基于MAML元学习的滚动轴承剩余寿命预测方法

基于maml元学习的滚动轴承剩余寿命预测方法
技术领域
1.本发明涉及轴承寿命预测技术领域，尤其涉及一种基于maml元学习的滚动轴承剩余寿命预测方法。


背景技术：

2.滚动轴承的性能随着使用时间而逐渐退化，受工作环境、负载状态等因素影响，其退化过程具有不确定性、非线性的特点，一旦发生故障，将会导致整个设备的运行故障，甚至引发安全事故。准确地预测滚动轴承剩余寿命，可以预知设备退化规律，及早发现轴承损伤与缺陷，从而避免设备损坏并保障生产安全。针对滚动轴承退化过程非线性、退化特征选取困难的问题。
3.滚动轴承剩余寿命预测任务中，提取可靠且具有代表性的特征并构建健康指标至关重要。由于滚动轴承运行环境复杂多变，提取单一层次特征构建健康因子，难以有效刻画轴承退化过程，而且不同的轴承的同一特征的趋势变化不同，不具有通用性。


技术实现要素：

4.本发明所要解决的技术问题是如何提供一种训练效率高、收敛速度快、预测精度高的滚动轴承剩余寿命预测方法。
5.为解决上述技术问题，本发明所采取的技术方案是：一种基于maml元学习的滚动轴承剩余寿命预测方法，包括如下步骤：
6.信号采集，使用传感器采集滚动轴承从开始到完全失效的全寿命周期数据；
7.采用pca算法进行多特征融合构建出滚动轴承的健康因子fhi；
8.构建maml-n-beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子fhi；
9.将预测模型的各训练集t的健康因子fhi划分为许多个任务，并将每个任务划分为支持集和查询集；
10.将测试集p按照步构造的测试任务集,将每个测试任务的支持集输入到maml-n-beats预测模型中，然后微调模型；
11.将每个测试任务查询集输入到微调好的maml-n-beats模型中，经过计算输出后实现轴承剩余寿命预测。
12.采用上述技术方案所产生的有益效果在于：所述方法中maml-n-beats模型通过多任务训练n-beats网络，充分提取小样本的特征，加强健康因子对轴承退化规律的表征能力，可以利用历史数据学习并自适应调整初始化参数，将其应用到新的预测任务上。与传统的rul预测方法相比，该方法提高了预测精度，同时还能进行短期数据的快速预测。
附图说明
13.下面结合附图和具体实施方式对本发明作进一步详细的说明。
14.图1是本发明实施例中maml-n-beats滚动轴承剩余寿命预测模型图；
15.图2是本发明实施例所述方法的流程图；
16.图3是本发明实施例中cnn处理一维数据过程图；
17.图4是本发明实施例中cnn深层特征提取器的原理框图；
18.图5是本发明实施例中基于pca的轴承健康因子构建的流程图；
19.图6是本发明实施例中n-beats网络结构图；
20.图7是本发明实施例中健康因子的曲线图；
21.图8是本发明实施例中maml-n-beats训练误差变化图；
22.图9是本发明实施例中bearing1-4预测结果图；
23.图10是本发明实施例中bearing2-1预测结果；
24.图11是本发明实施例中bearing3-1预测结果；
25.图12是本发明实施例中bearing3-1预测结果。
具体实施方式
26.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
28.本发明实施例公开了一种基于maml元学习的滚动轴承剩余寿命预测方法，所述方法使用maml-n-beats轴承剩余寿命预测模型，maml-n-beats轴承剩余寿命预测模型分为元训练阶段和元测试阶段。元训练阶段是通过训练一系列轴承寿命预测的历史任务，得到基线模型n-beats的一个初始参数，使得这个初始模型能够快速适应新的任务。元测试阶段针对测试任务微调元训练阶段得到的n-beats初始模型，通过少量样本和反向传播算法对模型参数进行更新，以适应新任务的特征，如图1所示。
29.(1)元训练阶段
30.基线模型(base model)是由趋势栈和通用栈组成的n-beats模型，用函数f表示。
31.第1步，将轴承的健康因子fhi划分为训练任务t
train
和测试任务t
test
，每个任务都由支持集si和查询集qi构成。
32.第2步，随机初始化n-beats模型，初始化参数设为θ，此时模型用f
θ
表示。
33.第3步，训练任务集t
train
的任务ti输入n-beats模型进行训练，计算支持集si在当前任务上的损失模型f
θ
的参数就会按式(1)梯度更新从θ更新为θi，其中α是n-beats网络的学习率。
[0034][0035]
第4步，用当前任务的查询集qi测试的性能，计算损失
[0036]
第5步，对训练任务集t
train
的所有任务反复执行3、4步，计算之和,如公式(2)所示。
[0037][0038]
第6步，按照式(3)更新元网络的参数θ
meta
。其中，β为元网络的学习率。这一步是核心操作，元网络每次更新都是针对多个不同任务找到最优解方向，通过这样的训练模式，找到n-beats模型的初始化参数。
[0039][0040]
(2)元测试阶段
[0041]
第1步，在元训练结束后得到的maml-n-beats模型上，用测试任务t
test
的支持集si对其进行微调。
[0042]
第2步，用测试任务t
test
的查询集qi评估maml-n-beats模型的性能。
[0043]
利用构建的健康因子fhi，在maml元学习框架下搭建n-beats剩余寿命预测网络，即maml-n-beats模型，对滚动轴承剩余寿命进行预测，此方法的完整预测流程如图2所示，含有3个主要步骤：
[0044]
步骤一：提取滚动轴承振动信号的水平方向和垂直方向在时域和频域上共36个特征，通过对这些特征进行相关性、预测性和鲁棒性的综合评估筛选出9个特征参数共计18个特征，并在卷积神经网络上提取了50个特征，采用pca进行多特征融合构建出滚动轴承的健康因子fhi。
[0045]
步骤二：maml算法要求模型的输入数据的结构需要保持一致，将各训练集t的健康因子fhi划分为许多个任务，并将每个任务划分为支持集和查询集，具体划分方法如下：
[0046][0047]
首先将健康因子fhi中每n个点作为一个任务,其中前k个点作为第一行，然后依次递增行成一个(n-k+1)*k的样本，即将n个点转化成k个点作为一个支持集，并将n个点的最后k个点作为查询集，在矩阵中表示就是将前k行的行向量定义为支持集，最后一个行向量定义为查询集，模型的元学习过程可表述为如下：
[0048]
θ
*
＝maml(t1,t2,
…
,tm)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0049]
公式中ti表示不同训练任务。
[0050]
在训练模型过程中，根据公式(3)对maml-n-beats网络的参数进行梯度更新,将训练后得到的参数θ
*
保存下来，f
*
表示n-beats预测模型使用θ
*
作为初始化参数。
[0051]
步骤三：将测试集p按照步骤二构造测试任务集,将每个测试任务的支持集输入到maml-n-beats中，然后微调模型。
[0052][0053]
将每个测试任务查询集输入到微调好的n-beats模型中，经过计算输出后实现轴
承剩余寿命预测rul。
[0054][0055]
下面结合具体步骤对上述方法进行详细的说明
[0056]
时域特征提取：
[0057]
振动信号的时域特征可直观反映其在时间和空间上的变化，分为有量纲和无量纲两种参数类型。其中，有量纲参数容易受到机器运转条件的影响，适用于反映轴承摩损类故障的退化过程。无量纲参数对载荷和转速变化的敏感性较低，其表征能力适用于轴承剥落等突发冲击的诊断。假设振动信号表示为x＝[x1，x2，
…
，xn]常用的时域特征参数如表1所示：
[0058]
表1时域特征
[0059][0060][0061]
频域特征提取
[0062]
通过对振动信号进行离散傅里叶变换得到频谱信号，频谱绝对值表示为y＝[y1,y2,
…
ym]，频谱长度为m＝n/2，n为信号长度，yk对应的频率值为fk。虽然频谱可以反映出信号中各个频率成分的能量分布情况，但是不能直接看出振幅随时间的变化。在实际应用中，可以将频域特征与已知故障的特征频率比较，来判断轴承的故障种类和程度。常用的频域特征如表2所示。
[0063]
表3-2频域特征
[0064][0065][0066]
基于cnn的深层特征提取
[0067]
滚动轴承的振动信号数据通常以一维形式呈现，因此使用cnn提取滚动轴承振动信号特征时，需要使用一维卷积核，而不是传统图像处理所用的二维卷积核。cnn处理一维数据的过程如图3所示，在卷积层中，卷积核沿着一维数据序列进行卷积运算，生成新的一维特征序列。在池化层中，沿着一维数据序列计算局部区域内特征值的统计量(例如最大值、平均值等)，并将这些统计量作为新的特征输出。这个过程可以通过一系列的卷积层和池化层的堆叠实现，最终通过全连接层输出分类或回归结果。
[0068]
基于卷积网络强大的特征提取能力，本技术构建cnn模型挖掘原始振动信号的深层特征，具体流程如下：
[0069]
(1)数据集划分。将轴承数据集划分为训练集和测试集，原始振动信号作为cnn模型的的输入。
[0070]
(2)设定训练标签yi为退化值。假设当前轴承i的全寿命为t，则当轴承运行到t时，退化值为yi＝t/t。
[0071]
(3)设置cnn模型输入。将步骤(1)中处理好的数据和步骤(2)对应的标签值作为模型输入，形式类似于w＝[xi,yi]n，其中，n表示采集的样本总数，i代表第i次采样，取值范围为1到n。
[0072]
(4)模型搭建及训练。构建的cnn深层特征提取器如图4所示，模型共有10层，设置1个输入层、2个卷积层、2个池化层，将经过两次卷积池化的数据进行展平处理后，输入到4个全连接层，最后是1个输出层。其中两个卷积层的卷积核大小都为11*1，两个最大池化层。全连接层fc1～fc4的神经元个数依次是500、200、100、50。具体网络模型的超参数如表3所示。
[0073]
表3 cnn深层特征提取器超参数
[0074][0075]
输出层使用sigmoid激活函数将输出值限制在[0,1]范围内，作为对应的退化值。卷积层和其他全连接层的激活函数都为relu函数。损失函数使用均方误差mse，在反向传播时使用adam算法进行优化。为了避免过拟合，引入dropout和l2正则化，之后对cnn模型进行训练。
[0076]
(5)测试集的原始振动信号输入步骤(4)中已经训练好的模型中，并获得fc4层的50维输出作为测试集轴承的深层特征。
[0077]
基于特征评估指标的特征筛选
[0078]
在滚动轴承退化过程中，各个特征参数反映的退化过程差异较大。基于特征评估的筛选方法意在剔除一些与退化过程不相关或表达能力差的特征。根据轴承的性能退化特点，良好的特征参数应具有较好的时间相关性、预测性和鲁棒性。本技术采用三种特性综合评估提取的多特征参数集，去除冗余特征，筛选最优特征集。
[0079]
轴承性能退化往往具有不确定性，直接对退化特征评价筛选所得到的数据并不准确。因此，本技术采用移动平均法将特征序列分解成平稳趋势和随机余量两部分，如式(1)所示，式中，f
t
(tn)表示平稳部分，fr(tn)表示余量部分。特征序列f＝[f(t1),f(t2),
…
,f(tn)],时间序列t＝[t1，t2,
…
，tn，f(tn)表示在时间tn处的特征值，n为时间序列总长度
[0080]
f(tn)＝f
t
(tn)+fr(tn)
ꢀꢀꢀ
(8)
[0081]
时间相关性用来度量特征序列和时间序列的相关程度的，记为corr(f,t)，定义如式(2)所示。
[0082][0083]
根据相关性公式计算观测时间与退化特征之间的相关性，其指标取值区间为[0,1],当退化特征与观测时间的相关性值越接近1，代表相关程度越高。
[0084]
预测性用来描述特征的预测性能，记为pre(f)定义如式(3)所示，式中σ(f(tn))为退化特征在失效时刻的标准差。
[0085]
[0086]
根据预测性公式计算，其指标取值区间为[0,1],当特征参数的预测性值越趋近1，代表该特征刻画轴承退化过程能力越高，预测能力越强。
[0087]
鲁棒性用来反应特征信号序列的抗干扰或抗噪能力，记为rob(f)，定义如式(11)所示。
[0088][0089]
根据鲁棒性公式计算，其指标取值区间为[0,1],当特征参数的鲁棒性值越靠近1，代表该特征越强健。
[0090]
为了综合考虑三项特征评价指标，得到最优特征参数组合，本技术设计了综合目标优化函数如式(12)所示。
[0091][0092]
式中，cri为综合目标优化函数，ωi(i＝1,2,3)为评价指标系数。相关性、预测性和鲁棒性均与综合目标优化函数呈正相关，且cri的取值区间为[0,1]，该特征的cri越高，表明该特征越能表征轴承的退化过程。设定系数向量(ω1,ω2,ω3)＝(0.35,0.4,0.25)，即相关性、预测性、鲁棒性的权重分别为0.35、0.4、0.25。
[0093]
基于pca的轴承健康因子构建
[0094]
pca是一种无监督降维算法，通过将原始数据投影到一个更低维的空间中，使得新的特征维度上的方差尽可能大，从而保留了原始数据中的主要信息，主要应用于统计数据分析、数据压缩和特征提取等方面。本技术利用pca对筛选到的优质特征集与cnn提取到的深层特征集进行融合，选择贡献率最高的第一主成分作为滚动轴承的健康因子。基于pca的轴承健康因子流程如图5所示，具体步骤如下：
[0095]
步骤一：获取滚动轴承的退化数据。通过使用振动传感器采集其在整个使用寿命期间的数据。
[0096]
步骤二：提取低层次特征。根据前述特征提取方法从原始振动信号中提取时域特征和频域特征。
[0097]
步骤三：提取深层特征。训练cnn深层特征提取器。按照前述所提步骤构建并训练cnn深层特征提取器，获得滚动轴承的深层特征集。
[0098]
步骤四：优质特征选择。根据前述特征筛选准则，筛选出综合评估阈值以上的时域特征和频域特征作为优质特征参数集。
[0099]
步骤五：pca特征融合。将筛选的优质特征和cnn提取的深层特征进行数据归一化作为pca的输入，选择贡献率最高的第一主成分作为滚动轴承的健康因子fhi。
[0100]
在剩余寿命预测方法步骤中现有方法多采用适合序列数据的深度学习模型，但大多数忽略了时间序列的趋势性和周期性，无法对时序数据进行分解。针对这一问题，本技术构建了n-beats剩余寿命预测模型，使用构建的健康因子fhi完成剩余寿命预测任务。
[0101]
n-beats剩余寿命预测模型搭建
[0102]
(1)n-beats模型构建
[0103]
本技术利用n-beats网络时序可分解、可解释特性，建立基于n-beats的剩余寿命预测模型如图6所示，总体网络由3个趋势栈模型和2个通用栈组成，每个栈包含3个block。由于构建的健康因子趋势性比周期性更显著，本技术采用趋势栈和通用栈两种栈来混合搭建。为了让模型对输入的健康因子进行特征挖掘，找到最具有代表性和显著性的特征，通用栈放在趋势栈的末端，以便利用趋势栈提取健康指标的趋势性特征，而通用栈则将剩余部分进行拟合并得出一个输出，从而提高模型的预测精度。
[0104]
设置网络中block的个数时，通用栈的block个数理论上越多越好，因为其能够更充分地提取特征。然而趋势栈的block个数过多会导致不收敛的情况，通过反复调整，将block个数设为3时效果较好，隐层神经元个数设为32。具体超参数如表4所示。
[0105]
表4模型参数表
[0106][0107]
(2)n-beats模型训练
[0108]
在模型训练阶段，数据标签定义为寿命比值r(剩余寿命与全寿命的比值)，将训练集数据{x
t
,y
t
}n输入到步骤(1)构建好的n-beats模型进行训练，其中x
t
为根据前述方法构建的健康因子fhi，y
t
代表数据标签值。模型的损失函数是均方误差mse，反向传播时采用adam算法进行优化。
[0109]
(3)模型测试。在模型的测试阶段，将测试集轴承的健康因子输入步骤(2)训练好的n-beats模型中，得到测试轴承的剩余使用寿命rul。
[0110]
实验验证和结果分析
[0111]
数据准备：
[0112]
了验证所提方法对小样本条件下滚动轴承剩余寿命预测的有效性，采用femto实验台的数据进行实验分析。实验数据划分如表5所示。
[0113]
表5实验数据划分
[0114][0115]
为了满足maml-n-beats模型输入的一致性要求，不能直接使用所有数据进行实验，需要对轴承数据进行采样。采样完成后，根据前述方法将原始振动信号转换为健康因子fhi。将每个轴承的健康因子fhi划分为多个任务。具体地，将每个轴承的健康因子fhi中每15个点作为一个任务，其中前10个点作为第一行向量，一次递增形成一个6*15的样本矩阵。其中，前5个样本作为当前任务的一个支持集，最后一个样本作为当前任务的查询集。
[0116]
网络参数设置
[0117]
为解决小样本条件下的滚动轴承剩余寿命预测问题，本方法研究搭建了基于maml策略和n-beats的剩余寿命模型。在该预测模型下，设置了一系列模型超参数，详见表6。通过该预测模型，可以快速、准确地对滚动轴承剩余寿命进行预测。
[0118]
表6maml-n-beats网络剩余寿命预测模型参数表
[0119][0120][0121]
实验结果与分析
[0122]
根据方法流程的步骤一，首先将滚动轴承的原始振动信号采用前述方法构建为健康因子fhi。如图7所示，以三种工况下的轴承为例构建的健康因子。
[0123]
(1)模型有效性测试
[0124]
在获取健康因子fhi并划分任务完成后，根据表6对maml-n-beats模型进行了参数配置，并进行训练和测试。将训练任务t输入到maml-n-beats模型中，该模型的内外部学习率分别设置为0.003和0.004。在训练过程中，保存训练好的模型参数θ
*
，以便进行后续的元测试。在元训练阶段，maml-n-beats模型进行3000次迭代训练。训练过程中，记录损失值随迭代次数增加的变化趋势，如图8所示。可以看出，随训练迭代次数的增加，损失值mse整体呈下降趋势，意味着maml-n-beats模型的性能不断得到优化。此外，maml-n-beats模型训练过程中损失函数在250轮左右达到稳定，表明模型已经充分学习了元训练任务的知识，具有一定的泛化能力，证明了模型的有效性。
[0125]
(2)测试任务预测结果
[0126]
将测试任务p和模型参数θ
*
输入到n-beats模型中进行微调并保存，对查询集进行预测输出结果。利用该模型预测3组测试轴承的剩余寿命，预测结果如图9至图11所示。
[0127]
由图可知，可以看到测试集中bearing1-4和bearing2-1的预测表现相对理想，与预期相符合。不过，在bearing3-1轴承的预测效果稍显不足，这可能是因为模型训练所使用的数据集中不包含工况3的轴承数据，因此模型在工况3下的轴承上的性能表现没有得到充分体现。尽管如此，基于maml策略和n-beats轴承剩余寿命预测模型仍然能够有效地预测滚动轴承的剩余寿命。
[0128]
(3)模型预测精度分析
[0129]
为了进一步证明所述方法在小样本条件下对轴承剩余寿命预测的优越性，本技术将其与n-beats,maml-lstm模型在小样本条件下的预测效果进行对比。
[0130]
根据前述实验设置，maml-n-beats模型进行元训练阶段使用训练任务集进行跨任务训练，在元测试阶段使用测试任务的支持集进行微调。n-beats模型使用测试任务的支持集进行训练。maml-lstm模型的元训练和元测试阶段使用数据集与maml-n-beats方法一样。模型预测精度对比结果如表7所示，表中显示了三个模型在在评价指标mse和mae上的差异。
[0131]
表7预测精度对比结果
[0132][0133]
由表可知，基于maml策略的n-beats模型在小样本条件下对轴承剩余寿命的预测效果均优于对比模型。相较于n-beats和maml-lstm模型，本技术所述方法采用多任务训练方法，充分利用有限的标签样本，优化maml-n-beats模型的初始化参数，同时使得模型可以充分学习轴承的退化规律，从而提高了预测精度。
[0134]
(4)学习速度分析
[0135]
元学习预测方法的主要优势在于快速预测新任务，即在可接受的精度前提下，能够快速适应新的数据集。不同模型训练时间如表8所示，由表可知maml-n-beats模型的训练时间相对于普通的n-beats模型更长，这是因为maml需要进行额外的内部循环训练，并且需要多次计算梯度和更新参数。然而，在预测新任务时，只需将保存maml-n-beats模型的初始化参数和轴承健康因子fhi输入到模型中，就能够快速适应新任务，对轴承剩余寿命进行快速预测。相比之下，n-beats模型需要重新开始训练模型再进行预测，因此时间耗费比较长。
[0136]
表8不同模型的训练时间
[0137][0138]
(5)补充数据集试验
[0139]
为了进一步验证基于maml策略的滚动轴承剩余寿命预测方法的泛化性，在实验数据集的基础上，训练集上补充bearing3-2和bearing3-3数据。这样训练集包含了三个工况的数据，在bearing3-1验证结果如图12所示，对比图11的预测结果，误差明显降低，这表明说明该方法具有较好的泛化性能。

技术特征：
1.一种基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于包括如下步骤：信号采集，使用传感器采集滚动轴承从开始到完全失效的全寿命周期数据；采用pca算法进行多特征融合构建出滚动轴承的健康因子fhi；构建maml-n-beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子fhi；将预测模型的各训练集t的健康因子fhi划分为许多个任务，并将每个任务划分为支持集和查询集；将测试集p按照步构造的测试任务集,将每个测试任务的支持集输入到maml-n-beats预测模型中，然后微调模型；将每个测试任务查询集输入到微调好的maml-n-beats模型中，经过计算输出后实现轴承剩余寿命预测。2.如权利要求1所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于：构建健康因子fhi的方法包括如下步骤：提取滚动轴承振动信号的时域特征和频域特征，计算各特征的相关性、预测性和鲁棒性的综合评估值，剔除综合评估值阈值以下的统计特征，得到最优特征参数集；采用pca算法融合提取筛选的最优特征参数集和cnn提取的深层特征作为滚动轴承的健康因子fhi。3.如权利要求2所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于：构建健康因子fhi的方法包括如下步骤：获取滚动轴承的退化数据：通过使用振动传感器采集其在整个使用寿命期间的数据；提取低层次特征：从原始振动信号中提取时域特征和频域特征；提取深层特征：构建并训练cnn深层特征提取器，获得滚动轴承的深层特征集；优质特征选择：根据特征筛选准则，筛选出综合评估阈值以上的时域特征和频域特征作为最优特征参数集；pca特征融合：将筛选的最优特征参数集和cnn提取的深层特征进行数据归一化作为pca的输入，选择贡献率最高的第一主成分作为滚动轴承的健康因子fhi。4.如权利要求3所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于：时域特征参数包括：均值方差σ2；峰峰值x
peak
；峰态系数c
p
；峰值因子c；波形因子s；脉冲因子i；偏态系数c
s
；裕度系数clf；峭度系数k；平均信号电平asl。5.如权利要求3所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，频
谱特征参数包括：平均频率f
mean
；中心频率f
c
；均方根频率f
r
；标准差频率f
std
；频率集中度f
fcous
；频率峭度f
v
。6.如权利要求3所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，获得滚动轴承的深层特征集的方法包括如下步骤：1)数据集划分：将轴承数据集划分为训练集和测试集，原始振动信号作为cnn模型的输入；2)设定训练标签y
i
为退化值，假设当前轴承i的全寿命为t，则当轴承运行到t时，退化值为y
i
＝t/t；3)设置cnn模型输入：将步骤1)中处理好的数据和步骤2)中对应的标签值作为模型输入；4)模型搭建及训练：cnn深层特征提取器模型共有10层，设置1个输入层、2个卷积层、2个池化层，将经过两次卷积池化的数据进行展平处理后，输入到4个全连接层，最后是1个输出层；其中两个卷积层的卷积核大小都为11*1，两个最大池化层；全连接层fc1～fc4的神经元个数依次是500、200、100、50；输出层使用sigmoid激活函数将输出值限制在[0，1]范围内，作为对应的退化值；卷积层和其他全连接层的激活函数都为relu函数；损失函数使用均方误差mse，在反向传播时使用adam算法进行优化；为了避免过拟合，引入了dropout和l2正则化；之后对cnn模型进行训练。5)测试集的原始振动信号输入到步骤4)中已经训练好的模型中，并获得fc4层的50维输出作为测试集轴承的深层特征。7.如权利要求3所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，最优参数特征集通过如下方法获得：采用移动平均法将特征序列分解成平稳趋势和随机余量两部分，如式(1)所示，式中，f
t
(t
n
)表示平稳部分，f
r
(t
n
)表示余量部分；特征序列f＝[f(t1)，f(t2)，...，f(t
n
)]，时间序列t＝[t1，t2，...，t
n
，f(t
n
)表示在时间t
n
处的特征值，n为时间序列总长度；f(t
n
)＝f
t
(t
n
)+f
r
(t
n
)
ꢀꢀꢀꢀ
(1)时间相关性用来度量特征序列和时间序列的相关程度的，记为corr(f，t)，定义如式(2)所示；根据相关性公式计算观测时间与退化特征之间的相关性，其指标取值区间为[o，1]，当退化特征与观测时间的相关性值越接近1，代表相关程度越高；预测性用来描述特征的预测性能，记为pre(f)定义如式(3)所示，式中σ(f(t
n
))为退化特征在失效时刻的标准差；根据预测性公式计算，其指标取值区间为[0，1]，当特征参数的预测性值越趋近1，代表该特征刻画轴承退化过程能力越高，预测能力越强；
鲁棒性用来反应特征信号序列的抗干扰或抗噪能力，记为rob(f)，定义如式(4)所示：根据鲁棒性公式计算，其指标取值区间为[0，1]，当特征参数的鲁棒性值越靠近1，代表该特征越强健；综合考虑三项特征评价指标，得到最优特征参数组合，设计综合目标优化函数如式(5)所示：式中，cri为综合目标优化函数，ω
i
(i＝1,2,3)为评价指标系数；相关性、预测性和鲁棒性均与综合目标优化函数呈正相关，且cri的取值区间为[0，1]，该特征的cri越高，表明该特征越能表征轴承的退化过程。8.如权利要求1所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，构建maml-n-beats滚动轴承剩余寿命预测模型的方法包括如下步骤：maml-n-beats轴承剩余寿命预测模型分为元训练阶段和元测试阶段，元训练阶段是通过训练一系列轴承寿命预测的历史任务，得到基线模型n-beats的一个初始参数，使得这个初始模型能够快速适应新的任务；元测试阶段针对测试任务微调元训练阶段得到的n-beats初始模型，通过少量样本和反向传播算法对模型参数进行更新，以适应新任务的特征；(1)元训练阶段基线模型是包括趋势栈和通用栈的n-beats模型，用函数f表示；第1步，将轴承的健康因子fhi划分为训练任务t
train
和测试任务t
test
，每个任务都包括支持集s
i
和查询集q
i
；第2步，随机初始化n-beats模型，初始化参数设为θ，此时模型用f
θ
表示；第3步，训练任务集t
train
的任务t
i
输入n-beats模型进行训练，计算支持集s
i
在当前任务上的损失模型f
θ
的参数就会按式(6)梯度更新从θ更新为θ
i
，其中α是n-beats网络的学习率；第4步，用当前任务的查询集q
i
测试的性能，计算损失第5步，对训练任务集t
train
的所有任务反复执行3、4步，计算之和，如公式(7)所示；第6步，按照式(7)更新元网络的参数θ
meta
；其中，β为元网络的学习率；通过这样的训练模式，找到n-beats模型的初始化参数；
(2)元测试阶段第1步，在元训练结束后得到的maml-n-beats模型上，用测试任务t
test
的支持集s
i
对其进行微调；第2步，用测试任务t
test
的查询集q
i
评估maml-n-beats模型的性能。9.如权利要求8所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，将各训练集t的健康因子fhi划分为许多个任务并将每个任务划分为支持集和查询集的方法包括如下步骤：具体划分方法如下：首先将健康因子fhi中每n个点作为一个任务，其中前k个点作为第一行，然后依次递增行成一个(n-k+1)*k的样本，即将n个点转化成k个点作为一个支持集，并将n个点的最后k个点作为查询集，在矩阵中表示就是将前k行的行向量定义为支持集，最后一个行向量定义为查询集，模型的元学习过程可表述为如下：θ
*
＝maml(t1，t2，
…
，t
m
)
ꢀꢀꢀꢀꢀ
(10)公式中t
i
表示不同训练任务；在训练模型过程中，根据公式(8)对maml-n-beats网络的参数进行梯度更新，将训练后得到的参数θ
*
保存下来，f
*
表示n-beats预测模型使用θ
*
作为初始化参数。10.如权利要求9所述的基于maml元学习的滚动轴承剩余寿命预测方法，其特征在于，将测试集p按照步骤二构造测试任务集，将每个测试任务的支持集输入到maml-n-beats中，然后微调模型。将每个测试任务查询集输入到微调好的n-beats模型中，经过计算输出后实现轴承剩余寿命rul预测：

技术总结
本发明公开了一种基于MAML元学习的滚动轴承剩余寿命预测方法，所述方法包括：采用PCA算法进行多特征融合构建出滚动轴承的健康因子FHI；构建MAML-N-Beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子FHI；将预测模型的各训练集T的健康因子FHI划分为许多个任务，并将每个任务划分为支持集和查询集；将每个测试任务查询集输入到微调好的MAML-N-Beats模型中，经过计算输出后实现轴承剩余寿命预测。与传统的RUL预测方法相比，该方法提高了预测精度，同时还能进行短期数据的快速预测。测。测。


技术研发人员：马新娜 牛天云 梁秀 刘心茹 赵志宏 刘勤清 李中华 李沂洋
受保护的技术使用者：石家庄铁道大学
技术研发日：2023.05.24
技术公布日：2023/8/13