基于退化特征空間重構(gòu)的多軸承健康壽命協(xié)同預(yù)測方法研究

鄭凱 江偉 包從望

摘 要：為順應(yīng)現(xiàn)代制造業(yè)發(fā)展要求，做到視情科學(xué)維修，延長設(shè)備健康壽命。針對傳統(tǒng)方法預(yù)測準(zhǔn)確率較低的問題，采用多個軸承全生命周期數(shù)據(jù)為實驗數(shù)據(jù)集，并選取均方根、峰值因子、峭度、頻譜分區(qū)求和四個特征作為預(yù)測模型的輸入值。另外，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，訓(xùn)練模型時采用學(xué)習(xí)率衰減機(jī)制，提高訓(xùn)練效率。實驗表明，該方法相較于其他傳統(tǒng)方法具有較高的預(yù)測準(zhǔn)確率，可以對軸承健康壽命進(jìn)行有效預(yù)測。

關(guān)鍵詞：多軸承;退化特征;空間重構(gòu);卷積神經(jīng)網(wǎng)絡(luò)

1 緒論

軸承是機(jī)電裝備的關(guān)鍵零部件之一，其健康狀況很大程度上決定著整個設(shè)備是否能夠安全持續(xù)運(yùn)行[1]。目前，軸承壽命預(yù)測多采用數(shù)據(jù)驅(qū)動方法，其核心思想是分析軸承的當(dāng)前運(yùn)行狀態(tài)，試圖找出運(yùn)行狀態(tài)與剩余壽命之間的非線性關(guān)系[2]。王璽等采用粒子濾波的方法進(jìn)行壽命預(yù)測研究[3];石婷婷等基于RF算法進(jìn)行回歸預(yù)測，豐富了模型的多樣性，提高了泛化能力[4];本文提出了一種基于退化特征空間重構(gòu)的多軸承健康壽命協(xié)同預(yù)測的方法，并通過對比實驗證明該方法的有效性。

2 退化特征選擇及空間重構(gòu)

2.1 實驗數(shù)據(jù)及平臺

本文采用IEEE PHM 2012提供的軸承全生命周期的數(shù)據(jù)進(jìn)行實驗分析，數(shù)據(jù)集來源于PRONOSTIA實驗平臺[5]（如圖1）。該平臺從水平和垂直兩個方向采集軸承從運(yùn)行到報廢整個過程中的數(shù)據(jù)。實驗假定當(dāng)加速度信號連續(xù)超過20g就認(rèn)為軸承失效[5]。

2.2 特征選擇

本文使用均方根，峰值因子、峭度和頻譜分區(qū)求和[5]（Frequency Spectrum Partition Summation，F(xiàn)SPS）為退化特征，其特征參數(shù)計算如下：

上式中，sj是將振動信號經(jīng)傅里葉變換而獲得的頻譜;k=1，2…n;K是經(jīng)驗參數(shù)，本文令K=6，故XFSPS（k）由6個元素組成的一維向量[5]。

采用最大-最歸一化法分別對四個退化特征值進(jìn)行處理，將其值轉(zhuǎn)化到[0，1]區(qū)間，以此消除不同參數(shù)之間的數(shù)值差異，將水平和垂直兩個方向特征進(jìn)行歸一化處理，最終在每個采樣點得到一組18維退化特征。

2.3 退化特征空間重構(gòu)

由嵌入理論可知[6]，單變量時間預(yù)測的方法不僅會造成預(yù)測誤差的累積，而且忽略變量之間的相互影響，導(dǎo)致預(yù)測精度低。因此我們將退化特征進(jìn)行空間重構(gòu)，嵌入多維特征變量，采用多變量時間預(yù)測模型進(jìn)行剩余壽命預(yù)測。

上式中，m代表嵌入的維數(shù)，N代表退化特征指標(biāo)的數(shù)量[7];若yi表示軸承剩余壽命，則x1…xN就是和yi存在非線性函數(shù)關(guān)系的退化特征。

本文采用一種重疊取樣的方式，根據(jù)原始振動信號的每組數(shù)據(jù)采集樣本構(gòu)造72維的輸入特征向量，這72個特征向量是由4個18維（垂直和水平方向上的均方根、峰值因子、峭度、FSPS構(gòu)成）退化指標(biāo)拼接而來，如下圖所示：

3 多軸承健康壽命協(xié)同預(yù)測模型

3.1 多軸承協(xié)同預(yù)測

多軸承健康壽命協(xié)同預(yù)測旨在根據(jù)軸承本身可用監(jiān)測數(shù)據(jù)以及相同類型和工作條件的其他軸承的監(jiān)測數(shù)據(jù)來預(yù)測剩余使用壽命[5]。本文從數(shù)據(jù)集中隨機(jī)選取4個軸承的數(shù)據(jù)，分別用軸承1、軸承2、軸承3和軸承4表示，并為測試數(shù)據(jù)集，其余軸承數(shù)據(jù)為訓(xùn)練集，采用5折交叉驗證進(jìn)行模型訓(xùn)練[6]。

3.2 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程分為兩個部分。第一部分是輸入特征矩陣從低層網(wǎng)絡(luò)到高層網(wǎng)絡(luò)的前向傳播階段，即輸入層→卷積層→池化層→全連接層→輸出層，并獲取輸出預(yù)測值。第二部分是根據(jù)輸出預(yù)測值與真實值之間的損失函數(shù)，將誤差沿著高層網(wǎng)絡(luò)向著低層網(wǎng)絡(luò)進(jìn)行反向傳播訓(xùn)練，并不斷的更新權(quán)重矩陣和偏置值，直到獲取理想的期望值才會停止訓(xùn)練[7]。

3.3 模型參數(shù)的設(shè)置

首先初始化CNN網(wǎng)絡(luò)的權(quán)值，ReLu作為中間層的激活函數(shù)，最后一層用Sigmoid函數(shù)作為激活函數(shù)，因Sigmoid函數(shù)的輸出范圍在0到1之間，能很好的匹配標(biāo)準(zhǔn)化后的剩余壽命值。另外，選擇均方誤差MSE作為優(yōu)化目標(biāo)，并選用Adam為優(yōu)化算法，采用dropout預(yù)防過擬合[7]。

4 實驗結(jié)果與分析

針對測試數(shù)據(jù)集中4組軸承數(shù)據(jù)，采取基于退化特征空間重構(gòu)的多軸承健康壽命協(xié)同預(yù)測方法與SVR方法、LASSO方法進(jìn)行比較。

5 結(jié)論

本文提出的基于退化特征空間重構(gòu)的多軸承健康壽命協(xié)同預(yù)測方法可以從振動信號中獲取軸承的高質(zhì)量退化信息，選用四個退化特征并進(jìn)行空間重構(gòu)。利用IEEE PHM 2012數(shù)據(jù)集評估了新方法的性能，并與LASSO方法和SVR方法進(jìn)行了比較。實驗結(jié)果表明，從RMSE和MAE兩個方面，本文的新方法具有明顯的有效性和優(yōu)越性。

參考文獻(xiàn)：

[1]王付廣，李偉，鄭近德，等.基于多頻率尺度模糊熵和ELM的滾動軸承剩余壽命預(yù)測[J].噪聲與振動控制，2018，38（01）：188-192.

[2]趙申坤，姜潮，龍湘云.一種基于數(shù)據(jù)驅(qū)動和貝葉斯理論的機(jī)械系統(tǒng)剩余壽命預(yù)測方法[J].機(jī)械工程學(xué)報，2018，54（12）：115-124.

[3]王璽，胡昌華，張建勛，裴洪，劉軒，熊薇.基于粒子濾波的非線性退化設(shè)備剩余壽命自適應(yīng)預(yù)測[J/OL].兵器裝備工程學(xué)報，1-8.

[4]石婷婷.基于隨機(jī)森林算法的短期負(fù)荷預(yù)測研究[D].2017，鄭州大學(xué).

[5]Ren L，Cui J，Sun Y，Cheng X.Multi-bearing remaining useful life collaborative prediction：A deep learning approach[J].Journal of Manufacturing Systems，2017.43：S0278612517300262.

[6]Takens F.Detecting strange attractors in turbulence[J].Lecture Notes in Mathematics Berlin Springer Verlag，1981.898：366-381.

[7]鄭凱.基于數(shù)據(jù)驅(qū)動的機(jī)電裝備典型零部件健康壽命預(yù)測技術(shù)研究[D].貴州大學(xué)，2019.

課題項目：貴州省礦山裝備數(shù)字化技術(shù)工程研究中心（黔教合[2017]026號）;貴州省教育廳創(chuàng)新群體重大研究項目（黔教合KY字[2017]029）

作者簡介：鄭凱（1992-），碩士研究生，講師，主要從事故障預(yù)測和健康管理研究。