[发明专利]基于InfoLSGAN和AC算法的轴承寿命预测方法

说明书

本发明公开了一种基于InfoLSGAN和AC算法的轴承寿命预测方法。所述方法包括如下步骤，步骤一：将SDAE、InfoGAN和LSGAN相结合，构建InfoLSGAN，自动地从噪声数据中提取可解释的鲁棒特征，解决梯度消失问题；步骤二：采用基于AC的训练算法训练InfoLSGAN，减少训练时间，加快收敛速度；步骤三：根据训练后的InfoLSGAN，利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。实施例的结果表明本发明具有较强的噪声适应能力，并能在小样本情况下准确地预测风电齿轮箱轴承的剩余寿命。

技术领域

本发明涉及一种轴承寿命预测方法，尤其涉及基于信息最小二乘生成对抗网络(Information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(Actor-critic,AC)算法的轴承寿命预测方法。

背景技术

为应对气候变化和能源短缺问题，风能已受到世界各国的广泛关注。然而，复杂恶劣的工作环境导致风电齿轮箱的故障率相对较高。对于地处偏僻地区的风力发电机而言，任何难以预料的故障均会导致较高的维护成本或巨大的经济损失。据最新研究表明，风电齿轮箱故障主要是其内部轴承引起的。因此，风电齿轮箱轴承的剩余寿命预测对减少停机时间和降低维护成本具有十分重要的意义。

近年来，轴承的剩余寿命预测已受到大量学者的高度重视。众多具代表性的轴承剩余寿命预测方法被相继提出。这些方法可分为模型法和数据驱动法。模型法通过建立基于失效机理的物理模型，描述轴承的退化过程。与材料特性相关的模型参数可通过专门的实验或分析方法确定。尽管模型法可准确预测轴承的剩余寿命，但难于建立精确的轴承退化模型。确定模型参数还需要大量的实验和经验数据，从而限制了模型法的广泛应用。数据驱动法通过统计模型或人工智能技术，学习轴承退化过程，实现轴承的剩余寿命预测。统计模型包括自适应回归模型、随机系数模型、Wiener过程模型、全阶乘模型等。尽管随机变量的引入可改进统计模型的柔性，但其预测效果严重依赖历史数据，从而影响轴承剩余寿命预测的准确率。并且，随机变量的概率分布需满足多种假设。常用的人工智能技术包括人工神经网络、模糊逻辑系统、支持向量机、Gaussian过程回归等。人工智能技术无需精确的解析模型，通过历史数据识别退化过程。然而，特征提取仍然是一个耗时的过程。提取的冗余特征很可能降低预测准确率。这些原因限制了人工智能技术在轴承剩余寿命预测上的应用。此外，由于齿轮啮合的干扰，采集到的轴承振动信号通常被强烈的噪声所干扰。这会严重影响轴承剩余寿命预测的效果。并且，轴承加速疲劳寿命试验耗时且投入巨大，仅能获得有限的试验样本。

发明内容

本发明的目的是为了解决小样本和噪声干扰下风电齿轮箱轴承剩余寿命预测准确率低的问题，为风电齿轮箱轴承剩余寿命预测提供一种新颖的解决思路，而提出了基于InfoLSGAN和AC算法的轴承寿命预测方法。

基于InfoLSGAN和AC算法的轴承寿命预测方法，其特征在于该方法包括以下步骤：

步骤一、将堆叠降噪自动编码器(Stacked denoising autoencoder,SDAE)、信息生成对抗网络(Information maximizing generative adversarial network,InfoGAN)和最小二乘生成对抗网络(Least squares generative adversarial network,LSGAN)相结合，构建InfoLSGAN，自动地从噪声数据中提取可解释的鲁棒特征，解决梯度消失问题；

步骤二、采用基于AC的训练算法训练InfoLSGAN，减少训练时间，加快收敛速度；

步骤三、根据训练后的InfoLSGAN，利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。

采用本发明的基于InfoLSGAN和AC算法的轴承寿命预测方法，与其它轴承寿命预测方法相比，本发明的有益效果为：