[發(fā)明專利]一種基于注意力機(jī)制和殘差神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011426208.1
• 申請(qǐng)日: 2020-12-11
• 公開(kāi)（公告）號(hào): CN112747924A
• 公開(kāi)（公告）日: 2021-05-04
• 發(fā)明（設(shè)計(jì)）人: 皮德常;喻文;謝凌強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06F30/27;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F119/02;G06F119/04
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開(kāi)了基于注意力機(jī)制和殘差神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)方法，包括：首先使用時(shí)域特征和k?means聚類算法自適應(yīng)地識(shí)別軸承的退化狀態(tài)；使用經(jīng)驗(yàn)?zāi)Ｊ椒ǚ纸廨S承數(shù)據(jù)信號(hào)并去除噪聲；訓(xùn)練和使用引入了注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)完成對(duì)軸承的壽命預(yù)測(cè)。本發(fā)明的優(yōu)點(diǎn)是：自適應(yīng)識(shí)別軸承的退化狀態(tài)，避免了正常狀態(tài)下產(chǎn)生的數(shù)據(jù)對(duì)壽命預(yù)測(cè)的干擾；使用經(jīng)驗(yàn)?zāi)Ｊ椒ǚ纸廨S承數(shù)據(jù)信號(hào)并去除噪聲，阻止了不同頻率下的退化和故障特征互相干擾抵消，進(jìn)而使模型學(xué)習(xí)到的特征更有效；使用引入了注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)，讓神經(jīng)網(wǎng)絡(luò)模型始終受到原始信號(hào)的影響且把注意力聚集在故障特征所在的通道，防止模型過(guò)擬合。

技術(shù)領(lǐng)域

本發(fā)明涉及一種引入注意力機(jī)制和殘差神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)方法，是針對(duì)軸承剩余壽命的預(yù)測(cè)方法，屬于工程應(yīng)用與信息科學(xué)的交叉領(lǐng)域。

背景技術(shù)

軸承是精密部件中的易損部件，機(jī)械設(shè)備發(fā)生的故障有45％～55％是因?yàn)檩S承故障引起的。當(dāng)軸承出現(xiàn)了故障，將會(huì)直接影響到與軸承相關(guān)聯(lián)的旋轉(zhuǎn)軸、齒輪等零件，進(jìn)而使整個(gè)機(jī)械設(shè)備或者生產(chǎn)線無(wú)法正常運(yùn)行而暫停生產(chǎn)，造成經(jīng)濟(jì)損失，嚴(yán)重時(shí)甚至造成設(shè)備損毀，威脅到操作工人的人身安全。如果有一種可靠的剩余壽命預(yù)測(cè)方法，在軸承失效之前更換軸承就可以有效地延長(zhǎng)機(jī)械設(shè)備的使用壽命，避免機(jī)械系統(tǒng)的損壞。因此，開(kāi)展對(duì)滾動(dòng)軸承的早期故障診斷技術(shù)的研究具有十分重要的意義。

目前已經(jīng)有了一些關(guān)于軸承壽命預(yù)測(cè)方法的研究成果，可以分為基于物理模型、基于數(shù)據(jù)驅(qū)動(dòng)以及融合方法三種。由于物理模型的建立會(huì)隨著時(shí)間序列復(fù)雜度的增加而變得更加困難，基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法已成為主流方式。因?yàn)檩S承多在高溫、交變載荷、重載等惡劣工作環(huán)境下運(yùn)行，所以軸承的信號(hào)中故障和退化信息隱藏在復(fù)雜的背景噪聲中。傳統(tǒng)的深度學(xué)習(xí)方法難以避免噪聲的干擾。對(duì)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)而言，在每一次卷積、和池化后向量維度和原始特征信息都會(huì)大幅減少。這種把向量維度從大變小的操作被稱為降采樣。降采樣可以在縮小向量維度的同時(shí)提取出分類器所需要的抽象特征。然而隨著神經(jīng)網(wǎng)絡(luò)的層數(shù)、降采樣的次數(shù)變多，就會(huì)出現(xiàn)梯度爆炸、梯度消失等會(huì)讓網(wǎng)絡(luò)性能大幅下滑的問(wèn)題。

針對(duì)上述問(wèn)題，本發(fā)明提出了一種引入注意力機(jī)制的和殘差神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測(cè)方法。為了解決梯度衰減問(wèn)題，殘差卷積神經(jīng)網(wǎng)絡(luò)中加入了一種“短路器”，它可以智能的跳過(guò)一些不必要的網(wǎng)絡(luò)層，從而在降采樣的同時(shí)保留更多的特征信息。同時(shí)，殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是一系列路徑集合組裝成的集成模型。這種路徑集合的特殊結(jié)構(gòu)方便了注意力機(jī)制的引入。傳統(tǒng)的殘差神經(jīng)網(wǎng)絡(luò)通道和通道之間直到全連接層是沒(méi)有聯(lián)系且等價(jià)的。然而軸承信號(hào)中的故障和退化信號(hào)只集中在部分頻率內(nèi)。因此本發(fā)明使用將每個(gè)通道的信息壓縮為一個(gè)全局特征，再將這些全局特征加入全連接神經(jīng)網(wǎng)絡(luò)，用全連接神經(jīng)網(wǎng)絡(luò)中的sigmoid激活函數(shù)的激活值作為通道權(quán)重，從而使模型對(duì)各個(gè)通道的特征更有辨別能力。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的是提供一種有效的基于引入注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)的軸承剩余壽命預(yù)測(cè)方法。該方法使用短路方法解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在做壽命預(yù)測(cè)時(shí)容易發(fā)生梯度衰減的問(wèn)題。其次，考慮到軸承信號(hào)中的有效特征集中在特定的幾個(gè)頻率，本發(fā)明使用一種注意力機(jī)制讓模型自適應(yīng)地聚焦在軸承信號(hào)所在的通道。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明提出一種k-means算法對(duì)軸承的退化模式聚類，將軸承的退化過(guò)程分為正常工作狀態(tài)、退化狀態(tài)和失效狀態(tài)。由于正常工作狀態(tài)中的軸承不存在退化信號(hào)，因此本發(fā)明將數(shù)據(jù)集中正常工作狀態(tài)下的軸承信號(hào)剔除。其次，考慮到退化信號(hào)集中在特點(diǎn)頻率中，本文使用EMD(經(jīng)驗(yàn)?zāi)Ｊ椒纸?把原始信號(hào)分成8個(gè)IMF(基本模式分量)。最后在神經(jīng)網(wǎng)絡(luò)模型中引入注意力機(jī)制，給予各個(gè)通道合理的權(quán)值，從而讓模型能更好地學(xué)習(xí)到軸承退化特征，從而更有效地預(yù)測(cè)軸承的剩余壽命并防止過(guò)擬合。

步驟一：使用k-means算法對(duì)軸承的退化模式聚類：

(1)對(duì)數(shù)據(jù)進(jìn)行清洗和歸一化，去除不符合物理特征的離群點(diǎn)。