[發(fā)明專(zhuān)利]一種深度置信網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)的軸承衰退趨勢(shì)預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010542440.5
• 申請(qǐng)日: 2020-06-15
• 公開(kāi)（公告）號(hào): CN111737911B
• 公開(kāi)（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 許雨晨;李宏坤;馬躍;黃剛勁;張明亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 大連理工大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 大連理工大學(xué)專(zhuān)利中心 21200
• 代理人: 溫福雪;侯明遠(yuǎn)

1.一種深度置信網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)的軸承衰退趨勢(shì)預(yù)測(cè)方法，其特征在于，步驟如下：

步驟1：獲取振動(dòng)信號(hào)，進(jìn)行軸承加速壽命試驗(yàn)，直至軸承完全失效，獲得軸承全壽命周期的振動(dòng)信號(hào)；

步驟2：對(duì)原始振動(dòng)信號(hào)進(jìn)行特征提取，分別提取10個(gè)時(shí)域統(tǒng)計(jì)特征、16個(gè)時(shí)頻域特征和2個(gè)基于三角函數(shù)的特征，構(gòu)建全面描述軸承運(yùn)行狀態(tài)的多域特征集；

步驟3：使用深度置信網(wǎng)絡(luò)對(duì)多域特征集進(jìn)行無(wú)監(jiān)督特征融合，得到全面反映軸承運(yùn)行狀態(tài)的健康指標(biāo)，具體過(guò)程如下：

3.1將步驟2中的多域特征集數(shù)據(jù)進(jìn)行[0,1]歸一化處理；

3.2建立深度置信網(wǎng)絡(luò)模型，將歸一化處理后的多域特征集作為輸入，進(jìn)行無(wú)監(jiān)督特征融合，得到全面表征軸承運(yùn)行狀態(tài)的健康指標(biāo)；

3.2.1深度置信網(wǎng)絡(luò)是一個(gè)能量概率模型，由多個(gè)受限玻爾茲曼機(jī)堆疊而成，深度置信網(wǎng)絡(luò)的無(wú)監(jiān)督訓(xùn)練是對(duì)單個(gè)受限玻爾茲曼機(jī)進(jìn)行逐層訓(xùn)練，受限玻爾茲曼機(jī)的訓(xùn)練過(guò)程如下：

1)初始化可見(jiàn)層單元和隱層單元的偏置b_i、c_j，可見(jiàn)層和隱層之間的權(quán)重矩陣w_ij，其中i為可見(jiàn)層單元數(shù)量，j為隱層單元數(shù)量；

2)使用激活函數(shù)sigmiod，得到v和h的激活概率如下：

其中，v＝{v₁,v₂,...,v_i}和h＝{h₁,h₂,...,h_j}分別為可見(jiàn)層單元和隱層單元；

3)使用對(duì)比散度算法，通過(guò)步驟2)中的計(jì)算公式求得可見(jiàn)單元或隱層單元的概率，實(shí)現(xiàn)可見(jiàn)層重構(gòu)，求得重構(gòu)誤差后使用梯度下降算法更新單元的偏置及權(quán)重，更新過(guò)程如下：

其中，γ代表學(xué)習(xí)率，取值為[0,1]；

3.2.2將逐層訓(xùn)練RBM得到的偏置和權(quán)重作為深度置信網(wǎng)絡(luò)的模型參數(shù)；

步驟4：對(duì)健康指標(biāo)進(jìn)行[0,1]歸一化處理，并對(duì)軸承運(yùn)行狀態(tài)劃分階段；

步驟5：建立極限學(xué)習(xí)機(jī)回歸預(yù)測(cè)模型，具體步驟如下：

5.1極限學(xué)習(xí)機(jī)是一種快速學(xué)習(xí)算法，對(duì)于一個(gè)有L個(gè)隱層單元的單隱層網(wǎng)絡(luò)，有N個(gè)訓(xùn)練樣本(x_i,t_i)，其中x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i＝[t_i1,t_i2,…,t_im]^T∈R^m，則ELM的輸出為：

其中，g(*)為激活函數(shù)，W_l＝[w_l1,w_l2,···,w_ln]^T為第l個(gè)隱層單元的輸入權(quán)重，b_l為第l個(gè)隱層單元的偏置，β_l＝[β_i1,β_i2,…,β_im]^T為第l個(gè)隱層單元的輸出權(quán)重；

單隱層網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)是使模型輸出與期望輸出的誤差最小，表示為下式：

即存在W_l、b_l和β_l，使得

矩陣表示為：

Hβ＝T (6)

其中，H為隱層節(jié)點(diǎn)的輸出，β為輸出權(quán)重，T為期望輸出；

在ELM算法中，輸入權(quán)重和偏置被隨機(jī)確定，則隱含層的輸出矩陣H就被唯一確定，訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)就轉(zhuǎn)化為求解輸出權(quán)重β的最小二乘解問(wèn)題，輸出權(quán)重β^*計(jì)算公式如下：

其中，表示隱含層輸出矩陣H的Moore-Penrose廣義逆；

5.2使用步驟2提取的特征集作為預(yù)測(cè)模型的輸入，步驟3建立的健康指標(biāo)作為預(yù)測(cè)模型的期望輸出矩陣T；

5.3使用訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，得到對(duì)應(yīng)的輸出權(quán)值β^*，即完成了預(yù)測(cè)模型的訓(xùn)練；

步驟6：將測(cè)試集數(shù)據(jù)輸入訓(xùn)練完成的預(yù)測(cè)模型中，得到對(duì)測(cè)試樣本退化趨勢(shì)的預(yù)測(cè)結(jié)果；

步驟7：預(yù)測(cè)結(jié)果評(píng)價(jià)：使用均方誤差和平均絕對(duì)誤差對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，計(jì)算公式如下：

其中，n代表預(yù)測(cè)的數(shù)據(jù)長(zhǎng)度，x_i代表第i個(gè)數(shù)據(jù)的真實(shí)值，y_i代表第i個(gè)數(shù)據(jù)的預(yù)測(cè)值，RMSE和MAE的計(jì)算值越趨近于零，說(shuō)明預(yù)測(cè)精度越高。