一种基于特征迁移的轴承剩余使用寿命预测方法与流程

1.本发明涉及设备预测性维护技术领域，具体涉及一种基于特征迁移的轴承剩余使用寿命预测方法。


背景技术：

2.目前，制造业的智能化越来越受到重视，而制造业智能化的核心之一就是设备的预测性维护。轴承作为机器设备中广泛使用的重要零部件，主要作用是减轻摩擦，使旋转更顺畅，对生产安全有着重大影响。而且轴承作为易损件，有较高的故障频率，因此对轴承剩余使用寿命进行预测是有显著的应用价值。
3.传统的剩余使用寿命预测方法可大致分为基于模型的方法和基于统计的方法。基于模型的方法需要多领域的知识来构建能够准确反映机器退化的物理模型。然而，获取领域知识具有挑战性，并且由于系统结构和运行环境的复杂性，构建准确的物理模型也很困难。基于统计的方法侧重于构建描述退化过程的随机模型，以根据监测的设备退化变量预测剩余使用寿命。然而，这些方法对低质量数据的处理能力有限。
4.近年来，因为深度学习与剩余使用寿命预测的结合有助于提高预测精度，而成为一种趋势。数据驱动方法利用深度学习模型来建立设备监控数据和剩余使用寿命标签之间的潜在关系。这些方法具有强大的退化特征提取能力，这使得它们能够有效地处理海量且复杂的结构化数据并减少对领域知识的需求。然而这些方法依赖大量的剩余使用寿命数据，在现实中取得这些数据是十分困难的。
5.相较于完整的设备全周期退化数据，设备故障数据获取的成本更低。由于故障特征对于剩余使用寿命预测具有重要意义，故本发明提出一种基于特征迁移的轴承剩余使用寿命预测方法，旨在利用故障特征辅助剩余使用寿命预测，从而降低对剩余使用寿命数据的需求。


技术实现要素：

6.为解决上述技术问题，本发明提供一种基于特征迁移的轴承剩余使用寿命预测方法。
7.为解决上述技术问题，本发明采用如下技术方案：
8.一种基于特征迁移的轴承剩余使用寿命预测方法，包括以下步骤：
9.步骤一：获取设备故障数据和设备全周期退化数据，进行数据预处理；其中设备故障数据的数量大于设备全周期退化数据的数量；
10.步骤二：构建源网络，源网络包括故障特征提取模块、故障分类器；故障特征提取模块输出故障特征故障分类器根据故障特征对设备故障类型进行分类；设计故障分类损失函数loss
class
，并利用设备故障数据对源网络进行训练；
11.步骤三：构建目标网络，目标网络包括退化特征提取器和剩余使用寿命预测器；退化特征提取器er输出退化特征剩余使用寿命预测器cr根据退化特征对设备剩余使用
寿命进行预测；设计剩余使用寿命预测损失函数loss
rul
，并利用设备全周期退化数据对目标网络进行训练；
12.步骤四：设计故障特征迁移损失函数loss
tl
，通过故障特征辅助退化特征的学习，进行故障特征迁移。
13.进一步地，步骤一具体包括：
14.步骤s11，收集设备故障数据：将在t时刻采集的设备振动信号记作s表示传感器数量，采用滑动窗格法生成设备故障训练样本t表示滑动窗格长度，设备故障训练样本对应的故障类型记为yf；最终得到的设备故障训练样本总数为n；
15.步骤s12，收集设备全周期退化数据：将在t时刻采集的设备振动信号记作s表示传感器数量，采用滑动窗格法生成设备退化训练样本s表示传感器数量，采用滑动窗格法生成设备退化训练样本t表示滑动窗格长度；设备退化训练样本对应的剩余使用寿命记为yr；最终得到的设备退化训练样本总数为m；设备退化训练样本总数m小于设备故障训练样本总数n的十分之一，即m《0.1n。
16.进一步地，步骤二具体包括：
17.步骤s21，构建源网络的故障特征提取模块ef：故障特征提取模块ef由三个时间注意力模块组成，ef中的时间注意力模块形式化如下：
[0018][0019][0020][0021][0022][0023]
其中均为可训练参数；s是传感器数量，是第i+1层时间注意力模块的输出特征，是第i层时间注意力模块的输出特征，当i＝0时，是第i层时间注意力模块的输出特征，当i＝0时，为t时刻故障查询特征；为t时刻故障键值特征，为t时刻故障匹配特征，为t时刻故障注意力矩阵，softmax(
·
)为非线性激活函数，d为故障类型数量；
[0024]
上一个时间注意力模块的输出作为下一个时间注意力模块的输入，将最后一个时间注意力模块的输出作为故障特征提取器ef输出的故障特征
[0025]
步骤s22，构建源网络的故障分类器cf，根据故障特征对设备故障类型进行分类；故障分类器cf形式化如下：
[0026][0027]
其中是由故障特征展开得到的一维向量，
均为可训练参数；d为故障类型数量；
[0028]
步骤s23：设计故障分类损失函数loss
class
并利用设备故障数据对源网络进行训练：
[0029][0030]
b是源网络训练时的数据批的大小。
[0031]
进一步地，步骤三具体包括：
[0032]
步骤s31：构建目标网络的退化特征提取器er；退化特征提取模块er由三个时间注意力模块组成，er中的时间注意力模块形式化如下：
[0033][0034][0035][0036][0037][0038]
其中均为可训练参数，s是传感器数量，是第i+1层的时间注意力模块的输出特征，是第i层时间注意力模块的输出特征，当i＝0时，是第i层时间注意力模块的输出特征，当i＝0时，为t时刻剩余使用寿命查询特征、为t时刻剩余使用寿命键值特征、为t时刻剩余使用寿命匹配特征、为t时刻剩余使用寿命注意力矩阵、softmax(
·
)为非线性激活函数，d为故障类型数量；
[0039]
上一个时间注意力模块的输出作为下一个时间注意力模块的输入，将最后一个时间注意力模块的输出作为退化特征提取器er输出的退化特征
[0040]
步骤s32：构建目标网络的剩余使用寿命预测器cr，根据退化特征对设备剩余使用寿命进行预测；剩余使用寿命预测器cr形式化如下：
[0041][0042]
其中是由退化特征展开得到的一维向量；展开得到的一维向量；均为可训练参数；
[0043]
步骤s33：设计剩余使用寿命预测损失函数loss
rul
，并利用设备全周期退化数据对目标网络进行训练：
[0044][0045]
b是目标网络训练时数据批的大小。
[0046]
进一步地，步骤四具体包括：
[0047]
故障特征迁移：借助故障特征辅助退化特征的学习，故障特征迁移的损失函
数loss
tl
如下：
[0048][0049]
首先训练源网络对设备故障进行分类，然后固定源网络的参数，根据损失函数loss
rul
和loss
tl
共同训练目标网络的参数。
[0050]
与现有技术相比，本发明的有益技术效果是：
[0051]
本发明首先对基于时间注意力的源网络进行故障诊断的预训练，其次使用时间注意力构建目标网络并拟合时间序列和剩余寿命之间的关系，最后设计了特征迁移损失函数，将从源网络提取的特征转移到目标网络，以帮助目标网络学习故障特征并更好地预测设备剩余使用寿命。本发明利用故障特征辅助剩余使用寿命预测，从而降低对剩余使用寿命数据的需求。可解决现有方法稳定性不足，可解释性较差的缺点。
附图说明
[0052]
图1为本发明预测方法的流程图。
具体实施方式
[0053]
下面结合附图对本发明的一种优选实施方式作详细的说明。
[0054]
本实施例中针对的设备为轴承。
[0055]
本发明中的基于特征迁移的轴承剩余使用寿命预测方法，具体包括：
[0056]
步骤一：获取大量的设备故障数据和少量的设备全周期退化数据，进行数据预处理。
[0057]
步骤一具体包括如下细分步骤s11至s22：
[0058]
s11：收集大量的设备故障数据。在t时刻采集的设备振动信号记作s表示传感器数量。采用滑动窗格法生成设备故障训练样本t表示滑动窗格长度，yf表示设备故障训练样本对应的故障类型。假设最终生成设备故障训练样本总数为n。
[0059]
s12：收集少量的设备全周期退化数据。在t时刻采集的设备振动信号记作s表示传感器数量。采用滑动窗格法生成设备退化训练样本s表示传感器数量。采用滑动窗格法生成设备退化训练样本t表示滑动窗格长度。yr表示设备退化训练样本对应的剩余使用寿命。假设最终生成设备退化训练样本总数为m。由于退化周期通常是比较漫长的，因此通常设备退化训练样本总数m远小于设备故障训练样本总数n。
[0060]
步骤二：利用设备故障数据对源网络进行训练。
[0061]
步骤二具体包括如下细分步骤s21至s23：
[0062]
s21：构建源网络故障特征提取器ef。故障特征提取模块ef由三个时间注意力模块组成。时间注意力模块形式化如下：
[0063][0064]
[0065][0066][0067][0068]
其中均为可训练参数，s是传感器数量，是第i+1层的时间注意力模块的输出特征。是第i层时间注意力模块的输出特征，当i＝0时，
[0069]
重复此过程三次，得到源网络故障特征提取器ef最后输出的故障特征
[0070]
s22：构建源网络故障分类器cf，根据故障特征对设备故障类型进行分类。源网络故障分类器cf形式化如下：
[0071][0072]
其中是由故障特征展开得到的一维向量。展开得到的一维向量。都是可训练参数。d为故障类型，由于要考虑设备健康这一状态，因此总的分类类别为d+1。
[0073]
s23：设计故障分类损失函数loss
class
：
[0074][0075]
b是源网络训练时数据批的大小。
[0076]
步骤三：利用少量设备全周期退化数据对目标网络进行训练。
[0077]
步骤三具体包括如下细分步骤s31至s33：
[0078]
s31：构建目标网络退化特征提取器er。退化特征提取模块er由三个时间注意力模块组成。时间注意力模块形式化如下：
[0079][0080][0081][0082][0083][0084]
其中均为可训练参数，s是传感器数量，是第i+1层的时间注意力模块的输出特征。是第i层时间注意力模块的输出特征，当i＝0时，
[0085]
重复此过程三次，得到目标网络退化特征提取器er最后的输出退化特征
[0086]
s32：构建目标网络剩余使用寿命预测器cr，根据退化特征对设备剩余使用寿命进行预测。目标网络剩余使用寿命预测器cr形式化如下：
[0087][0088]
其中是由退化特征展开得到的一维向量。展开得到的一维向量。都是可训练参数。
[0089]
s33：设计剩余使用寿命预测损失函数loss
rul
：
[0090][0091]
b是目标网络训练时数据批的大小。
[0092]
步骤四：故障特征迁移。
[0093]
步骤四具体包括如下细分步骤s41至s42：
[0094]
s41：由于通常设备退化训练样本数量较少，难以得到一个良好的退化特征因此需要借助故障特征辅助退化特征的学习。故障特征迁移损失函数如下：
[0095][0096]
目的是尽可能让退化特征接近故障特征
[0097]
s42：训练具体流程是首先训练源网络对设备故障进行分类，然后固定源网络的参数，根据损失函数loss
rul
和loss
tl
一起训练目标网络的参数。
[0098]
需要说明的是，本实施例中设计的故障特征迁移损失，可以借助设备故障数据有效降低对设备全周期退化数据的需求。
[0099]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0100]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种基于特征迁移的轴承剩余使用寿命预测方法，包括以下步骤：步骤一：获取设备故障数据和设备全周期退化数据，进行数据预处理；其中设备故障数据的数量大于设备全周期退化数据的数量；步骤二：构建源网络，源网络包括故障特征提取模块、故障分类器；故障特征提取模块输出故障特征故障分类器根据故障特征对设备故障类型进行分类；设计故障分类损失函数loss
class
，并利用设备故障数据对源网络进行训练；步骤三：构建目标网络，目标网络包括退化特征提取器和剩余使用寿命预测器；退化特征提取器e
r
输出退化特征剩余使用寿命预测器c
r
根据退化特征对设备剩余使用寿命进行预测；设计剩余使用寿命预测损失函数loss
rul
，并利用设备全周期退化数据对目标网络进行训练；步骤四：设计故障特征迁移损失函数loss
tl
，通过故障特征辅助退化特征的学习，进行故障特征迁移。2.根据权利要求1所述的基于特征迁移的轴承剩余使用寿命预测方法，其特征在于，步骤一具体包括：步骤s11，收集设备故障数据：将在t时刻采集的设备振动信号记作s表示传感器数量，采用滑动窗格法生成设备故障训练样本t表示滑动窗格长度，设备故障训练样本对应的故障类型记为y
f
；最终得到的设备故障训练样本总数为n；步骤s12，收集设备全周期退化数据：将在t时刻采集的设备振动信号记作s表示传感器数量，采用滑动窗格法生成设备退化训练样本示传感器数量，采用滑动窗格法生成设备退化训练样本t表示滑动窗格长度；设备退化训练样本对应的剩余使用寿命记为y
r
；最终得到的设备退化训练样本总数为m；设备退化训练样本总数m小于设备故障训练样本总数n的十分之一，即m<0.1n。3.根据权利要求2所述的基于特征迁移的轴承剩余使用寿命预测方法，其特征在于，步骤二具体包括：步骤s21，构建源网络的故障特征提取模块e
f
：故障特征提取模块e
f
由三个时间注意力模块组成，e
f
中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：其中均为可训
练参数；s是传感器数量，是第i+1层时间注意力模块的输出特征，是第i层时间注意力模块的输出特征，当i＝0时，第i层时间注意力模块的输出特征，当i＝0时，为t时刻故障查询特征；为t时刻故障键值特征，为t时刻故障匹配特征，为t时刻故障注意力矩阵，softmax(
·
)为非线性激活函数，d为故障类型数量；上一个时间注意力模块的输出作为下一个时间注意力模块的输入，将最后一个时间注意力模块的输出作为故障特征提取器e
f
输出的故障特征步骤s22，构建源网络的故障分类器c
f
，根据故障特征对设备故障类型进行分类；故障分类器c
f
形式化如下：其中是由故障特征展开得到的一维向量，展开得到的一维向量，均为可训练参数；d为故障类型数量；步骤s23：设计故障分类损失函数loss
class
并利用设备故障数据对源网络进行训练：b是源网络训练时的数据批的大小。4.根据权利要求2所述的基于特征迁移的轴承剩余使用寿命预测方法，其特征在于，步骤三具体包括：步骤s31：构建目标网络的退化特征提取器e
r
；退化特征提取模块e
r
由三个时间注意力模块组成，e
r
中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：中的时间注意力模块形式化如下：其中均为可训练参数，s是传感器数量，是第i+1层的时间注意力模块的输出特征，是第i层时间注意力模块的输出特征，当i＝0时，是第i层时间注意力模块的输出特征，当i＝0时，为t时刻剩余使用寿命查询特征、为t时刻剩余使用寿命键值特征、为t时刻剩余使用寿命匹配特征、为t时刻剩余使用寿命注意力矩阵、softmax(
·
)为非线性激活函数，d为故障类型数量；上一个时间注意力模块的输出作为下一个时间注意力模块的输入，将最后一个时间注意力模块的输出作为退化特征提取器e
r
输出的退化特征步骤s32：构建目标网络的剩余使用寿命预测器c
r
，根据退化特征对设备剩余使用寿命进行预测；剩余使用寿命预测器c
r
形式化如下：
其中是由退化特征展开得到的一维向量；展开得到的一维向量；均为可训练参数；步骤s33：设计剩余使用寿命预测损失函数loss
rul
，并利用设备全周期退化数据对目标网络进行训练：b是目标网络训练时数据批的大小。5.根据权利要求1所述的基于特征迁移的轴承剩余使用寿命预测方法，其特征在于，步骤四具体包括：故障特征迁移：借助故障特征辅助退化特征的学习，故障特征迁移的损失函数loss
tl
如下：首先训练源网络对设备故障进行分类，然后固定源网络的参数，根据损失函数loss
rul
和loss
tl
共同训练目标网络的参数。

技术总结
本发明涉及设备预测性维护技术领域，公开了一种基于特征迁移的轴承剩余使用寿命预测方法，包括：获取设备故障数据和设备全周期退化数据，进行数据预处理；构建源网络，源网络包括故障特征提取模块、故障分类器；设计故障分类损失函数，并利用设备故障数据对源网络进行训练；构建目标网络，目标网络包括退化特征提取器和剩余使用寿命预测器；设计剩余使用寿命预测损失函数，并利用设备全周期退化数据对目标网络进行训练；设计故障特征迁移损失函数，进行故障特征迁移。本发明通过对设备进行故障诊断获取故障特征以及特征迁移，从而降低已有方法对设备全周期退化数据的需求，并得到较好的结果。的结果。的结果。


技术研发人员：许镇义 刘斌琨 康宇 赵云波 曹洋
受保护的技术使用者：合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室）
技术研发日：2023.08.18
技术公布日：2023/10/19