基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统

1.本发明涉及基于神经网络的机械设备剩余寿命预测技术领域，具体涉及一种基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统。


背景技术：

2.滚动轴承被广泛用于铁路车辆、飞机发动机、工业机器人等机械设备中，是固定结构和传递载荷的关键旋转部件。在机械设备长期服役过程中，滚动轴承的性能不断下降，容易发生各种故障，进而导致计划外停机甚至灾难性的安全事故。因此，需要对滚动轴承进行剩余寿命预测，以指导维修人员制定合理的维护方案，从而提高机械设备的可靠性、可用性、可维护性和安全性。工业物联网和人工智能的普及应用使机械健康监测进入了“大数据”时代，数据驱动的剩余寿命预测方法也因此受到了广泛的关注。然而，数据采集过程中复杂多变的工况也给滚动轴承的剩余寿命预测带来了更加严峻的挑战。因此，需要发明一种新的数据驱动的滚动轴承剩余寿命预测方法，保障机械设备安全服役。
3.通过引入深度学习理论，基于数据驱动的剩余寿命预测方法能够有效地从监测数据中挖掘滚动轴承的退化信息，克服了传统方法过于依赖先验知识的缺点，因此得到了广泛地应用。然而，在工业应用中，轴承的转速通常是不断变化的，现有的基于深度学习的预测方法通常仅侧重于轴承在恒定工况下的剩余寿命预测，在网络构建和表示学习过程中没有考虑轴承转速的变化，故不能有效地从变转速数据中提取轴承的退化信息，严重影响了深度预测网络的性能。


技术实现要素：

4.本发明的目的在于提供一种将轴承的振动监测信号和转速信号作为输入，直接提取拥有弹性尺度的退化特征，并可基于时间序列信息对这些退化特征进行特征重标定，具有预测精度更高、稳定性更好、鲁棒性更强的基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
5.为了实现上述目的，本发明采取了如下技术方案：
6.一方面，本发明提供一种基于高斯弹性卷积的滚动轴承剩余寿命预测方法，包括：
7.获取变转速条件下滚动轴承的振动信号和转速信号；
8.利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；
9.其中，寿命预测模型的训练包括：
10.获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
11.构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
12.构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列
信息；
13.将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
14.可选的，对原始振动信号和转速信号进行预处理包括：对振动监测信号x
t
进行z-score归一化处理，通过时间窗嵌入策略把采样时刻之前的有效时间信息数据嵌入到当前数据中：
15.通过z-score对振动监测信号x
t
进行归一化处理，获得预处理后的监测数据x
zt
；z-score标准化操作表达式如下所示：
[0016][0017]
式中，x
t
为原始信号；为原始信号的均值；σ
xt
为原始信号的标准差；
[0018]
设置大小为s的时间窗口，整合数据{x
zt
,v
t
}和之前的s-1个采样时刻获取的监测信号样本，得到信号{x'
t
,v'
t
}，其中，v'
t
＝{v
t-s+1
,v
t-s+2
,
…
,v
t
}。
[0019]
可选的，构建s个并行且独立的表示学习路径，与信号{x'
t
,v'
t
}中s个时间步的监测信号相对应，它们具有相同的网络结构和超参数设置，每个时间步的数据被分别输入至对应的表示学习路径中，每个表示学习路径由n个高斯弹性卷积层和n个最大池化层交叉堆叠得到，提取输入数据中具有弹性尺度的退化特征。
[0020]
可选的，构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，使网络根据不同退化率进行特征重标定，并为后续的回归分析剩余寿命预测提供全面的时间序列信息，信息聚合层具体步骤如下：
[0021]
基于轴承的l
10
寿命计算公式和指数退化模型，计算每个表示学习路径所对应的校准系数，第i个表示学习路径所对应的校准系数αi计算表达式如下：
[0022][0023][0024]
式中，vi和ti分别为尺寸为s的时间窗内的第i个轴承速度值和工作时间，为转速vi下的轴承l
10
寿命，fc为基本动态载荷等级，f
p
为等效动力轴承载荷，r为寿命指数；
[0025]
基于计算得到的校准系数对每个表示学习路径得到的弹性尺度的退化特征进行特征重标定，计算表达式如下：
[0026][0027]
式中，表示重标定后的退化特征，表示逐元素乘积。
[0028]
可选的，将s个重标定后的退化特征首尾拼接，得到向量h，计算表达式如下：式中，表示向量拼接操作；将向量h输入至全连接层，得到输入数据{x'
t
,v'
t
}对应的轴承剩余寿命预测值prerul，计算表达式如下：prerul＝δ(wfh+bf)；式中，wf表示权重矩阵；bf表示偏置向量；δ(
·
)表示线性修正单元激活函数。
[0029]
可选的，基于adam优化算法，设置迭代次数e，迭代更新高斯弹性卷积网络的参数，以获得最优的滚动轴承剩余寿命预测模型，即最小化均方误差目标函数：
[0030][0031]
式中，actruli为样本的真实剩余寿命值；b表示小批量样本数。
[0032]
第二方面，本发明提供一种基于高斯弹性卷积的滚动轴承剩余寿命预测系统，包括：
[0033]
获取模块，用于获取变转速条件下滚动轴承的振动信号和转速信号；
[0034]
预测模块，用于利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；
[0035]
其中，寿命预测模型的训练包括：
[0036]
获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
[0037]
构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
[0038]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
[0039]
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
[0040]
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法。
[0041]
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法。
[0042]
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法的指令。
[0043]
本发明有益效果：能够直接从滚动轴承的从变转速振动监测信号中提取具有弹性尺度的退化特征，并可以基于转速信号进行特征重标定，进而可以准确地挖掘与滚动轴承健康状况最相关的退化信息；克服了现有方法只能在固定尺度上提取特征的缺陷，实现了变转速条件下的滚动轴承剩余寿命预测。
[0044]
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
[0045]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明实施例所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法的流程图。
[0047]
图2为本发明实施例所述的轴承转速随运行时间变化的示例图。
[0048]
图3为本发明实施例所述的变转速滚动轴承的剩余寿命预测结果图。
[0049]
图4为本发明实施例所述的消融实验中各方法的剩余寿命预测性能对比图。
具体实施方式
[0050]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0051]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0052]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0053]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0054]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0055]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0056]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0057]
实施例1
[0058]
本实施例1中，首先提供了一种基于高斯弹性卷积的滚动轴承剩余寿命预测系统，包括：获取模块，用于获取变转速条件下滚动轴承的振动信号和转速信号；预测模块，用于利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果。
[0059]
利用上述的系统，实现了基于高斯弹性卷积的滚动轴承剩余寿命预测方法，包括：首先使用获取模块获取待预测的变转速条件下滚动轴承的振动信号和转速信号；然后使用预测模块，利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果。
[0060]
其中，寿命预测模型的训练包括：
[0061]
获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
[0062]
构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
[0063]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
[0064]
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
[0065]
其中，对原始振动信号和转速信号进行预处理包括：对振动监测信号x
t
进行z-score归一化处理，通过时间窗嵌入策略把采样时刻之前的有效时间信息数据嵌入到当前数据中：
[0066]
通过z-score对振动监测信号x
t
进行归一化处理，获得预处理后的监测数据x
zt
；z-score标准化操作表达式如下所示：
[0067][0068]
式中，x
t
为原始信号；为原始信号的均值；σ
xt
为原始信号的标准差；
[0069]
设置大小为s的时间窗口，整合数据{x
zt
,v
t
}和之前的s-1个采样时刻获取的监测信号样本，得到信号{x'
t
,v'
t
}，其中，v'
t
＝{v
t-s+1
,v
t-s+2
,
…
,v
t
}。
[0070]
其中，构建s个并行且独立的表示学习路径，与信号{x'
t
,v'
t
}中s个时间步的监测信号相对应，它们具有相同的网络结构和超参数设置，每个时间步的数据被分别输入至对应的表示学习路径中，每个表示学习路径由n个高斯弹性卷积层和n个最大池化层交叉堆叠得到，提取输入数据中具有弹性尺度的退化特征。
[0071]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习
中，使网络根据不同退化率进行特征重标定，并为后续的回归分析剩余寿命预测提供全面的时间序列信息，信息聚合层具体步骤如下：
[0072]
基于轴承的l
10
寿命计算公式和指数退化模型，计算每个表示学习路径所对应的校准系数，第i个表示学习路径所对应的校准系数αi计算表达式如下：
[0073][0074][0075]
式中，vi和ti分别为尺寸为s的时间窗内的第i个轴承速度值和工作时间，为转速vi下的轴承l
10
寿命，fc为基本动态载荷等级，f
p
为等效动力轴承载荷，r为寿命指数；
[0076]
基于计算得到的校准系数对每个表示学习路径得到的弹性尺度的退化特征进行特征重标定，计算表达式如下：
[0077][0078]
式中，表示重标定后的退化特征，表示逐元素乘积。
[0079]
将s个重标定后的退化特征首尾拼接，得到向量h，计算表达式如下：式中，表示向量拼接操作；将向量h输入至全连接层，得到输入数据{x'
t
,v'
t
}对应的轴承剩余寿命预测值prerul，计算表达式如下：prerul＝δ(wfh+bf)；式中，wf表示权重矩阵；bf表示偏置向量；δ(
·
)表示线性修正单元激活函数。
[0080]
基于adam优化算法，设置迭代次数e，迭代更新高斯弹性卷积网络的参数，以获得最优的滚动轴承剩余寿命预测模型，即最小化均方误差目标函数：
[0081][0082]
式中，actruli为样本的真实剩余寿命值；b表示小批量样本数。
[0083]
实施例2
[0084]
本实施例2中提出一种基于高斯弹性卷积的滚动轴承剩余寿命预测方法，该方法将轴承的振动监测信号和转速信号作为输入，直接提取拥有弹性尺度的退化特征，并可基于时间序列信息对这些退化特征进行特征重标定，以预测轴承的剩余寿命；该方法具有预测精度更高、稳定性更好、鲁棒性更强的优点。
[0085]
本实施例2所提供的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，包括以下步骤：
[0086]
1)获取变转速条件下滚动轴承的原始振动信号和转速信号其中，
表示第t个采样时刻获取的原始振动信号，表示第t个采样时刻获取的原始转速信号，q是信号样本的个数，h1是每个信号样本包含的数据点数，c1是振动加速度传感器的个数；
[0087]
2)对原始振动信号和转速信号进行预处理：首先对振动监测信号x
t
进行z-score归一化处理，然后通过时间窗嵌入策略把采样时刻之前的有效时间信息数据嵌入到当前数据中，具体步骤如下：
[0088]
2.1)通过z-score对振动监测信号x
t
进行归一化处理，获得预处理后的监测数据x
zt
；z-score标准化操作表达式如下所示：
[0089][0090]
式中，x
t
为原始信号；为原始信号的均值；σ
xt
为原始信号的标准差；
[0091]
2.2)设置大小为s的时间窗口，整合数据{x
zt
,v
t
}和之前的s-1个采样时刻获取的监测信号样本，得到信号{x'
t
,v'
t
}，其中，v'
t
＝{v
t-s+1
,v
t-s+2
,
…
,v
t
}；
[0092]
3)构建s个并行且独立的表示学习路径，与信号{x'
t
,v'
t
}中s个时间步的监测信号相对应，它们具有相同的网络结构和超参数设置，每个时间步的数据被分别输入至对应的表示学习路径中，每个表示学习路径由n个高斯弹性卷积层和n个最大池化层交叉堆叠得到，提取输入数据中具有弹性尺度的退化特征，具体步骤如下：
[0093]
3.1)轴承转速在工业应用中会随时变化，这种时变特性直接影响了关键退化特征在时间尺度上的分布，高斯弹性卷积层用于从变转速监测数据中自动提取出尺度变化的退化特征，克服了传统卷积运算无法通过固定的卷积核尺寸处理变转速监测数据的缺陷。具体地，在高斯弹性卷积层中，使用高斯核偏导数的线性组合逼近标准卷积核，以避免手动设置卷积核的尺寸，一维高斯核函数及其p阶导数如下所示：
[0094][0095][0096]
式中，σ为高斯核函数的标准差，也即尺度。特别地，由于导数运算会导致较高的计算复杂度，在求解高斯核函数的导数时，使用埃尔米特多项式(hermite polynomials)递归地进行计算，则一维高斯核函数的p阶导数可表示如下：
[0097][0098]
式中，h
p
(
·
)表示p阶埃尔米特多项式。若将一维扩展至二维，则二维高斯核函数的导数可以由两个维度的偏导数的乘积得到，即：
[0099][0100]
指定高斯偏导函数核的离散集为φ＝{g
p,q
(x,y,σ)|0≤p+q≤k}，其中|φ|＝m，m为用于线性组合的高斯偏导函数核的个数；使用φ中高斯偏导函数核的可自学习的线性组合替代传统的卷积核实现高斯弹性卷积运算，通过可自学习的参数σ和自适应的线性组合权重弹性的调整特征学习的尺度，从而避免了传统卷积核尺寸的手动设置。假设第l层高斯弹性卷积层的输入序列为则第l层高斯弹性卷积层的第n个特征面可由下式计算：
[0101][0102][0103]
式中，h和w分别为输入数据的高度和宽度；c为输入通道数；特别地，当i
l-1
表示每个表示学习路径的输入数据时，h是每个信号样本包含的数据点数；c是振动加速度传感器的个数；w的值为1；即h＝h1,c＝c1,w＝1；表示高斯弹性卷积运算的输出；δ(
·
)为线性修正单元(rectified linear unit，relu)激活函数；*表示卷积运算符；表示第n个高斯弹性卷积核，其由m个高斯偏导函数核的线性组合得到，且为各高斯偏导函数核的可自学习的权重系数；为偏置向量。通过可自学习的参数σ和高斯弹性卷积层自适应且弹性的进行不同尺度的表示学习，使网络能够有效地从变转速振动信号中挖掘完整而有价值的轴承退化信息；
[0104]
3.2)将第l层高斯弹性卷积层的输出输入至最大池化层，获取无重叠池化区域内元素的最大值，得到池化后的特征计算表达式如下：
[0105][0106]
式中，maxpool(
·
)表示最大池化函数；p为池化尺寸；s为池化移动步长；
[0107]
3.3)在每个表示学习路径中重复步骤3.1)和3.2)n次，即交叉堆叠n个高斯弹性卷积层和n个最大池化层，然后对最后一层输出的特征面应用平铺函数，得到拥有弹性尺度的退化特征hi，具体地，对于第i个表示学习路径，从变转速振动信号中提取的退化特征hi计算表达式如下：
[0108]hi
＝flatten(p
in
)
[0109]
式中，flatten(
·
)表示平铺操作函数；p
in
为最后一层池化层的输出特征；
[0110]
4)构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，使网络根据不同退化率进行特征重标定，并为后续的回归分析剩余寿命预测提供全面的时间序列信息，信息聚合层具体步骤如下：
[0111]
4.1)基于轴承的l
10
寿命计算公式和指数退化模型，计算每个表示学习路径所对应的校准系数，具体地，第i个表示学习路径所对应的校准系数αi计算表达式如下：
[0112][0113][0114]
式中，vi和ti分别为尺寸为s的时间窗内的第i个轴承速度值和工作时间，为转速vi下的轴承l
10
寿命，fc为基本动态载荷等级，f
p
为等效动力轴承载荷，r为寿命指数(滚珠轴承为3，滚子轴承为10/3)；
[0115]
4.2)基于4.1)计算得到的校准系数对每个表示学习路径得到的弹性尺度的退化特征进行特征重标定，计算表达式如下：
[0116][0117]
式中，表示重标定后的退化特征，表示逐元素乘积；
[0118]
5)将s个重标定后的退化特征首尾拼接，得到向量h，计算表达式如下：
[0119][0120]
式中，表示向量拼接操作；
[0121]
6)将向量h输入至全连接层，得到输入数据{x'
t
,v'
t
}对应的轴承剩余寿命预测值prerul，计算表达式如下：
[0122]
prerul＝δ(wfh+bf)
[0123]
式中，wf表示权重矩阵；bf表示偏置向量；δ(
·
)表示线性修正单元激活函数；
[0124]
7)基于adam优化算法，重复步骤3)、4)、5)和6)，设置迭代次数e，迭代更新高斯弹性卷积网络的参数，以获得最优的滚动轴承剩余寿命预测模型，即最小化均方误差目标函数：
[0125][0126]
式中，actruli为样本的真实剩余寿命值；b表示小批量样本数；
[0127]
8)将预处理后的滚动轴承振动和转速监测信号{x'
t
,v'
t
}输入到最优的剩余寿命预测模型中，预测滚动轴承的剩余寿命。
[0128]
本实施例2中，基于滚动轴承变转速加速退化实验数据集对上述的方法进行了有效性验证。本实施例所采用的变转速加速寿命实验数据集共包括3个子集，分别对应三种不同径向力的载荷工况设置，即10kn、11kn、12kn。其中，10kn载荷包含4个滚动轴承全寿命周期监测信号，其余载荷工况包含5个滚动轴承全寿命周期监测信号，每个轴承的监测信号包
含一个转速信号和两个振动信号，数据采集过程中每25到35分钟随机改变转速，转速值随机设置为2100rpm、2400rpm和2700rpm之一，轴承转速随运行时间变化的示例如图2所示。在采用本发明方法对滚轴轴承剩余寿命进行预测时，载荷工况10kn的数据子集中将前3个滚动轴承数据作为训练数据集，最后1个滚动轴承数据作为测试数据集，载荷工况11kn、12kn数据子集中将前4个滚动轴承数据作为训练数据集，最后1个滚动轴承数据作为测试数据集，数据集划分如表1所示。
[0129]
高斯弹性卷积网络的超参数设置如表2所示。使用本发明方法进行变转速条件下的滚动轴承剩余寿命预测，测试轴承3-5的预测结果如图3所示，从图3中可以看出，虽然滚动轴承在早期时的真实寿命与预测寿命偏差较大，但是随着时间的推移，滚动轴承的预测寿命逐渐趋近于真实寿命，这说明本发明方法能够有效地对滚动轴承进行剩余寿命预测。为了验证本发明方法中高斯弹性卷积层和信息嵌入层的有效性，将本发明方法进行消融试验，方法1不使用信息嵌入层，并使用标准卷积层提取退化特征；方法2只使用高斯弹性卷积层进行表示学习，不使用信息嵌入层进行特征重标定；方法3只使用信息嵌入层而不使用高斯弹性卷积层，在三个测试轴承上的收敛性指标(convergence)和累积相对精度(cumulative relative accuracy，cra)如图4所示，可以看出本发明方法相比其他对比方法获得了更高的cra值和更低的收敛性值，说明高斯弹性卷积层和信息嵌入层的引入能够提高预测网络的性能；同时，方法2和方法3获得了比方法1更高的cra值和更低的收敛值，再次验证了高斯弹性卷积在多尺度特征提取的优势，且使用信息嵌入层对退化特征的重标定有助于提升预测网络的性能。为进一步验证本发明的优越性，将本发明方法与基于门控循环单元的剩余寿命预测方法(gate recurrent unit，gru)、基于多尺度卷积神经网络的剩余寿命预测方法(multi-scale convolutional neural network，mcnn)、进行对比，利用累积相对精度和均方根误差(root mean square error，rmse)预测性能指标对三种方法进行评价，结果如表3所示。从表3中可以看出，在三个测试轴承的剩余寿命预测中，本发明方法的均得到了最高的cra值和最低的rmse值，说明本发明方法的剩余寿命预测精度更高、稳定性更好、鲁棒性更强。
[0130]
表1
[0131][0132]
表2
[0133][0134]
表3
[0135][0136]
通过以上滚动轴承的剩余寿命预测结果以及与两种方法的预测性能对比可以发现，本发明方法利用高斯弹性卷积层，能够直接从变转速振动信号中提取具有弹性尺度的高层次典型特征，并且使用信息嵌入层嵌入时间序列信息以进行特征重标定，进而可以准确地挖掘与滚动轴承健康状况最相关的退化信息，有效提高了滚动轴承剩余寿命预测的精度，获得了更加优越的性能。
[0137]
实施例3
[0138]
本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，该方法包括：
[0139]
获取变转速条件下滚动轴承的振动信号和转速信号；
[0140]
利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；
[0141]
其中，寿命预测模型的训练包括：
[0142]
获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
[0143]
构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
[0144]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
[0145]
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
[0146]
实施例4
[0147]
本实施例4提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个
或多个处理器上运行时，用于实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，该方法包括：
[0148]
获取变转速条件下滚动轴承的振动信号和转速信号；
[0149]
利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；
[0150]
其中，寿命预测模型的训练包括：
[0151]
获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
[0152]
构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
[0153]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
[0154]
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
[0155]
实施例5
[0156]
本实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法的指令，该方法包括：
[0157]
获取变转速条件下滚动轴承的振动信号和转速信号；
[0158]
利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；
[0159]
其中，寿命预测模型的训练包括：
[0160]
获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；
[0161]
构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；
[0162]
构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
[0163]
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。
[0164]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0165]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0166]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0167]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0168]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，包括：获取变转速条件下滚动轴承的振动信号和转速信号；利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；其中，寿命预测模型的训练包括：获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。2.根据权利要求1所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，对原始振动信号和转速信号进行预处理包括：对振动监测信号x
t
进行z-score归一化处理，通过时间窗嵌入策略把采样时刻之前的有效时间信息数据嵌入到当前数据中：通过z-score对振动监测信号x
t
进行归一化处理，获得预处理后的监测数据x
zt
；z-score标准化操作表达式如下所示：式中，x
t
为原始信号；为原始信号的均值；σ
xt
为原始信号的标准差；设置大小为s的时间窗口，整合数据{x
zt
,v
t
}和之前的s-1个采样时刻获取的监测信号样本，得到信号{x'
t
,v'
t
}，其中，v'
t
＝{v
t-s+1
,v
t-s+2
,
…
,v
t
}。3.根据权利要求2所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，构建s个并行且独立的表示学习路径，与信号{x'
t
,v'
t
}中s个时间步的监测信号相对应，它们具有相同的网络结构和超参数设置，每个时间步的数据被分别输入至对应的表示学习路径中，每个表示学习路径由n个高斯弹性卷积层和n个最大池化层交叉堆叠得到，提取输入数据中具有弹性尺度的退化特征。4.根据权利要求3所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，使网络根据不同退化率进行特征重标定，并为后续的回归分析剩余寿命预测提供全面的时间序列信息，信息聚合层具体步骤如下：基于轴承的l
10
寿命计算公式和指数退化模型，计算每个表示学习路径所对应的校准系数，第i个表示学习路径所对应的校准系数α
i
计算表达式如下：
式中，v
i
和t
i
分别为尺寸为s的时间窗内的第i个轴承速度值和工作时间，为转速v
i
下的轴承l
10
寿命，f
c
为基本动态载荷等级，f
p
为等效动力轴承载荷，r为寿命指数；基于计算得到的校准系数对每个表示学习路径得到的弹性尺度的退化特征进行特征重标定，计算表达式如下：式中，表示重标定后的退化特征，表示逐元素乘积。5.根据权利要求4所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，将s个重标定后的退化特征首尾拼接，得到向量h，计算表达式如下：式中，表示向量拼接操作；将向量h输入至全连接层，得到输入数据{x'
t
,v'
t
}对应的轴承剩余寿命预测值prerul，计算表达式如下：prerul＝δ(w
f
h+b
f
)；式中，w
f
表示权重矩阵；b
f
表示偏置向量；δ(
·
)表示线性修正单元激活函数。6.根据权利要求5所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法，其特征在于，基于adam优化算法，设置迭代次数e，迭代更新高斯弹性卷积网络的参数，以获得最优的滚动轴承剩余寿命预测模型，即最小化均方误差目标函数：式中，actrul
i
为样本的真实剩余寿命值；b表示小批量样本数。7.一种基于高斯弹性卷积的滚动轴承剩余寿命预测系统，其特征在于，包括：获取模块，用于获取变转速条件下滚动轴承的振动信号和转速信号；预测模块，用于利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到滚动轴承的寿命预测结果；其中，寿命预测模型的训练包括：获取变转速条件下滚动轴承的振动信号和转速信号，进行预处理；构建多个并行且独立的表示学习路径，与预处理后的信号振动信号和转速信号中时间步的监测信号相对应，提取输入数据中具有弹性尺度的退化特征；构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息；
将重标定后的退化特征首尾拼接，得到拼接向量，将拼接向量输入至全连接层，得到输入数据对应的轴承剩余寿命预测值；基于adam优化算法，迭代更新模型参数，以获得最优的滚动轴承剩余寿命预测模型。8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法。9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法。10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的基于高斯弹性卷积的滚动轴承剩余寿命预测方法的指令。

技术总结
本发明提供基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统，属于基于神经网络的机械设备剩余寿命预测技术领域，获取变转速条件下滚动轴承的振动信号和转速信号；利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到轴承的寿命预测结果；其中，寿命预测模型的训练中构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息。本发明可直接从滚动轴承的从变转速振动监测信号中提取具有弹性尺度的退化特征并进行特征重标定，准确地挖掘与滚动轴承健康状况最相关的退化信息，实现了变转速条件下的滚动轴承剩余寿命预测。的滚动轴承剩余寿命预测。的滚动轴承剩余寿命预测。


技术研发人员：程晓卿 任翔宇 秦勇 贾利民 王彪
受保护的技术使用者：北京交通大学
技术研发日：2023.05.12
技术公布日：2023/8/9