[發(fā)明專利]基于DRSN和麻雀搜索優(yōu)化的設備剩余壽命預測方法

有效

• 申請?zhí)枺?/td>: 202111049621.5
• 申請日: 2021-09-08
• 公開（公告）號: CN113723007B
• 公開（公告）日: 2023-09-15
• 發(fā)明（設計）人: 文井輝;李帥永;韓明秀;李孟蕾
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/006;G06N3/0442;G06N3/045;G06N3/048;G06N3/0464;G06N3/084;G06F119/02;G06F119/04
• 代理公司: 北京同恒源知識產(chǎn)權代理有限公司 11275
• 代理人: 廖曦

本發(fā)明涉及一種基于DRSN和麻雀搜索優(yōu)化BiLSTM的機械設備剩余壽命預測方法，屬于機械設備監(jiān)測領域。首先，無需先驗知識利用DRSN對原始信號進行自適應特征學習，該網(wǎng)絡的注意力機制和軟閾值化結構可以有效的消除噪聲相關特征的影響，挖掘機械設備的退化特征構建健康指標。然后，利用BiLSTM網(wǎng)絡構建剩余壽命預測模型，針對BiLSTM隱藏層神經(jīng)元個數(shù)和學習率難以設定的問題，采用麻雀搜索算法對上述參數(shù)進行優(yōu)化。將DRSN提取出的健康指標進行平滑處理后，以歸一化壽命為標簽，輸入到優(yōu)化后的BiLSTM預測模型，完成機械設備的剩余壽命預測。

技術領域

本發(fā)明屬于機械設備監(jiān)測領域，涉及基于DRSN和麻雀搜索優(yōu)化BiLSTM的機械設備剩余壽命預測方法。

背景技術

現(xiàn)階段，對機械設備進行預測性維護是有必要的。車昱嬌等利用KPCA方法融合振動信號的時域、頻域和時頻域特征來表征機械設備的退化狀態(tài)(車昱嬌,陳云霞,崔宇軒.KPCA和改進LSTM在滾動軸承剩余壽命預測中的應用研究[J].電子測量與儀器學報,2021,35(02):109-114.)。SOUALHI利用Hilbert-Huang變換從振動信號中提取退化特征(SoualhiA,Medjaher?K,Zerhouni?N.Bearing?Health?monitoring?based?on?Hilbert-Huang?Transform,Support?Vector?Machine?and?Regression[J].IEEETransactionsonInstrumentationMeasurement,2014,64(1):52-62.)，將這些特征輸入到支持向量機中，預測機械設備的剩余使用壽命。盡管這些構建健康指標的方法能夠推斷隱藏在數(shù)據(jù)中的相關性和因果關系，但這需要手動提取退化特征，依賴先驗知識，缺乏自適應性。為避免這種情況，可以使用深度學習直接從原始監(jiān)測數(shù)據(jù)中學習機械的退化行為。深度學習具有更強的表示學習能力，能夠?qū)W習復雜的函數(shù)，直接從原始數(shù)據(jù)將輸入映射到輸出，而不完全依賴專家知識。基于深度置信網(wǎng)絡、自動編碼器、和卷積神經(jīng)網(wǎng)絡的剩余使用壽命估計已經(jīng)實現(xiàn)了許多成功的應用。然而，隨著深度學習模型層數(shù)的提高，會出現(xiàn)模型退化和過擬合的問題，同時機械設備振動信號在采集過程中因受環(huán)境的影響會帶有大量噪聲，這些網(wǎng)絡結構很難捕捉到機械設備在噪聲環(huán)境下的退化信息。長短時記憶(LSTM)解決了梯度消散和爆炸的問題，在剩余使用壽命預測方面具有優(yōu)越性，能夠得到良好的預測效果，但是存在無法充分利用序列信息的問題，而BiLSTM網(wǎng)絡模型可以充分利用上下文數(shù)據(jù)進行預測，并且已經(jīng)應用在時間序列預測領域，相比于普通卷積神經(jīng)網(wǎng)絡，雙向長短時記憶網(wǎng)絡(BiLSTM)獲得了較高的預測精度。但是，目前仍舊存在學習率與隱藏層神經(jīng)元個數(shù)難以確定的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于DRSN和麻雀搜索優(yōu)化BiLSTM的機械設備剩余壽命預測方法。首先，無需先驗知識利用DRSN對原始信號進行自適應特征學習，該網(wǎng)絡的注意力機制和軟閾值化結構可以有效的消除噪聲相關特征的影響，挖掘機械設備的退化特征構建健康指標。然后，利用BiLSTM網(wǎng)絡構建剩余壽命預測模型，針對BiLSTM隱藏層神經(jīng)元個數(shù)和學習率難以設定的問題，采用麻雀搜索算法對上述參數(shù)進行優(yōu)化。將DRSN提取出的健康指標進行平滑處理后，以歸一化壽命為標簽，輸入到優(yōu)化后的BiLSTM預測模型，完成機械設備的剩余壽命預測。

為達到上述目的，本發(fā)明提供如下技術方案：

基于DRSN和麻雀搜索優(yōu)化BiLSTM的機械設備剩余壽命預測方法，該方法包括以下步驟：

S1：采集機械設備原始振動信號數(shù)據(jù)；

S2：對振動信號做歸一化處理，構建數(shù)據(jù)集；搭建DRSN模型，將數(shù)據(jù)集輸入訓練好的DRSN模型，模型輸出得到健康指標；

S3：將S2提取出的健康指標進行平滑處理后構建數(shù)據(jù)集；搭建BiLSTM網(wǎng)絡，將全壽命數(shù)據(jù)歸一化到(0,1)之間作為網(wǎng)絡的訓練標簽，利用麻雀搜索算法對BiLSTM網(wǎng)絡的神經(jīng)元個數(shù)、學習率和訓練次數(shù)進行優(yōu)化，獲得最優(yōu)預測模型；