1.本技术涉及旋转机械的状态监测与健康评估技术领域，尤其涉及一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法。
背景技术：2.随着工业大数据时代的到来，基于数据驱动方法实现机械设备的故障预测与健康管理已经成为工程界的一个热点问题。phm(prognostics and health management，故障预测与健康管理)技术主要包括状态监测、故障诊断和剩余使用寿命(rul)预测等研究方向。剩余寿命是衡量机械设备性能的重要参数，剩余使用寿命预测可以保证机械设备的安全性、可用性和持续高效工作。与此同时，预测性维护已日渐成为现代工业界的大势所趋，准确预测机械的rul值，有利于制定合理且有效的机械设备采购计划和维修计划，保证机械设备的正常连续的生产运作，避免停产造成的重大经济损失。
3.通常，基于数据驱动的剩余使用寿命预测方法不需要知道设备的具体退化轨迹与失效模式，主要依靠机器学习模型从历史数据中学习退化经验模式，其只需要采集相应的工业现场数据便可以建立相关的参数或非参数模型。经典模型包括支持向量机(svm)，相关向量机(rvm)，自动编码器(ae)，受限玻尔兹曼机(rbm)等，被用于从时域、频域和时
‑ꢀ
频域提取设备退化的深层特征表示。
4.近年来，深度学习的发展进一步扩宽了数据驱动方法的道路，越来越多深层结构神经网络被提出并得到广泛运用，包括深层卷积神经网络，循环神经网络及其变体等。目前广泛的观点认为深度学习模型的特征提取能力取决于网络的深度与复杂度，尽管深层结构的网络非常强大，但是由于涉及了复杂结构和大量的超参数，大多数网络的训练过程非常耗时。这种复杂性使得从理论上分析深部结构非常困难，以至于大多数工作都需要转换参数或叠加更多层以获得更高的精度。为了完成这一任务，越来越多的强大计算资源被投入其中。此外，更重要的是大多数深层网络模型缺乏处理新获取数据的能力，一般情况下在面对新数据时只能通过将新数据加入已有训练集中重新训练的方法来更新网络参数，毫无疑问这极大的束缚了模型的高效性和可用性。
5.因此亟需一种预测精度高、泛化性能强的剩余使用寿命预测方法。
技术实现要素：6.本技术提供了一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法，其技术目的是提高旋转机械剩余寿命预测模型的预测精度，提升模型的数据处理能力。
7.本技术的上述技术目的是通过以下技术方案得以实现的：
8.一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法，包括：
9.s1：采集在不同工况下从初始状态运行到失效的机械全寿命原始振动信号作为训练数据，并构建训练数据的对应标签；
10.s2：通过经验模态分解对原始振动信号进行处理，得到时频表示的边际谱，将所述
边际谱作为初始时序层叠宽度学习系统的初始输入；
11.s3：对所述初始时序层叠宽度学习系统进行初始化，通过所述训练数据对所述初始时序层叠宽度学习系统进行离线训练，建立特征信息与预测标签的端到端映射，得到时序层叠宽度学习系统模型，通过时序层叠宽度学习系统模型对旋转机械剩余寿命进行预测。
12.本技术的有益效果在于：本技术基于轻量扁平化网络思想，提出了一种时序层叠宽度学习系统，该学习系统可以有效提取线性与非线性特征，自主地挖掘出隐藏于海量测量与监测数据中的有价值的信息，把握时序依赖性，感知旋转机械退化信息；同时，特殊的结构与网络权重更新方式为实现增量学习提供了可能，面对连续获取新数据和预测精度不足的情况，新数据的增量学习以及映射特征节点和增强节点的增量学习得以实现，通过新的训练数据实现网络结构的自适应升级与更新，用于满足工业实际需求，对于保障工业设备的可持续安全运行和提高工业生产实际效益具有重要积极意义。
附图说明
13.图1为本技术所述方法流程图；
14.图2为本技术所述原始振动信号的示意图；
15.图3为时序层叠宽度学习系统的结构示意图；
16.图4为本技术时序层叠宽度学习系统进行增量学习的示意图；
17.图5为通过本技术对旋转机械剩余寿命预测的结果示意图。
具体实施方式
18.下面将结合附图对本技术技术方案进行详细说明。
19.当前，基于数据驱动的智能运维已逐步成为旋转机械状态监测与剩余寿命预测的主流趋势之一。针对传统的深度神经网络训练耗时长，获取新数据无法自适应更新模型等缺点，本技术设计了一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法。所设计的旋转机械剩余寿命预测方法可有效实现有效且准确的预测，同时设计了一种增量学习算法用于获取新训练数据时模型的自适应升级与更新。最后，滚动轴承全寿命实验数据验证了该发明的有效性。
20.如图1所示，本技术所述的基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法，包括：
21.s1：采集在不同工况下从初始状态运行到失效的机械全寿命原始振动信号作为训练数据，并构建训练数据的对应标签。
22.具体地，共采集c组机械全寿命的原始振动信号，c组训练数据及其对应标签表示为：其中，对于每一个样本集存在和x表示训练数据的特征；y表示训练数据对应的剩余使用寿命的标签值；表示第ej组样本的个数；m表示特征维数。图2即为采集的原始振动信号示意图。
23.s2：通过经验模态分解对原始振动信号进行处理，得到时频表示的边际谱，将所述边际谱作为初始时序层叠宽度学习系统的初始输入。
24.具体地，步骤s2包括：
25.s21：通过经验模态分解对原始振动信号进行分解表示为：
[0026][0027]
其中，n表示本征模的数量；xi(t)表示第i个imf，rn(t)表示最终残差；
[0028]
s22：对分解得到的每个xi(t)，计算其希尔伯特变换h(xi(t))，表示为：
[0029][0030]
s23：构造xi(t)的解析信号zi(t)，表示为：
[0031][0032]
其中，ai(t)表示第i个固有模态分量的瞬时幅值函数，表示对应的瞬时相位函数，分别表示如下：
[0033][0034][0035]
s24：将各模态分量xi(t)的瞬时频率ωi(t)写为相位的时间导数，表示为：
[0036][0037]
s25：计算边际谱，并将所述边际谱作为初始输入输入到初始时序层叠宽度学习系统，所述边际谱的计算表示为：
[0038][0039][0040]
s3：对所述初始时序层叠宽度学习系统进行初始化，通过所述训练数据对所述初始时序层叠宽度学习系统进行离线训练，建立特征信息与预测标签的端到端映射，得到时序层叠宽度学习系统模型，通过时序层叠宽度学习系统模型对旋转机械剩余寿命进行预测。
[0041]
初始时序层叠宽度学习系统包括n组映射特征节点和m组增强节点，每组映射特征节点包括p个节点，每组增强节点包括q个节点，如图3所示。
[0042]
具体地，s31：所述映射特征节点用于提取线性特征信息，包括：
[0043]
根据训练数据计算第1组映射特征节点的输出，表示为：
[0044][0045]
其中，n表示训练数据的数量，“1”表示回归预测的标签是一维的；
[0046]
通过前一映射特征节点的输出z1计算第2组映射特征节点的输出z2，表示为：
[0047][0048]
则n组映射特征节点的输出表示为统一形式，如下：
[0049][0050]
其中，k＝1,
…
,n，φi(.)表示激活函数；w
ei
和β
ei
均由分布ρe(w)随机产生；
[0051]
s32：所述增强节点用于提取非线性特征信息，将n组映射特征节点的输出统一表示为：将zn作为输入通过非线性激活函数扩展激活层，则第j组增强节点的输出表示为：
[0052][0053]
其中，ξj(
·
)表示非线性激活函数，w
hj
和β
hj
均服从分布ρh(w)，ρh(w)等价于ρe(w)；
[0054]
最后将m组增强节点的输出统一表示为
[0055]
s33：所述特征信息与预测标签的端到端映射的建立表示为：
[0056][0057]
其中，表示连接映射特征节点层和增强节点层到输出层的权重。
[0058]
通过岭回归算法对权重进行计算，包括：
[0059]
假设则权重计算问题表示为：
[0060]
则有
[0061]
特别地，当λ
→
0，逆问题退化为最小二乘问题，得到
[0062]
其中，σ1＞0，σ2＞0，u和v均表示范数正则化；当σ1＝σ2＝u＝v＝2，权重计算问题转换为标准l2范数正则化。
[0063]
作为具体实施例地，对时序层叠宽度学习系统模型进行在线数据增量学习，如图4 所示，对时序层叠宽度学习系统模型进行更新，通过更新后的时序层叠宽度学习系统模型对旋转机械剩余寿命进行预测。
[0064]
具体地，在线数据增量学习的权重的计算如下：
[0065]
增量训练数据为采用已有的权重则映射特征节点和增强节点的增量表示为：
[0066][0066][0067][0068]
若则增量训练数据的输入矩阵计算如下：
[0069][0070]
其中，的伪逆表示为：
[0071][0072]
[0073][0074]
则权重自适应更新为：其中，yf表示增量训练数据的对应标签。
[0075]
作为具体实施例地，若在所述时序层叠宽度学习系统模型的基础上增加第n+1个映射特征节点和第m+1个增强节点，则n+1组的映射特征节点被更新为：
[0076]
相应的增强节点输出更新为：其中，和均为随机生成；
[0077]
假定和则第m+1组的增强节点表示为：
[0078][0079]
假定和通过岭回归算法得到经过数据增量后网络的伪逆和对应更新后的权重为：
[0080][0081][0082]
其中，
[0083][0084]
通过新数据的加入不断更新升级时序层叠宽度学习系统模型，从而完成相应的旋转机械剩余寿命预测任务。
[0085]
实施例一：加速轴承寿命试验数据验证
[0086]
本实验在ieee phm 2012数据集上进行分析，实验在pronostia试验平台上收集了在不同工况下轴承从运行到失效的数据。pronostia由三个主要部分组成：一个旋转部分、一个退化产生部分(在被测轴承上施加径向力)和一个测量部分。pronostia提供的数据描述了滚珠轴承在整个使用寿命期间(直至完全失效)的退化情况，并且每个退化的轴承包含几乎所有类型的缺陷(内外圈，滚子，保持架)。x和y方向的原始振动信号以25600 赫兹的采样频率采集，每次采样0.1秒记录下2560个数据点，记录间隔为10秒。当测量数据的振动水平超过一定阈值时，停止测试。表1列出了试验轴承的基本参数。
[0087]
表1试验轴承的基本参数
[0088]
轴承节径滚子直径滚子数目接触角25.6mm3.5mm130
°
[0089]
图5为实验所获得测试结果的示意图，本技术的预测值成功拟合了实际的剩余寿命值，从而验证了本技术提出的方法在旋转机械健康评估的有效性。
[0090]
综上所述,针对传统的深度神经网络训练耗时长，获取新数据无法自适应更新模型等缺点，本技术设计了一种时序层叠宽度学习系统的旋转机械剩余寿命预测方法。所设计的旋转机械剩余寿命预测方法可有效实现有效且准确的预测，同时设计了一种增量学习算法用于获取新训练数据时模型的自适应升级与更新。最后，滚动轴承全寿命实验数据验证了该发明的有效性。
[0091]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
技术特征：1.一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法，其特征在于，包括：s1：采集在不同工况下从初始状态运行到失效的机械全寿命原始振动信号作为训练数据，并构建训练数据的对应标签；s2：通过经验模态分解对原始振动信号进行处理，得到时频表示的边际谱，将所述边际谱作为初始时序层叠宽度学习系统的初始输入；s3：对所述初始时序层叠宽度学习系统进行初始化，通过所述训练数据对所述初始时序层叠宽度学习系统进行离线训练，建立特征信息与预测标签的端到端映射，得到时序层叠宽度学习系统模型，通过时序层叠宽度学习系统模型对旋转机械剩余寿命进行预测。2.如权利要求1所述的预测方法，其特征在于，对时序层叠宽度学习系统模型进行在线数据增量学习，对时序层叠宽度学习系统模型进行更新，通过更新后的时序层叠宽度学习系统模型对旋转机械剩余寿命进行预测。3.如权利要求2所述的预测方法，其特征在于，所述步骤s1中，共采集c组训练数据，则训练数据及其对应标签表示为：其中，对于每一个样本集存在和x表示训练数据的特征；y表示训练数据对应的剩余使用寿命的标签值；表示第e
j
组样本的个数；m表示特征维数。4.如权利要求3所述的预测方法，其特征在于，所述步骤s2包括：s21：通过经验模态分解对原始振动信号进行分解表示为：其中，n表示本征模的数量；x
i
(t)表示第i个imf，r
n
(t)表示最终残差；s22：对分解得到的每个x
i
(t)，计算其希尔伯特变换h(x
i
(t))，表示为：s23：构造x
i
(t)的解析信号z
i
(t)，表示为：其中，a
i
(t)表示第i个固有模态分量的瞬时幅值函数，表示对应的瞬时相位函数，分别表示如下：分别表示如下：s24：将各模态分量x
i
(t)的瞬时频率ω
i
(t)写为相位的时间导数，表示为：s25：计算边际谱，并将所述边际谱作为初始输入输入到初始时序层叠宽度学习系统，所述边际谱的计算表示为：所述边际谱的计算表示为：
5.如权利要求4所述的预测方法，其特征在于，所述初始时序层叠宽度学习系统包括n组映射特征节点和m组增强节点，每组映射特征节点包括p个节点，每组增强节点包括q个节点。6.如权利要求5所述的预测方法，其特征在于，所述步骤s3包括：s31：所述映射特征节点用于提取线性特征信息，包括：根据训练数据计算第1组映射特征节点的输出，表示为：其中，n表示训练数据的数量，“1”表示回归预测的标签是一维的；通过前一映射特征节点的输出z1计算第2组映射特征节点的输出z2，表示为：则n组映射特征节点的输出表示为统一形式，如下：其中，k＝1,...,n，φ
i
(.)表示激活函数；w
ei
和β
ei
均由分布ρ
e
(w)随机产生；s32：所述增强节点用于提取非线性特征信息，将n组映射特征节点的输出统一表示为：将z
n
作为输入通过非线性激活函数扩展激活层，则第j组增强节点的输出表示为：其中，ξ
j
(
·
)表示非线性激活函数，w
hj
和β
hj
均服从分布ρ
h
(w)，ρ
h
(w)等价于ρ
e
(w)；最后将m组增强节点的输出统一表示为s33：所述特征信息与预测标签的端到端映射的建立表示为：其中，表示连接映射特征节点层和增强节点层到输出层的权重。7.如权利要求6所述的预测方法，其特征在于，通过岭回归算法对权重进行计算，包括：假设则权重计算问题表示为：则有当λ
→
0，得到其中，σ1＞0，σ2＞0，u和v均表示范数正则化；当σ1＝σ2＝u＝v＝2，权重计算问题转换为标准l2范数正则化。8.如权利要求7所述的预测方法，其特征在于，所述在线数据增量学习的权重的计算如下：增量训练数据为采用已有的权重则映射特征节点和增强节点的
增量表示为：增量表示为：若则增量训练数据的输入矩阵计算如下：其中，的伪逆表示为：的伪逆表示为：的伪逆表示为：则权重自适应更新为：其中，y
f
表示增量训练数据的对应标签。
技术总结本发明公开了一种基于时序层叠宽度学习系统的旋转机械剩余寿命预测方法，涉及旋转机械的状态监测与健康评估技术领域，解决了旋转机械剩余寿命预测模型的预测精度不高、数据处理能力较差的技术问题，其技术方案要点是通过时序层叠宽度学习系统有效提取线性与非线性特征，自主地挖掘出隐藏于海量测量与监测数据中的有价值的信息，把握时序依赖性，感知旋转机械退化信息；同时，特殊的结构与网络权重更新方式为实现增量学习提供了可能，面对连续获取新数据和预测精度不足的情况，新数据的增量学习以及映射特征节点和增强节点的增量学习得以实现，通过新的训练数据实现网络结构的自适应升级与更新，用于满足工业实际需求。用于满足工业实际需求。用于满足工业实际需求。
技术研发人员：贾民平 曹昱栋 黄鹏 胡建中 许飞云
受保护的技术使用者：东南大学
技术研发日：2022.05.30
技术公布日：2022/11/1
