1.本发明涉及轴承剩余寿命预测技术领域，尤其是一种基于多级典型相关分析网络的轴承寿命预测方法。
背景技术：2.轴承作为旋转机械设备最基础也是最核心的部件，其健康状态往往决定了整个机械设备能否安全运行。调查显示，有超过2/3的旋转设备故障与轴承失效有关。因此，开展轴承健康监测与寿命预测方法研究，并准确预测轴承等关键部件的剩余使用寿命(remaining useful life,rul)，可以在很大程度上保证旋转设备的安全可靠生产，降低维护和停机损失，为企业带来巨大的经济效益。
3.目前，国内外相关研究机构和学者针对轴承的rul预测问题开展了大量的研究工作，概括起来所研究的rul预测方法主要分为三类：基于物理模型的预测方法，基于数据驱动的预测方法以及两者混合的方法。基于物理模型的预测方法需要大量的专家先验知识，且在复杂的工况条件下难以建立准确的退化模型。得益于机器学习方法的不断进步，基于数据驱动的rul预测方法已成为当前学术界和工业界研究的热点。其中，基于深度学习的方法由于具有强大的特征提取能力和预测精度愈来愈受到研究人员的关注。
4.现有的基于深度学习的轴承rul预测方法大多是直接将双通道原始数据输入到深度学习模型当中进行训练，而忽略了两个通道之间的相关性，且原始振动信号中包含大量的噪声，直接输入会降低预测精度并限制模型的泛化能力。
技术实现要素：5.本发明需要解决的技术问题是提供一种基于多级典型相关分析网络的轴承寿命预测方法，在自动学习轴承深度退化特征的基础上，对轴承振动双通道信号进行多级约束，从而提供能够有效的提高轴承剩余寿命预测的准确率，及时对部件进行处理和维护，避免机械设备的深度伤害，延长轴承寿命，减少因轴承损坏带来的经济损失。
6.为解决上述技术问题，本发明所采用的技术方案是：一种基于多级典型相关分析网络的轴承寿命预测方法，包括如下步骤：
7.步骤s1、获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；设计并利用多频带特征注意力模块，自动筛选轴承退化敏感信息，得到双通道多频带信息；设计并利用典型相关分析约束模块，对筛选后的双通道多频带信息进行第一级约束，得到双通道协同多频带信息；
8.步骤s2、将步骤s1筛选后的双通道协同多频带信息分别输入到空洞卷积空间特征提取模块中，提取空间特征；利用典型相关分析约束模块，对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；
9.步骤s3、将步骤s2得到的双通道协同空间特征序列分别输入到卷积时序特征提取模块中，提取时序特征；利用典型相关分析约束模块，对提取后得到的双通道时空特征序列
进行第三级约束，得到双通道协同时空特征序列；
10.步骤s4、构建寿命预测回归层，将步骤s3得到的双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。
11.本发明技术方案的进一步改进在于：所述步骤s1包括如下具体步骤：
12.步骤s11、通过轴承振动x方向和y方向传感器获取双通道振动信号数据，并对异常点进行剔除，得到x方向信号输入v
x
和y方向信号输入vy；
13.步骤s12、多频带特征注意力模块首先通过m层“db1”小波包分解函数对原始双通道数据分别进行处理，给定输入的原始数据样本大小为f
l
∈rd×c(l∈1,2,
…
,n)，经过小波包分解后，共获得2m个频带，每个频带的长度为l＝fi/d；每个输入样本被分解为l
×
d的系数矩阵作为模型输入，最终分别得到x方向和y方向双通道多频带输入；
14.步骤s13、利用全局平均池化层对输入进行信息聚合，计算公式如下：
[0015][0016]
其中，代表第l个样本第i个频带经过全局平均池化层得到的输出，w
i,j
表示第i个频带的第j个小波包系数；
[0017]
然后将a
l
输入到两层卷积层中，卷积核的大小都为1，特征图的个数分别为2
m-1
和2m；再通过sigmoid激活函数σ
hs
获得频带权重计算公式如下：
[0018][0019][0020]
最后将所得到的权重与未经处理的多频带时频信息相乘得到双通道加权时频信息和
[0021]
步骤s14、设计典型相关分析约束模块，典型相关分析约束模块包括一个扁平化层和一个聚合全连接层，全连接层的神经元个数设置为r，并在模型训练时添加典型相关分析loss到模型训练的总loss中,其中典型相关loss的优化目标为
[0022]
min(-corr(x1,x2))
[0023][0024]
其中，x1＝w
1t
h1+b1，为典型相关分析的输入，w1、w2分别为通道x与通道y对应输入信号的权重矩阵，b1、b2分别为偏置矩阵，r1与r2为正则化参数，i为单位矩阵，n为样本数量；
[0025]
步骤s15、利用典型相关分析约束模块，对双通道加权时频信息进行相关性约束，
得到双通道协同多频带信息和
[0026]
本发明技术方案的进一步改进在于：所述步骤s2包括如下具体步骤：
[0027]
步骤s21、将步骤s15中得到的双通道协同多频带信息分别输入到由具有三个不同大小的空洞率dr1、dr2和dr3循环堆叠而成的混合空洞卷积网络自动学习不同频带间的关联关系，得到双通道空间特征序列f1和f2；
[0028]
步骤s22、利用典型相关分析约束模块，对双通道空间特征序列进行相关性约束，得到双通道协同空间特征序列g
cca
(f1)和g
cca
(f2)。
[0029]
本发明技术方案的进一步改进在于：所述步骤s3包括如下具体步骤：
[0030]
s31、步骤s22所获得的双通道协同空间特征序列仍具有时序关系，分别利用卷积时序特征提取模块学习时序特征，进行时空融合，其中卷积时序特征提取模块包含三层卷积层，所用的卷积核大小相同，并在每一层卷积后添加池化大小相同的最大值池化层，得到轴承退化的双通道时空特征序列tf1和tf2；
[0031]
s32、利用典型相关分析约束模块，对双通道时空特征序列进行相关性约束，得到双通道协同时空特征序列g
cca
(tf1)和
[0032]
本发明技术方案的进一步改进在于：所述步骤s4包括如下具体步骤：
[0033]
s41、定义轴承剩余寿命预测为一个回归预测问题；
[0034]
s42、将步骤s32获取的双通道协同时空特征序列在通道维度进行拼接，然后转化为二维矩阵输入到具有平均绝对误差损失函数的回归层中，利用训练后的模型对测试轴承的剩余可用寿命进行评估；其中平均绝对误差的计算公式如下所示：其中yi表示真实值，表示预测值，训练模型的优化目标为：
[0035][0036]
由于采用了上述技术方案，本发明取得的技术进步是：
[0037]
本发明提出了一种基于多级典型相关分析网络的轴承寿命预测方法，区别于现有的基于深度学习的轴承寿命预测方法，首先采集轴承振动x方向和y方向传感器信号，分别对其进行数据预处理；将经过预处理得到的双通道振动信号样本分别通过注意力机制进行筛选，得到加权后的双通道信号，并用典型相关分析模块对加权后两通道之间的相关性进行约束；然后将加权双通道信号分别输入到空洞卷积网络，对空间特征进行提取，并利用典型相关分析对提取到的空间特征序列进行约束；再将双通道空间特征序列分别通过卷积时序特征提取模块，得到双通道轴承时空特征序列，并再次利用典型相关分析对其进行约束；最后，通过回归层预测轴承剩余寿命。本发明能够在提取轴承深度退化特征的基础上，对轴承双通道信号进行多级相关性约束，提高了轴承寿命预测的准确性和可靠性，从而及时对其进行维护或更换，避免对大型部件的深度损害，降低损失。
附图说明
[0038]
图1是本发明流程图；
[0039]
图2是本发明多频带特征注意力模块示意图；
[0040]
图3是本发明空间和时序特征提取模块示意图；
[0041]
图4是本发明典型相关分析约束模块示意图。
具体实施方式
[0042]
下面结合实施例对本发明做进一步详细说明：
[0043]
如图1所示，一种基于多级典型相关分析网络的轴承寿命预测方法，包括如下步骤：
[0044]
步骤s1、获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；设计并利用多频带特征注意力模块，自动筛选轴承退化敏感信息，得到双通道多频带信息；设计并利用典型相关分析约束模块，对筛选后的双通道多频带信息进行第一级约束，得到双通道协同多频带信息；
[0045]
步骤s1具体包括如下步骤：
[0046]
步骤s11、通过轴承振动x方向和y方向传感器获取双通道振动信号数据，并对异常点进行剔除，得到x方向信号输入v
x
和y方向信号输入vy；
[0047]
步骤s12、如图2所示，多频带特征注意力模块首先通过m层“db1”小波包分解函数对原始双通道数据分别进行处理，给定输入的原始数据样本大小为f
l
∈rd×c(l∈1,2,
…
,n)，经过小波包分解后，共获得2m个频带，每个频带的长度为l＝fi/d；每个输入样本被分解为l
×
d的系数矩阵作为模型输入，最终分别得到x方向和y方向双通道多频带输入；
[0048]
步骤s13、利用全局平均池化层对输入进行信息聚合，计算公式如下：
[0049][0050]
其中，代表第l个样本第i个频带经过全局平均池化层得到的输出，w
i,j
表示第i个频带的第j个小波包系数；
[0051]
然后将a
l
输入到两层卷积层中，卷积核的大小都为1，特征图的个数分别为2
m-1
和2m；再通过sigmoid激活函数σ
hs
获得频带权重计算公式如下：
[0052][0053][0054]
最后将所得到的权重与未经处理的多频带时频信息相乘得到双通道加权时频信息和
[0055]
步骤s14、如图4所示，设计典型相关分析约束模块，典型相关分析约束模块包括一个扁平化层和一个聚合全连接层，全连接层的神经元个数设置为r，并在模型训练时添加典型相关分析loss到模型训练的总loss中,其中典型相关loss的优化目标为
[0056]
min(-corr(x1,x2))
[0057][0058]
其中，x1＝w
1t
h1+b1，为典型相关分析的输入，w1、w2分别为通道x与通道y对应输入信号的权重矩阵，b1、b2分别为偏置矩阵，r1与r2为正则化参数，i为单位矩阵，n为样本数量；
[0059]
步骤s15、利用典型相关分析约束模块，对双通道加权时频信息进行相关性约束，得到双通道协同多频带信息和
[0060]
步骤s2、如图3所示，将步骤s1筛选后的双通道协同多频带信息分别输入到空洞卷积空间特征提取模块中，提取空间特征；利用典型相关分析约束模块，对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；
[0061]
步骤s2具体包括如下步骤：
[0062]
步骤s21、将步骤s15中得到的双通道协同多频带信息分别输入到由具有三个不同大小的空洞率dr1、dr2和dr3循环堆叠而成的混合空洞卷积网络自动学习不同频带间的关联关系，得到双通道空间特征序列f1和f2；
[0063]
步骤s22、利用典型相关分析约束模块，对双通道空间特征序列进行相关性约束，得到双通道协同空间特征序列g
cca
(f1)和g
cca
(f2)。
[0064]
步骤s3、将步骤s2得到的双通道协同空间特征序列分别输入到卷积时序特征提取模块中，提取时序特征；利用典型相关分析约束模块，对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；
[0065]
步骤s3具体包括如下步骤：
[0066]
s31、步骤s22所获得的双通道协同空间特征序列仍具有时序关系，分别利用卷积时序特征提取模块学习时序特征，进行时空融合，其中卷积时序特征提取模块包含三层卷积层，所用的卷积核大小相同，并在每一层卷积后添加池化大小相同的最大值池化层以减少模型训练参数量，聚合信息，得到轴承退化的双通道时空特征序列tf1和tf2；
[0067]
s32、利用典型相关分析约束模块，对双通道时空特征序列进行相关性约束，得到双通道协同时空特征序列g
cca
(tf1)和
[0068]
步骤s4、构建寿命预测回归层，将步骤s3得到的双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。
[0069]
步骤s4具体包括如下步骤：
[0070]
s41、定义轴承剩余寿命预测为一个回归预测问题；
[0071]
s42、将步骤s32获取的双通道协同时空特征序列在通道维度进行拼接，然后转化为二维矩阵输入到具有平均绝对误差损失函数的回归层中，利用训练后的模型对测试轴承的剩余可用寿命进行评估；其中平均绝对误差的计算公式如下所示：其
中yi表示真实值，表示预测值，训练模型的优化目标为：
[0072][0073]
实施例1
[0074]
本实施例采用ldk uer204型号滚动轴承，数据采样频率为25.6khz，每1min采样一次数据，每次采样时间持续1.28s。本发明实施例使用三种不同的工况分别进行验证，其中每种工况下的前3个轴承作为训练集，后2个轴承作为测试集。为了对轴承的剩余寿命进行有效预测，本次实验采用十次重复运行的平均结果作为最终的预测结果。表1给出了本发明及其他方法的寿命预测结果比较，从表中可以看出从卷积神经网络的其他变体到本发明，预测的平均绝对误差mae明显降低，衡量预测值和真实值拟合程度的r2值明显提高，本发明获得了增强的寿命预测性能。这主要是由于本发明实施例提出的方法，首先利用小波包分解和注意力机制，从原始信号中抽离，并设计和利用时空特征提取模块学习双通道多频带信息中的深度退化特征，同时，在提取轴承深度退化特征的基础上，对轴承双通道信号进行多级相关性约束，提高了轴承寿命预测的准确性和可靠性。
[0075]
表1本发明轴承寿命预测结果与相关方法对比
[0076]
技术特征：1.一种基于多级典型相关分析网络的轴承寿命预测方法，其特征在于：包括如下步骤：步骤s1、获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；设计并利用多频带特征注意力模块，自动筛选轴承退化敏感信息，得到双通道多频带信息；设计并利用典型相关分析约束模块，对筛选后的双通道多频带信息进行第一级约束，得到双通道协同多频带信息；步骤s2、将步骤s1筛选后的双通道协同多频带信息分别输入到空洞卷积空间特征提取模块中，提取空间特征；利用典型相关分析约束模块，对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；步骤s3、将步骤s2得到的双通道协同空间特征序列分别输入到卷积时序特征提取模块中，提取时序特征；利用典型相关分析约束模块，对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；步骤s4、构建寿命预测回归层，将步骤s3得到的双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。2.根据权利要求1所述的一种基于多级典型相关分析网络的轴承寿命预测方法，其特征在于：所述步骤s1包括如下具体步骤：步骤s11、通过轴承振动x方向和y方向传感器获取双通道振动信号数据，并对异常点进行剔除，得到x方向信号输入v
x
和y方向信号输入v
y
；步骤s12、多频带特征注意力模块首先通过m层“db1”小波包分解函数对原始双通道数据分别进行处理，给定输入的原始数据样本大小为f
l
∈r
d
×
c
(l∈1,2,
…
,n)，经过小波包分解后，共获得2
m
个频带，每个频带的长度为l＝f
i
/d；每个输入样本被分解为l
×
d的系数矩阵作为模型输入，最终分别得到x方向和y方向双通道多频带输入；步骤s13、利用全局平均池化层对输入进行信息聚合，计算公式如下：其中，代表第l个样本第i个频带经过全局平均池化层得到的输出，w
i,j
表示第i个频带的第j个小波包系数；然后将a
l
输入到两层卷积层中，卷积核的大小都为1，特征图的个数分别为2
m-1
和2
m
；再通过sigmoid激活函数σ
hs
获得频带权重计算公式如下：计算公式如下：最后将所得到的权重与未经处理的多频带时频信息相乘得到双通道加权时频信息和步骤s14、设计典型相关分析约束模块，典型相关分析约束模块包括一个扁平化层和一个聚合全连接层，全连接层的神经元个数设置为r，并在模型训练时添加典型相关分析loss
到模型训练的总loss中,其中典型相关loss的优化目标为min(-corr(x1,x2))其中，x1＝w
1t
h1+b1，为典型相关分析的输入，w1、w2分别为通道x与通道y对应输入信号的权重矩阵，b1、b2分别为偏置矩阵，r1与r2为正则化参数，i为单位矩阵，n为样本数量；步骤s15、利用典型相关分析约束模块，对双通道加权时频信息进行相关性约束，得到双通道协同多频带信息和3.根据权利要求2所述的一种基于多级典型相关分析网络的轴承寿命预测方法，其特征在于：所述步骤s2包括如下具体步骤：步骤s21、将步骤s15中得到的双通道协同多频带信息分别输入到由具有三个不同大小的空洞率dr1、dr2和dr3循环堆叠而成的混合空洞卷积网络自动学习不同频带间的关联关系，得到双通道空间特征序列f1和f2；步骤s22、利用典型相关分析约束模块，对双通道空间特征序列进行相关性约束，得到双通道协同空间特征序列g
cca
(f1)和g
cca
(f2)。4.根据权利要求3所述的一种基于多级典型相关分析网络的轴承寿命预测方法，其特征在于：所述步骤s3包括如下具体步骤：s31、步骤s22所获得的双通道协同空间特征序列仍具有时序关系，分别利用卷积时序特征提取模块学习时序特征，进行时空融合，其中卷积时序特征提取模块包含三层卷积层，所用的卷积核大小相同，并在每一层卷积后添加池化大小相同的最大值池化层，得到轴承退化的双通道时空特征序列tf1和tf2；s32、利用典型相关分析约束模块，对双通道时空特征序列进行相关性约束，得到双通道协同时空特征序列g
cca
(tf1)和5.根据权利要求4所述的一种基于多级典型相关分析网络的轴承寿命预测方法，其特征在于：所述步骤s4包括如下具体步骤：s41、定义轴承剩余寿命预测为一个回归预测问题；s42、将步骤s32获取的双通道协同时空特征序列在通道维度进行拼接，然后转化为二维矩阵输入到具有平均绝对误差损失函数的回归层中，利用训练后的模型对测试轴承的剩余可用寿命进行评估；其中平均绝对误差的计算公式如下所示：其中y
i
表示真实值，表示预测值，训练模型的优化目标为：
技术总结本发明公开了一种基于多级典型相关分析网络的轴承寿命预测方法，首先获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；利用多频带特征注意力模块得到双通道多频带信息，并对双通道多频带信息进行第一级约束，得到双通道协同多频带信息，然后将其分别输入到空洞卷积空间特征提取模块中，提取空间特征；并对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；再将其分别输入到卷积时序特征提取模块中，提取时序特征；并对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；最后构建寿命预测回归层，将双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。预测轴承剩余寿命。预测轴承剩余寿命。
技术研发人员：江国乾 周文达 李小俚 李英伟 赵小川 武鑫 谢平
受保护的技术使用者：燕山大学
技术研发日：2022.07.06
技术公布日：2022/11/1
