[發明專利]基于對抗訓練和遷移學習的旋轉機械剩余壽命預測混合收縮方法

有效

• 申請號: 202110234849.5
• 申請日: 2021-03-03
• 公開（公告）號: CN112966345B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 王藝瑋;周健;鄭聯語
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于對抗訓練和遷移學習的旋轉機械剩余壽命預測混合收縮方法，其特征在于，包括以下步驟：

S1、利用振動波動檢測算法區分設備的健康和退化狀態；

S2、設置軟閾值剔除特征中的干擾成分；

S3、設置6個模塊，通過模塊間的對抗訓練提高特征域融合度的同時保證特征的狀態分離度；

所述步驟S3中的6個模塊包括特征提取模塊FE、閾值自學習模塊TS、狀態區分模塊SS、域判別模塊DD、MMD計算模塊MC和狀態預測模塊SP；

所述6個模塊均由神經網絡層搭建而成；

所述FE用于從原始振動信號中提取特征；

所述TS用于對提取特征進行軟閾值化，剔除特征中的干擾成分；

所述SS用于區分特征的不同壽命狀態；

所述DD用于判別特征所屬的不同域；

所述MC用于計算不同域特征的分布差異；

所述SP用于預測特征對應的壽命狀態；

所述步驟S3中的域融合度即不同數據集合的相似程度，狀態分離度即相同數據集合中對應旋轉機械不同壽命狀態的特征的差異程度；所述步驟S3具體為：

S31、利用域判別損失訓練DD，讓其能準確判斷各域特征所屬的不同域；

S32、利用相對的域判別損失訓練FE，讓其能從原始信號中提取出迷惑住DD的特征；

S33、FE和DD交替訓練，直至達到平衡；

S34、利用狀態區分損失訓練SS，讓其無法區分特征對應的不同狀態；

S35、利用相對的狀態區分損失訓練FE，讓其能從原始信號中提取出被SS準確區分開不同狀態的特征；

S36、FE和SS交替訓練，直至達到平衡；

S4、引入最大均值差異，通過遷移學習控制不同數據集合的分布誤差；

S5、基于源域特征利用評價指標訓練狀態預測模塊，實現旋轉機械的遷移預測。

2.如權利要求1所述的基于對抗訓練和遷移學習的旋轉機械剩余壽命預測混合收縮方法，其特征在于，所述步驟S1中的振動波動檢測算法用以安全可靠地從振動數據中確定初始故障出現的時間FOT；

所述振動波動檢測算法表示如下：

式中，Pp()表示振動信號的峰峰值，Std()表示峰峰值標準差；N表示樣本量，也代表區間數；μ為倍數，閾值為初始標準差的指定倍數；i即超過閾值的區間序數，即樣本序數；I表示超過閾值的樣本序數的集合，T()表示樣本對應的時間。

3.如權利要求1所述的基于對抗訓練和遷移學習的旋轉機械剩余壽命預測混合收縮方法，其特征在于，所述步驟S1具體為：

S11、將全部原始信號劃分為多個連續的樣本，計算每個樣本的振幅峰峰值；

S12、以固定樣本數量劃分區間，通過重復首區間值將區間數補至同樣本量，計算每個區間內的峰峰值標準差；

S13、以首區間標準差為基準值，指定其倍數為閾值；

S14、確定正向超過該閾值的區間，即從小于閾值到大于等于閾值的區間，進一步確定對應的樣本，并判斷后續樣本的峰峰值是否都大于該樣本的峰峰值，若是，則該樣本對應時間點為FOT，若否，則繼續逐滿足條件的區間、樣本判斷；

S15、若只有一個樣本滿足條件，其對應時間點即為FOT；若有多個樣本滿足條件，則取最早時間點為FOT。

4.如權利要求1所述的基于對抗訓練和遷移學習的旋轉機械剩余壽命預測混合收縮方法，其特征在于所述步驟S2中的軟閾值為一種信號降噪方法，通過設定閾值τ將信號中在區間[-τ,τ]內的值置為0，讓區間外的特征也朝著原點收縮τ個單位；

所述軟閾值思想在深度學習中的應用，是通過創建閾值自學習模塊TS來實現的，閾值τ由TS學習得到，進而對特征進行軟閾值化。