[发明专利]一种基于深度迁移学习的轴承剩余寿命预测模型和方法

说明书

一种基于深度迁移学习的轴承剩余寿命预测模型，基于深度神经网络训练实现，所述预测模型包括：自适应特征提取模块和指标回归预测模块；自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征，并根据所述自适应深度特征衍生相对应的输入特征和标注标签；指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签，指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。本发明从源域的原始振动信号直接学习故障特征并进行剩余使用寿命预测，能够迁移到不同工况或同一工况间轴承数据的剩余寿命预测，有利于促进智能剩余寿命预测的实际应用。

技术领域

本发明涉及轴承的安全监控领域，尤其涉及一种基于深度迁移学习的轴承剩余寿命预测模型和方法。

背景技术

由于滚动轴承是现代工业机械不可缺少的组成部分，其健康管理受到了学术界和工程界的广泛关注。由于噪声引起的特征表示不准确、寿命周期的变化以及其他预测不确定性等，轴承的剩余寿命预测是其健康管理中一个具有挑战性的问题。目前大多数深度网络算法都是基于以下两个假设：(1)样本数据足够大；(2)样本数据训练集和测试集的数据分布应该保持一致。在实际应用中，即使同一型号的两个轴承在相同的工况下，其退化过程也有可能具有不同的数据分布特征。这种训练集和预测集数据分布的偏差，导致剩余使用寿命预测性能的下降。

发明内容

为了解决上述现有技术中缺乏精确的轴承剩余寿命预测技术的缺陷，本发明提出了一种基于深度迁移学习的轴承剩余寿命预测模型和方法。

本发明的目的之一采用以下技术方案：

一种基于深度迁移学习的轴承剩余寿命预测模型，基于深度神经网络训练实现，所述预测模型包括：自适应特征提取模块和指标回归预测模块；

自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征，并根据所述自适应深度特征衍生相对应的输入特征和标注标签；

指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签，指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。

优选的，还包括数据预处理模块，数据预处理模块利用最小-最大规范化对获取的原始振动信号进行归一化处理，以生成归一化的振动数据样本。

优选的，自适应特征提取模块包括自动编码器、特征空间转换单元和数据处理单元；自动编码器用于提取未标注的振动数据样本的深度特征；特征空间转换单元用于将自动编码器提取的深度特征转换为自适应深度特征；自适应深度特征通过数据处理单元进行处理，以获得相对应的输入特征和标注标签。

优选的，所述自动编码器采用基于最大均值差异距离的稀疏自动编码器。

优选的，训练自适应特征提取模块的损失函数L为：

其中，L₁为自适应特征提取单元的稀疏惩罚函数，L₂为自适应特征提取单元的重构损失函数，L₃为自适应特征提取单元的最大均值差异损失函数；ρ为稀疏性参数，s为自动编码器中神经元的个数，i表示振动数据样本编号，j表示自动编码器中神经元的编号，1≤j≤s，a_j(xx)表示在输入的振动数据样本为x_i的情况下隐藏神经元j的激活度；N为振动数据样本的数量，1≤i≤N；r_i为自动编码器的解码部分输出的与振动数据样本x_i对应的重构数据，表示第j个隐藏神经元在训练集中某一层的平均激活度；

z_i为编码部分针对振动数据样本x_i输出的深度特征，z’_i为随机特征，φ(·)表示映射函数，H表示用于度量距离的空间，表示通过函数φ(·)将z_i和z’_i映射到空间H中进行距离度量。