基于窄卷积层神经网络轴承剩余使用寿命预测.pdf

第卷 第期沈 阳 化 工 大 学 学 报.收稿日期:基金项目:辽宁省自然科学基金项目()辽宁省高端人才建设项目辽宁省特聘教授()作者简介:高淑芝()女河南郸城人教授博士主要从事复杂工业智能控制与优化的研究.文章编号:()基于窄卷积层神经网络轴承剩余使用寿命预测高淑芝 褚智伟(.沈阳化工大学 装备可靠性研究所 辽宁 沈阳 .沈阳化工大学 信息工程学院 辽宁 沈阳)摘 要:传统的轴承剩余使用寿命预测方法大多是对原始振动信号进行时域特征、频域特征以及时频域特征的提取创建轴承的健康指标来建立模型实现剩余寿命预测.为了简化轴承剩余寿命预测方法及提高预测的准确度提出一种只保留传统卷积神经网络里的卷积层且把卷积层改为窄卷积的降维方法.首先将窄卷积层神经网络对原始输入信号进行特征学习构建健康指标其次采用 优化损失函数及加权平均方法对网络输出结果进行降噪处理得到健康指标进而根据健康指标反向计算且平滑后得到剩余使用寿命最后通过滚动轴承全寿命试验数据仿真证明该方法能够准确预测轴承剩余使用寿命且与传统卷积神经网络的预测结果进行对比该方法的寿命百分比误差均值为 传统卷积神经网络的寿命百分比误差均值为 该方法的平均误差降低了 验证了其有效性.关键词:窄卷积层 神经网络 轴承 加权平均法 剩余寿命预测:./.中图分类号:文献标识码:传统的剩余使用寿命()预测方法大多采用人工智能的方法国内外诸多学者对此进行了深入研究.等为了解决提取的特征向量单调性不明显的问题提出了一种新的健康指标()的构建即基于马氏距离()与累积总和.首先利用小波技术对振动数据进行去噪提取特征然后利用非线性自回归神经网络进行 的预测预测效果良好.等提出一种可以对多状态系统进行 预测的方法即非均匀的连续时间马尔科夫模型.等提出了一种将推荐相关向量机()和指数回归模型相结合的方法以估计组件的剩余使用寿命最终取得了良好的预测效果.等提出了利用支持向量回归()来实现轴承的 预测.随着深度学习的不断发展深度学习被广泛应用在剩余使用寿命领域.等较早提出利用卷积神经网络()对轴承进行 预测且有较高的预测精度.等提出了一种基于深度特征表示和长短时记忆神经网络()的剩余寿命预测方法并验证其有效性.等提出了一种新的特征提取方法即光谱主能量向量法然后利用深度卷积神经网络()来实现轴承剩余寿命预测并验证该方法能显著提高预测精度.等提出了一种深度置信网络()与粒子滤波相结合的轴承剩余使用寿命预测的新方法验证了该方法具有良好的预测效果.等提出了一种从时域、频域、时频域及相关相识特征中提取特征然后利用长短时记忆()神经网络完成剩余寿命预测的方法并验证了其有效性.等提出了一种基于深度卷积神经网络()的轴承运动状态预测的 沈 阳 化 工 大 学 学 报 年在线数据驱动框架最后利用向量回归模型对轴承进行了剩余寿命预测.等提出了一种新的基于深度学习的预测框架该框架采用深度自编码器和深度神经网络()进行轴承 预测并验证了其有较好的预测精度.提出了一种新的深度特征学习方法通过时频分析法()和多尺度卷积神经网络()进行 估计该方法在预测精度方面表现出良好的性能.金志浩等利用傅里叶变换、小波变换、小波能量法进行特征提取.上述文献表明传统的机器学习算法和深度学习方法都被大量运用到轴承 的预测其大部分预测方法要进行特征提取等技术操作如需要进行时域、频域、时频域及基于熵的非线性估计的特征提取其难点在于提取特征维数较多且需要人工手动提取容易受噪声的干扰具有一定的局限性.同时轴承 预测也存在一些问题.目前轴承 预测主要是通过提取特征后进行分析来进行其传统的机器学习算法建立的模型难以更加准确地实现预测且预测过程较为复杂且精度低.为了更好地解决这些问题需要寻找新的智能化方法进行建模.本文提出了一种自主构建健康指标的模型即窄卷积层神经网络模型无需进行人工特征操作.该模型较为准确地实现滚动轴承剩余寿命预测.传统卷积神经网络卷积神经网络最主要的功能体现在特征的自主学习上.与传统的 预测方法相比它可以直接进行特征操作降低模型建立的复杂度.不同的卷积层可以提取不同的特征可以较完整地提取全部特征减少特征提取的遗漏.传统的卷积神经网络主要由 部分组成即卷积层、池化层以及全连接层可以视情况设置不同参数.如图 所示本文的传统卷积神经网络进行的是一维操作卷积层数与池化层数是一致的均为 层 个扁平化层和 个全连接层.图 传统卷积神经网络结构.窄积层神经网络卷积层输出的大小与卷积层的参数有关.参数包括卷积核大小、步长和填充是卷积神经网络的超参数.窄卷积层神经网络选择的是有效填充的方式 即将传统卷积神经网络池化层改为窄卷积层舍弃其他部分并且使窄卷积层同时具有特征提取和降维的作用构建新的神经网络.窄卷积层神经网络利用卷积层的权值共享、局部连接等特性减少了网络权值等在训练中需优化的参数数量在减小训练样本需求的同时提高了结果的可靠性.如图 所示该网络共有 层由一维输入依次经过 个窄卷积层提取振动信号特征并且进行降维最后一层窄卷积层输出一个单值数即剩余寿命百分比.每个卷积层的运算为 .()式中:表示卷积操作为该卷积层的输入信号 为输入信号的总数量为第 个输出信号为与第 个输出信号相连的所有输入信号中第 个信号的权重为该输出信号的偏置.本文窄卷积层神经网络使用的是一维卷积操作如图 所示.第 期高淑芝等:基于窄卷积层神经网络轴承剩余使用寿命预测 图 窄卷积层神经网络结构 图 窄卷积层神经网络一维卷积操作.由图 可以看出共有 个卷积核当利用窄卷积层中的每个卷积核时需要对输入信号以一定步长大小进行遍历每滑动一次都需要同步进行卷积运算从而得到特征输出.卷积层的输入与输出的关系为()/.()式中:为卷积层的输入 为卷积核尺寸为零填充 为移动步长.如第一个窄卷积层输入为 卷积核尺寸为 移动步长为 无零填充则由公式()得第一个卷积层的输出为.在经过窄卷积运算后需要用激活函数对每一个窄卷积层进行非线性处理.激活函数选择(线性整流函数)若输入值大于 时其导数值恒为.建立窄卷积层神经网络模型后需要对输入训练集()进行训练.其中:为训练的输入信号此处为采集到的原始振动信号为训练集的标签此处为振动数据对应的剩余寿命百分比.训练时将训练样本 输入到模型得到计算的剩余寿命.将计算模型的剩余寿命计算值 与实际剩余寿命 间的均方误差()作为损失函数.().()式中 为模型训练样本总数量.为了使损失函数值尽可能的最小需要对其进行优化.选择()优化 沈 阳 化 工 大 学 学 报 年算法对损失函数进行优化.加权平均降噪方法将原始振动信号输入到模型后最终输出得到剩余寿命百分比.此时的输出结果中存在一定的噪声导致预测准确度不够高需要进行降噪处理减少预测误差.采用加权平均方法进行降噪处理利用一个预设时间段的加权平均值来代替该时间段末的预测值离预测点越近的点权重占比越高.另外为了使降噪取得一个较好的效果在计算最新时刻的结果时利用前面已经降噪过的数据代替相连部分进行迭代计算具体的计算方法为().()式中:为时间长度为权重这里取等差数列为已降噪结果为当前时刻未降噪的预测值.实验与分析 剩余使用寿命预测方法通过窄卷积层神经网络完成对原始振动信号深层特征的挖掘和滚动轴承 的构建从而实现滚动轴承 的预测其预测流程见图.图 滚动轴承 预测流程.滚动轴承全寿命诊断数据简介实验数据来源于 年的 数据挑战赛其数据用途之一是专门用于轴承 预测.实验的采样频率为 两次采集数据间隔 一次采集时间为 每次采集到 个数据点最终得到滚动轴承全寿命数据.当加速度幅值持续大于预设值认为轴承失效实验结束.表 列出了在 种不同工况条件下 个轴承的信息.表 不同工况下的轴承型号 工况转速/()载荷/轴承型号 轴承 轴承 轴承 轴承剩余使用寿命预测实验分析模型选择的是工况 条件的轴承 作为测试集剩余 个轴承数据作为训练集进行试验.每条训练样本()中的 为第 次采集到的振动加速数据即是传感器在 内采集了 个数值的数据为该次采集时所对应的剩余寿命百分比()全寿命与当前时刻的差值结果与全寿命的比值.如轴承 共采集了 条采集间隔 故轴承全寿命为 当前样本为其第 条采集数据时剩余使用寿命为 训练 时的标即为剩余寿命 .图 所示为轴承 第一次采集的原始振动信号.图 轴承 第一次采集的原始振动信号.首先对传统卷积神经网络设置参数.其中 第 期高淑芝等:基于窄卷积层神经网络轴承剩余使用寿命预测 个卷积核的尺寸分别设置为、卷积核数量分别为、其移动步长均设置为 个池化层的池化窗口大小和移动步长均设置为 个全连接层的参数分别设置为、.建立好的模型中每层网络的输出数据如图 所示按照建立的模型进行仿真实验得到如图 所示的仿真结果.由图 可以看出预测结果波动幅度较大导致预测误差大故需要进行降噪操作降低预测误差.采用加权平均降噪的方法对预测结果进行降噪处理.时间窗长度为 即将 的加权平均值作为 时刻的预测值预测值不足 时计算所有值的加权平均其中权重为差是 的等差数列 对应的权重为 ()当预测值达到 时则 对应的权重为 .利用式()计算得到降噪后的预测值如图 所示.与未降噪结果对比可知波动幅度显著降低其预测值也明显减小.图 传统卷积神经网络降噪前的预测结果 图 传统卷积神经网络降噪后的预测结果 其次对本文提出的窄卷积层神经网络设置参数.其中:个卷积核的尺寸分别设置为、其移动步长均设置为 卷积核数量分别为、.建立好的模型中每层网络的输出数据如图 所示.按照建立的模型进行仿真实验结果如图 所示.同理需要进行降噪处理降噪后的结果如图 所示.图 窄卷积层神经网络降噪前的预测结果.图 窄卷积层神经网络降噪后的预测结果.图 为两种模型(图 和图)预测的对比.由图 可知在预测精度上两种模型有较大的差距窄卷积层神经网络降噪后预测结果更好并且窄卷积层神经网络预测结果更加接近真实值.为了方便对比两种模型的误差需要计算预测结果的平均相对误差.其平均相对误差为 ()/.()式中:为实际值为预测值.两个模型的误差结果如表 所示.沈 阳 化 工 大 学 学 报 年图 两种模型降噪后的预测结果对比 表 两种模型预测误差 模型预测平均相对误差/传统卷积神经网络 窄卷积层神经网络 由表 数据得知与传统卷积神经网络相比窄卷积层神经网络模型的预测平均相对误差减小了.在轴承 部分数据构建的 基础上根据式()和式()进行 预测.全寿命 当前寿命时长全寿命()全寿命 当前寿命时长.()通过式()和式()可计算滚动轴承 然后对结果进行平滑处理.利用寿命百分比误差()来评估预测方法的性能.实际 预测实际.()式中:实际和 预测分别是第 个测试滚动轴承的实际剩余寿命和模型预测的剩余寿命.其轴承 在上述两种不同模型下的剩余寿命预测结果如图 和图 所示.图 传统卷积神经网络剩余使用寿命预测结果 图 窄卷积层神经网络剩余使用寿命预测结果 表 为轴承 在不同操作时间点的实际 值和预测 值的比较.表 轴承 在不同操作时间点在两种模型下平滑后的预测误差对比 操作时间/真实/预测/预测/窄卷积层神经网络传统卷积神经网络 均值 第 期高淑芝等:基于窄卷积层神经网络轴承剩余使用寿命预测 如表 所示利用窄卷积层神经网络方法进行轴承 预测测试轴承 的 个不同操作时间点的预测误差其均值为 明显低于传统卷积神经网络方法的 .当操作时间小于 时远没有达到失效时刻轴承振动信号幅度较为稳定需要通过损失函数来反向优化参数以提高窄卷积层的特征提取能力.虽然在个别操作时间的预测误差略高于传统神经网络的预测结果但整体预测误差依然低于传统卷积神经网络的预测结果.当操作时间大于 时轴承接近失效时刻此时轴承振动信号的振动幅度较大且复杂传统卷积层神经网络的卷积层相比窄卷积层神经网络的窄卷积层其特征提取能力较差导致预测误差较大.结 论()窄卷积层神经网络能够有效地直接从原始的振动信号构建 由于 是自动构建的减少了对专家先进经验知识的依赖节约了劳动力资源.()将传统卷积神经网络改进为窄卷积层神经网络可降低神经网络训练参数的数量通过加权平均法对神经网络输出结果进行降噪处理并通过剩余寿命百分比反向计算 可更加直观地体现出轴承的 时间.通过与传统卷积神经网络的预测结果对比此方法提高了轴承 预测精确度.参考文献:.:.():.:.:():./.:.():.:.():.():./.().:/./.():.():.金志浩迟展于宝刚.基于声发射技术的减速顶故障诊断.沈阳化工大学学报():.沈 阳 化 工 大 学 学 报 年 ./().:.:.():.:/.().:/./.张继冬邹益胜邓佳林等.基于全卷积层神经网络的轴承剩余寿命预测.中国机械工程():.:/.:.(.):.: