[發(fā)明專利]基于對抗訓練和遷移學習的旋轉(zhuǎn)機械剩余壽命預測混合收縮方法

有效

• 申請?zhí)枺?/td>: 202110234849.5
• 申請日: 2021-03-03
• 公開（公告）號: CN112966345B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計）人: 王藝瑋;周健;鄭聯(lián)語
• 申請（專利權(quán)）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

本發(fā)明公開了一種基于對抗訓練和遷移學習的旋轉(zhuǎn)機械剩余壽命預測混合收縮方法，首先利用振動波動檢測算法區(qū)分設(shè)備的健康和退化狀態(tài)，再設(shè)置多個模塊，利用閾值自學習模塊剔除提取特征中的干擾，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各狀態(tài)的分離度，引入最大均值差異控制不同數(shù)據(jù)集合的分布誤差，最后基于源域特征訓練狀態(tài)預測模塊，實現(xiàn)旋轉(zhuǎn)機械的遷移預測。以上特點使得本發(fā)明方法能有效解決旋轉(zhuǎn)機械狀態(tài)預測問題，并消除不同設(shè)備和不同工況差異的影響，提高狀態(tài)預測穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明屬于旋轉(zhuǎn)機械剩余壽命預測方法技術(shù)領(lǐng)域，具體涉及基于對抗訓練和遷移學習的旋轉(zhuǎn)機械剩余壽命預測混合收縮方法。

背景技術(shù)

大型機器設(shè)備的安全穩(wěn)定運行至關(guān)重要，無論是從設(shè)備增產(chǎn)的層面還是生產(chǎn)安全的層面。旋轉(zhuǎn)機械組件作為大型設(shè)備的關(guān)鍵耗損部件，其狀態(tài)直接影響著設(shè)備的運行。因此，旋轉(zhuǎn)組件的狀態(tài)預測對于防止部件性能惡化、意外宕機，保障運行安全，促進預測性維護決策的制定有重要意義。狀態(tài)預測方法可分為三大類：基于統(tǒng)計模型的方法，基于物理模型的方法和數(shù)據(jù)驅(qū)動的方法，各有優(yōu)缺點。數(shù)據(jù)驅(qū)動的方法也稱為人工智能的方法，主要是通過人工智能來學習到狀態(tài)監(jiān)測數(shù)據(jù)與機器退化狀態(tài)之間的直接關(guān)系，而不需要什么專業(yè)知識，這有利于工業(yè)應用。得益于智能制造的大力發(fā)展，采集的數(shù)據(jù)量顯著增長、數(shù)據(jù)質(zhì)量明顯提高，計算硬件和算法也快速發(fā)展，深度學習方法的桎梏得以突破，開始廣泛應用于壽命預測，表現(xiàn)令人滿意。

建立全壽命數(shù)據(jù)和剩余使用壽命(RUL)之間的映射關(guān)系難度非常大，也不太符合實際情況。一般來講，機器在運行初期通常是健康的，在這個時間段里設(shè)備的RUL認為是不變的，只有在某一時刻一個初始故障發(fā)生，機器才會開始退化。如何準確找到這個初始故障發(fā)生點(FOT)，是提高預測方法準確性的關(guān)鍵。有的文獻中以某些時域特征如峰度、均方根作為退化指標，設(shè)定閾值，超過閾值的時間即為FOT；也有以頻域特征作為退化指標的，如Zhang等人提出了波形熵指數(shù)來識別退化信號的FOT；比較巧妙的，也有利用深度學習方法來確定FOT，Li利用生成對抗神經(jīng)網(wǎng)絡(luò)學習設(shè)備全壽命退化過程的特征，以判別器的輸出作為衡量其穩(wěn)定性的指標，當其開始波動時即認為初始故障出現(xiàn)。

實際上因為軸承退化過程歷時較長，采集軸承全壽命數(shù)據(jù)的價格相對較高，所以公開全壽命數(shù)據(jù)集都是間隔采集數(shù)據(jù)，這樣獲取的全壽命數(shù)據(jù)都是有缺失的，不能覆蓋數(shù)據(jù)分布的全部特征。此外，不同設(shè)備導致退化的初始故障通常是不同的，這就導致不同軸承設(shè)備的退化行為不同，體現(xiàn)在運行數(shù)據(jù)上就是數(shù)據(jù)之間存在分布差異。不同的工況則會加劇這種差異。在旋轉(zhuǎn)機械RUL預測問題中，訓練和測試數(shù)據(jù)來自不同的設(shè)備，包括在相同工況下以及不同工況間，這種分布差異使得很難將從訓練數(shù)據(jù)中學習到的預測知識推廣到測試數(shù)據(jù)中。針對分布差異問題，遷移學習技術(shù)是當下主流的解決方案。遷移學習在很多領(lǐng)域如文本分類、圖像分類都已經(jīng)有了大量的實踐和成功應用，近年來也開始應用到了旋轉(zhuǎn)機械預測領(lǐng)域。Mao等人提出基于遷移學習的預測方法，在離線階段用自編碼器提取深層特征，利用最小二乘支持向量機訓練退化狀態(tài)預測模型；在線階段基于輔助軸承以此調(diào)整目標軸承的特征，修正預測模型。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種不同軸承設(shè)備之間的多階段深度卷積遷移學習故障診斷方法，該方法解決了目標軸承標簽樣本數(shù)據(jù)難以獲取，訓練數(shù)據(jù)和測試數(shù)據(jù)特征分布相似性難以保證，而造成的不同設(shè)備之間遷移學習時，對待測樣本故障診斷準確率較低的問題。

針對現(xiàn)有技術(shù)方法存在的不足，本發(fā)明的目的在于提供一種基于對抗訓練和遷移學習的旋轉(zhuǎn)機械剩余壽命預測混合收縮方法，該方法解決了準確劃分設(shè)備健康和退化狀態(tài)以及消除不同設(shè)備不同工況導致的數(shù)據(jù)分布差異實現(xiàn)高精度遷移預測的問題。

為實現(xiàn)上述目的，本發(fā)明一種基于對抗訓練和遷移學習的旋轉(zhuǎn)機械剩余壽命預測混合收縮方法，具體包括以下步驟：

S1、利用振動波動檢測算法區(qū)分設(shè)備的健康和退化狀態(tài)；

S2、設(shè)置軟閾值剔除特征中的干擾成分；