技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种跨域滚动轴承剩余寿命预测方法  >  正文

一种跨域滚动轴承剩余寿命预测方法

  • 国知局
  • 2024-11-06 14:24:58

本发明涉及轴承检测,尤其涉及一种跨域滚动轴承剩余寿命预测方法。

背景技术:

1、故障预示和健康管理(phm)作为保障机械设备安全可靠运行的重要技术,已广泛应用于机械系统中。剩余使用寿命(rul)预测作为phm技术的一项关键任务,对机械系统进行有效的rul预测,并根据退化趋势提前制定维护计划,能够保障机械设备的效率和可靠性。滚动轴承作为旋转机械设备的核心部件,时常因为复杂工况的影响发生失效,使其成为易损部件。据统计,旋转机械系统中约一半的故障与轴承有关。如果能够对滚动轴承进行rul预测,并给出预测性的维护策略,对于提高机械设备的可靠性和效率具有重要意义。因此,rul预测得到了广泛研究。

2、现有的rul预测方法主要分为以下两种:基于模型和基于数据驱动的方法。基于模型的方法旨在根据退化机理从观测数据中建立数学或物理学模型来预测关键部件的rul。然而,基于模型的方法高度依赖专家知识,而且难以有效评估复杂系统的退化情况。相反,数据驱动方法不依靠专家知识,而是依靠传感器采集的历史运行数据,并利用机器学习(ml)和深度学习(dl)技术直接从传感器数据中提取隐藏的退化特征来预测rul。正因为这样的便捷性,基于数据驱动的方法在近年来越来越具有吸引力,许多研究者也提出了许多基于数据驱动的rul预测方法。然而,现有数据驱动方法大多需要满足训练与测试数据是独立同分布的和有足够的有标签数据可用的要求。但是在大多数的工业场景中,轴承常处于跨域条件。具体地说,轴承在运行到失效的过程通常伴随着可变的失效行为,而且由于受到不同的负载、速度和复杂环境的影响,甚至是跨机器预测的需求。这使得不同条件下采集的数据间存在分布差异,也称域偏移。同时,由于获取带标签数据困难,采集到的目标轴承数据往往是缺乏标签的。基于上述问题,以往的rul预测方法在处理这些情况时的泛化性能受到了挑战。因此,迫切需要一种新算法来构建预测模型,以有效实现预测跨域无标签目标轴承的rul。

技术实现思路

1、本发明提供一种跨域滚动轴承剩余寿命预测方法,以解决上述技术问题。

2、为解决上述技术问题,本发明提供一种跨域滚动轴承剩余寿命预测方法,包括如下步骤:

3、数据采集,采集的数据中包括有标签的源域样本和无标签的目标域样本;

4、构建特征提取器,所述特征提取器采用增强残差卷积模块,利用所述特征提取器提取退化特征;

5、构建网络模型,所述网络模型中包括rul预测器、动态混合领域适应模块和注意力对比学习模块,所述rul预测器输出所述目标域样本的伪标签;所述动态混合领域适应模块包括多核最大均值差异网络和领域对抗网络,所述多核最大均值差异网络用于对齐所述退化特征间的边缘分布,所述领域对抗网络用于对齐所述退化特征间的条件分布;所述注意力对比学习模块用于主动学习所述目标域的退化特征中的退化信息;

6、基于优化目标,利用采集到的数据训练所述网络模型,得到剩余寿命预测模型;

7、基于所述剩余寿命预测模型得到滚动轴承的剩余寿命预测值。

8、较佳地,所述增强残差卷积模块中的卷积块为增强残差块,每个卷积块中包含两个串联的卷积层。

9、较佳地,所述优化目标包括:最小化所述rul预测器在源域样本预测中的误差损失;最小化由所述动态混合领域适应模块所计算的领域适应损失;最小化由所述注意力对比学习模块所计算的对比学习损失。

10、较佳地,所述领域对抗网络以所述伪标签作为退化特征间条件分布对齐的引导。

11、较佳地,基于所述多核最大均值差异网络计算边缘分布差异,增加所述边缘分布差异在所述领域适应损失中的比重。

12、较佳地,基于所述领域对抗网络计算条件分布损失,为所述条件分布损失赋予一个指数型动态递增惩罚项λ。

13、较佳地,所述注意力对比学习模块包括自注意力机制和infonce损失,所述自注意力机制增强所述退化特征,将增强后的目标域输出特征与增强前的目标域输出特征展平后送入多层感知机,然后通过最小化二者之间的infonce损失来最大化二者之间的互信息。

14、较佳地,基于所述infonce损失计算所述对比学习损失,并为所述对比学习损失赋予一个控制其贡献的惩罚系数μ。

15、较佳地,所述惩罚系数μ取0.2。

16、较佳地,将所述误差损失、领域适应损失和对比学习损失以端到端的方式进行联合优化,得到目标损失函数,采用adam优化器对网络参数进行更新,直到损失达到期望值。

17、与现有技术相比,本发明提供的跨域滚动轴承剩余寿命预测方法具有如下优点:

18、1、本发明能够实现细粒度更好的领域适应来最小化源域和目标域间的数据分布差异,同时以目标域特性作为目标域特征的约束,保证模型的跨域预测性能;

19、2、本发明利用多核最大均值差异网络对齐边缘分布,以伪标签引导领域对抗网络动态调整条件分布,来提升领域适应的细粒度并抑制特征被错误对齐;同时,在领域适应过程中,利用注意力对比学习模块帮助预测模型主动学习目标域的退化信息,以防止生成的目标域特征失真,来提升领域适应的稳定性。

技术特征:

1.一种跨域滚动轴承剩余寿命预测方法,其特征在于,包括如下步骤:

2.如权利要求1所述的跨域滚动轴承剩余寿命预测方法,其特征在于,所述增强残差卷积模块中的卷积块为增强残差块,每个卷积块中包含两个串联的卷积层。

3.如权利要求1所述的跨域滚动轴承剩余寿命预测方法,其特征在于,所述优化目标包括:最小化所述rul预测器在源域样本预测中的误差损失;最小化由所述动态混合领域适应模块所计算的领域适应损失;最小化由所述注意力对比学习模块所计算的对比学习损失。

4.如权利要求3所述的跨域滚动轴承剩余寿命预测方法,其特征在于,所述领域对抗网络以所述伪标签作为退化特征间条件分布对齐的引导。

5.如权利要求4所述的跨域滚动轴承剩余寿命预测方法,其特征在于,基于所述多核最大均值差异网络计算边缘分布差异,增加所述边缘分布差异在所述领域适应损失中的比重。

6.如权利要求5所述的跨域滚动轴承剩余寿命预测方法,其特征在于,基于所述领域对抗网络计算条件分布损失,为所述条件分布损失赋予一个指数型动态递增惩罚项λ。

7.如权利要求6所述的跨域滚动轴承剩余寿命预测方法,其特征在于,所述注意力对比学习模块包括自注意力机制和infonce损失,所述自注意力机制增强所述退化特征,将增强后的目标域输出特征与增强前的目标域输出特征展平后送入多层感知机,然后通过最小化二者之间的infonce损失来最大化二者之间的互信息。

8.如权利要求7所述的跨域滚动轴承剩余寿命预测方法,其特征在于,基于所述infonce损失计算所述对比学习损失,并为所述对比学习损失赋予一个控制其贡献的惩罚系数μ。

9.如权利要求8所述的跨域滚动轴承剩余寿命预测方法,其特征在于,所述惩罚系数μ取0.2。

10.如权利要求8所述的跨域滚动轴承剩余寿命预测方法,其特征在于,将所述误差损失、领域适应损失和对比学习损失以端到端的方式进行联合优化,得到目标损失函数,采用adam优化器对网络参数进行更新,直到损失达到期望值。

技术总结本发明涉及一种跨域滚动轴承剩余寿命预测方法,包括:数据采集;构建特征提取器,利用特征提取器提取退化特征;构建网络模型,包括RUL预测器、动态混合领域适应模块和注意力对比学习模块,RUL预测器输出目标域样本的伪标签;动态混合领域适应模块包括多核最大均值差异网络和领域对抗网络,分别用于对齐退化特征间的边缘分布和对齐退化特征间的条件分布;注意力对比学习模块用于保留目标域中的退化信息;基于优化目标,训练网络模型,得到剩余寿命预测模型;基于剩余寿命预测模型预测滚动轴承的剩余寿命。本发明能够实现细粒度更好的领域适应来最小化源域和目标域间的数据分布差异,同时以目标域特性作为目标域特征的约束,保证模型的跨域预测性能。技术研发人员:蒋全胜,陆星驰,沈晔湖,王报祥,吴石磊,姚琴,付贵忠,谢鸥,朱其新受保护的技术使用者:苏州科技大学技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/321934.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。