等采用粒子滤波的方法进行寿命预测研究[3];石婷婷等基于RF算法进行回归预测，丰富了模型的多样性，提高了泛化能力[4];本文提出了一种基于退化特征空间重构的多轴承健康寿命协同预测的方法，并通过对比实验证明该方法的有效性。
　　2 退化特征选择及空间重构
　　2.1 实验数据及平台
　　本文采用IEEE PHM 2012提供的轴承全生命周期的数据进行实验分析，数据集来源于PRONOSTIA实验平台[5]（如图1）。该平台从水平和垂直两个方向采集轴承从运行到报废整个过程中的数据。实验假定当加速度信号连续超过20g就认为轴承失效[5]。
　　2.2 特征选择
　　本文使用均方根，峰值因子、峭度和频谱分区求和[5]（Frequency Spectrum Partition Summation，FSPS）为退化特征，其特征参数计算如下：
　　上式中，sj是将振动信号经傅里叶变换而获得的频谱;k=1，2…n;K是经验参数，本文令K=6，故XFSPS（k）由6个元素组成的一维向量[5]。
　　采用最大-最归一化法分别对四个退化特征值进行处理，将其值转化到[0，1]区间，以此消除不同参数之间的数值差异，将水平和垂直两个方向特征进行归一化处理，最终在每个采样点得到一组18维退化特征。
　　2.3 退化特征空间重构
　　由嵌入理论可知[6]，单变量时间预测的方法不仅会造成预测误差的累积，而且忽略变量之间的相互影响，导致预测精度低。因此我们将退化特征进行空间重构，嵌入多维特征变量，采用多变量时间预测模型进行剩余寿命预测。
　　上式中，m代表嵌入的维数，N代表退化特征指标的数量[7];若yi表示轴承剩余寿命，则x1…xN就是和yi存在非线性函数关系的退化特征。
　　本文采用一种重叠取样的方式，根据原始振动信号的每组数据采集样本构造72维的输入特征向量，这72个特征向量是由4个18维（垂直和水平方向上的均方根、峰值因子、峭度、FSPS构成）退化指标拼接而来，如下图所示：
　　3 多轴承健康寿命协同预测模型
　　3.1 多轴承协同预测
　　多轴承健康寿命协同预测旨在根据轴承本身可用监测数据以及相同类型和工作条件的其他轴承的监测数据来预测剩余使用寿命[5]。本文从数据集中随机选取4个轴承的数据，分别用轴承1、轴承2、轴承3和轴承4表示，并为测试数据集，其余轴承数据为训练集，采用5折交叉验证进行模型训练[6]。
　　3.2 卷积神经网络预测模型训练
　　卷积神经网络模型的训练过程分为两个部分。第一部分是输入特征矩阵从低层网络到高层网络的前向传播阶段，即输入层→卷积层→池化层→全连接层→输出层，并获取输出预测值。第二部分是根据输出预测值与真实值之间的损失函数，将误差沿着高层网络向着低层网络进行反向传播训练，并不断的更新权重矩阵和偏置值，直到获取理想的期望值才会停止训练[7]。
　　3.3 模型参数的设置
　　首先初始化CNN网络的权值，ReLu作为中间层的激活函数，最后一层用Sigmoid函数作为激活函数，因Sigmoid函数的输出范围在0到1之间，能很好的匹配标准化后的剩余寿命值。另外，选择均方误差MSE作为优化目标，并选用Adam为优化算法，采用dropout预防过拟合[7]。
　　4 实验结果与分析
　　针对测试数据集中4组轴承数据，采取基于退化特征空间重构的多轴承健康寿命协同预测方法与SVR方法、LASSO方法进行比较。
　　5 结论
　　本文提出的基于退化特征空间重构的多轴承健康寿命协同预测方法可以从振动信号中获取轴承的高质量退化信息，选用四个退化特征并进行空间重构。利用IEEE PHM 2012数据集评估了新方法的性能，并与LASSO方法和SVR方法进行了比较。实验结果表明，从RMSE和MAE两个方面，本文的新方法具有明显的有效性和优越性。
　　参考文献：
　　[1]王付广，李伟，郑近德，等.基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测[J].噪声与振动控制，2018，38（01）：188-192.
　　[2]赵申坤，姜潮，龙湘云.一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法[J].机械工程学报，2018，54（12）：115-124.
　　[3]王玺，胡昌华，张建勋，裴洪，刘轩，熊薇.基于粒子滤波的非线性退化设备剩余寿命自适应预测[J/OL].兵器装备工程学报，1-8.
　　[4]石婷婷.基于随机森林算法的短期负荷预测研究[D].2017，郑州大学.
　　[5]Ren L，Cui J，Sun Y，Cheng X.Multi-bearing remaining useful life collaborative prediction：A deep learning approach[J].Journal of Manufacturing Systems，2017.43：S0278612517300262.
　　[6]Takens F.Detecting strange attractors in turbulence[J].Lecture Notes in Mathematics Berlin Springer Verlag，1981.898：366-381.
　　[7]郑凯.基于数据驱动的机电装备典型零部件健康寿命预测技术研究[D].贵州大学，2019.
　　课题项目：贵州省矿山装备数字化技术工程研究中心（黔教合[2017]026号）;贵州省教育厅创新群体重大研究项目（黔教合KY字[2017]029）
　　作者简介：郑凯（1992-），硕士研究生，讲师，主要从事故障预测和健康管理研究。
转载注明来源:https://www.xzbu.com/1/view-15223131.htm