基于局部与全局信息融合的轴承剩余使用寿命预测方法

摘要: 本发明涉及机械故障预测与健康管理,尤其涉及基于局部与全局信息融合的轴承剩余使用寿命预测方法。背景技术:1、盾构机是深地地下空间掘进施工的核心装备,主轴承作为其驱...
基于局部与全局信息融合的轴承剩余使用寿命预测方法

本发明涉及机械故障预测与健康管理,尤其涉及基于局部与全局信息融合的轴承剩余使用寿命预测方法。

背景技术:

1、盾构机是深地地下空间掘进施工的核心装备,主轴承作为其驱动系统的关键支承部件,承担着传递刀盘掘进载荷、支承刀盘稳定旋转的核心功能,具有超大直径、多滚道结构、受力工况复杂的显著特点。盾构施工过程中,主轴承长期处于低速重载、强冲击偏载、高湿磨粒侵入的极端工作环境,极易发生滚道疲劳磨损、表面裂纹萌生扩展等渐进式退化故障。主轴承一旦提前失效,将直接导致盾构机整机停机拆解维修,维修周期长、拆装成本高,严重滞后施工进度并造成巨大的经济损失与工程安全风险。因此,准确预测主轴承剩余使用寿命,提前开展预测性维护以避免突发性故障,对保障盾构施工安全与工程效率具有重要的现实意义。

2、实际工程场景中,盾构掘进界面的岩土力学性质随地层条件剧烈变化,刀盘所受外部载荷具有强随机性与强冲击特性,该载荷经刀盘-主轴系统传递至主轴承后,形成轴向推力、径向倾覆力矩与交变冲击载荷的耦合作用。尤其当盾构机穿越软硬不均复合地层时,主轴承频繁经历低速重载、突变偏载与间歇性卸载的非稳态工况,导致滚子-滚道接触界面在弹流润滑与边界润滑状态之间往复切换,接触应力分布极度不均,进而诱发局部应力集中与塑性变形累积,显著加速轴承疲劳退化进程。受上述复杂工况影响,主轴承健康监测信号呈现强非平稳、非线性调制、多时间尺度耦合的复杂特征,为剩余使用寿命的精准预测带来了极大挑战。

3、近年来,深度学习技术在旋转机械寿命预测领域展现出显著优势,已成为轴承退化状态评估与寿命预测的主流技术路径。然而,现有深度学习模型应用于盾构机主轴承寿命预测时,仍存在诸多亟待解决的问题:

4、(1)现有模型大多未充分考量多源物理监测信号对退化表征的贡献度差异,无法自适应强化有效退化信息、抑制环境噪声干扰;同时模型在特征提取与反向传播过程中,忽略了局部冲击特征与全局退化趋势之间的内在依赖关系,对非稳态工况下的微弱退化特征敏感度不足,也难以精准捕捉长时序信号中的整体退化演化规律,最终导致预测精度难以满足工程需求。

5、(2)现有轴承寿命预测模型多依赖复杂的人工特征设计或深层堆叠网络结构,普遍存在权重参数量大、计算复杂度高、模型推理耗时长的缺陷,无法在故障征兆出现的极短时间窗口内完成预测并发出预警,同时也制约了模型在边缘端设备的部署落地,难以适配盾构掘进过程中主轴承剩余使用寿命在线实时监测的应用需求。

6、(3)深度学习模型的超参数选取通常依赖专家经验与反复试错,存在调参效率低下、时间成本高昂、优化效果不稳定的问题,难以保证模型在不同地质工况下的泛化能力与预测鲁棒性。

7、综上所述,目前亟需开发一种兼具多尺度特征提取能力、长距离时序依赖建模能力与微弱退化特征增强能力的轻量化深度学习预测架构,以攻克盾构机主轴承寿命预测中特征提取不充分、模型计算复杂度高及超参数优化困难等技术瓶颈。

技术实现思路

1、本发明的目的在于克服背景技术中的问题,提供一种基于局部与全局信息融合的轴承剩余使用寿命预测方法,针对盾构机主轴承极端工况下信号多尺度耦合、局部冲击与全局退化难以兼顾的问题,本发明提出"双分支并行提取—残差收缩融合—智能寻优"的寿命预测思路。在轴承支承及回油管路布置振动、温度、应变、磨粒传感器采集多源信号;引入通道注意力机制判别各监测量退化贡献度并加权融合为单一序列,强化有效信息、抑制背景噪声;并行构建两个特征分支:以轻量化独享门控时序网络(独享门替代多门结构的改进时序网络)构成短时局部模块,捕捉破岩冲击等瞬态特征,以 itransformer 构成长程全局模块,借多头自注意力建立通道间全局依赖、刻画长时序退化规律;以深度残差收缩网络自适应软阈值去噪融合两分支特征,并用侦探行为优化算法自动优选学习率、批尺寸与注意力头数,输出剩余寿命预测值。该方案在降低参数量与推理时延的同时,兼顾了局部冲击敏感性与全局趋势把握。

2、为了实现上述发明目的,本发明采用技术方案具体为:基于局部与全局信息融合的轴承剩余使用寿命预测方法,包括如下步骤:

3、s1:在盾构机主轴轴承各节点处布置多种传感器,用于采集盾构机主轴承的多源物理信号。

4、s2:将多源物理信号分割为多个样本,标定各个样本的剩余寿命,按8:2划分成训练集和测试集。

5、s3:以独享门控时序网络为基础设计短时局部信息捕捉模块和长程全局信息捕捉模块,将深度残差收缩网络引入到长程全局信息捕捉模块中,根据短时局部信息捕捉模块与长程全局信息捕捉模块,构建一种短时局部与长程全局信息融合的盾构机主轴承剩余使用寿命预测模型,基于该预测模型输出盾构机主轴承剩余使用寿命。

6、s4:使用侦探行为优化算法筛选盾构机主轴承剩余使用寿命预测模型使用的最优学习率、批尺寸与多头注意力头数参数组合。

7、s5:使用盾构机主轴承全生命周期数据的训练集训练步骤s3中的主轴承寿命预测模型,建立多源物理信号特征与主轴承剩余使用寿命的映射关系。

8、s6:将测试集数据输入训练好的主轴承寿命预测模型,验证模型性能,基于验证集上主轴承剩余使用寿命的预测结果分布特性设定早期预警阈值,当实时主轴承剩余使用寿命预测值低于该阈值时触发报警。

9、进一步地,步骤s1的中:在盾构机主轴轴承支承处水平方向和竖直方向分别安装三向振动传感器,在支承处水平方向安装温度传感器,在支承连接处安装电阻应变片,在主轴承回油总管处安装在线磨粒传感器。

10、所述多源物理信号包括:主轴承振动信号、温度时变数据、主轴承应变波动信号和磨粒特征数据,其中,表示各通道振动信号,下标a表示传感器序号,下标r表示传感器通道数,其中加速度传感器为三通道,在线磨粒传感器为双通道,温度传感器和电阻应变片则均为单通道。传感器安装于主轴承外圈支承座临近位置或者主轴承回油总管处,以最短传递路径拾取滚子-滚道接触界面的振动响应信号、轴承壳体外缘的热状态、主轴承承受的径向力或倾覆力矩以及主轴承内部滚动体、滚道、齿轮啮合面的材料流失程度。

11、所述步骤s2的具体内容为:将采集的多源物理信号划分长度为1024的多个样本,每个样本标定为总采集时间减去划分样本开始时间得到样本剩余寿命,去除设备启动、停机无载荷时段数据,将剩余样本集按8:2比例划分训练集和测试集,用于模型训练和性能验证。训练集和测试集样本覆盖盾构机切入切出软-硬岩地质界面及在复合地层中掘进等多种工况下的多物理监测数据,保证模型对频繁地层切换工况的适应性。

12、进一步地,步骤s3中,所述独享门控时序网络为一种新的时间序列门控机制的神经网络,由多个包含独享门与输入门结构的独享门控循环单元在双向堆叠组成;所述短时局部信息捕捉模块由两个独享门控时序网络与两层一维卷积层串联组成;所述长程全局信息捕捉模块包含多层相同网络结构,每层网络由多头自注意力机制层与前馈网络层及组归一化层组成。

13、步骤s3中,所述构建一种短时局部与长程全局信息融合的盾构机主轴承剩余使用寿命预测模型,基于该预测模型输出盾构机主轴承剩余使用寿命的具体内容为:

14、s3.1、基于通道注意力机制,通过全局统计提取、通道间依赖关系建模与加权压缩融合,将多源物理信号融合为单一序列;该机制可自适应判别各物理量监测数据对当前主轴承退化状态的贡献度,增强有效退化信息,抑制掘进作业时的强背景噪声。

15、s3.2、基于独享门状态,使用短时局部信息捕捉模块生成门控信号和候选信息,自适应融合历史单元输出和当前输入,计算当前单元输出,经过全连接层输出短时局部信息捕捉模块特征序列;针对滚刀破岩产生的短时高频冲击、切入切出软硬复合地层界面引起的载荷突变以及滚道表面早期疲劳剥落产生的瞬态脉冲等局部特征,短时局部信息捕捉模块凭借独享门控单元对时序依赖的高效建模能力,在连续信号流中精准定位上述局部异常,实现早期微弱退化特征的敏锐捕捉。

16、s3.3、基于长程全局信息捕捉模块,加权计算得到多物理增强数据经过前馈网络的向量嵌入过程,借助深度学习网络建立通道间全局依赖关系,最后经过组归一化与残差连接稳定训练,线性映射后得到长程全局信息捕捉模块最终输出的特征序列。该模块在通道维度对多物理信号进行全局交互建模,可建立主轴承全寿命周期与多种物理信号间的长程依赖关系,实现从健康运行至失效全过程整体退化趋势的宏观感知。

17、s3.4、残差连接融合短时局部信息捕捉模块输出特征与长程全局信息捕捉模块输出特征,该融合结构将短时局部信息捕捉模块捕捉的破岩高频冲击、切入切出载荷突变等局部敏感特征,与长程全局信息捕捉模块挖掘的跨通道全局退化趋势特征进行自适应整合,使模型同时具备突发性冲击响应与渐进性退化演变的双重感知能力。

18、s3.5、将融合后的特征向量序列输入全连接层中,输出盾构机主轴承的剩余寿命预测结果。

19、进一步地,所述步骤s3.1的具体内容如下:

20、s3.11、通道压缩过程:将多源物理信号在时间维度上进行全局平均池化,将10×1024的特征序列压缩为1×1024的通道统计向量,通道的全局统计向量具体计算过程为:,式中,为第c个通道的完整时间序列,t为时间步长,取1024,为压缩后输出的第c个通道的全局统计量。

21、s3.12、计算通道注意力权重向量:压缩后的通道向量输入至由两层全连接网络构成的非线性变换模块中,以建模通道间的依赖关系,生成归一化后的注意力权重向量s,,式中,分别为两层全连接权重矩阵,为偏置项。

22、s3.13、重新标定与多通道融合过程:将归一化处理后的注意力权重作用于各通道的原始信号,并通过加权求和将所有通道输入融合为单一序列y:

23、,

24、式中为第c个通道的注意力权重。

25、进一步地,所述步骤s3.2的具体内容如下:

26、s3.21、计算独享门状态:,式中,为独享权重矩阵,为上一时刻的隐藏状态,为当前时刻的输入特征,为偏置量;独享门代替传统时序网络中更新门和重置门的功能,而则充当输入门的作用,以减少独立的门控参数。

27、s3.22、计算单元信息参数:。

28、s3.23、计算状态中间变量:,式中,为用于生成独享门控信号和单元信息状态的中间变量。

29、s3.24、更新单元信息状态:,式中,分别表示网络前一个时间段和当前时间段的单元信息状态,通过独享门控信号对历史状态与当前信息状态进行加权融合,通过独享门控信号对历史状态与当前信息状态进行加权融合,使网络在滚刀破岩产生的高频冲击序列中仍能保持对时序依赖的稳定建模能力。

30、s3.25、计算单元输出:,由独享门计算单元信息能够计算得到两个方向上的隐藏状态,:,分别取两个方向上的独享门状态和单元信息状态计算,可以分别得到两个方向上的隐藏状态、,式中为双曲正切函数,分别为前向和后向的单元输出权重矩阵,为偏置量。

31、s3.26、计算输出特征序列:

32、,

33、式中,是t时刻的短时局部信息捕捉模块网络输出特征,是输出权重矩阵,为偏置量,为短时局部信息捕捉模块网络最终输出的特征序列。

34、进一步地,所述步骤s3.3的具体内容如下:

35、s3.31、基于深度学习网络增强原多物理量数据:,式中,为第c个通道在t时刻经注意力加权后的振动幅值,将所有通道的增强后序列拼接得到多通道增强数据:,式中,表示各个通道在所有时间步上的观测序列。

36、s3.32、前馈神经网络提取时间特征。

37、为充分提取每个变量在时间维度上的特征变化趋势,在注意力层之前引入作用于时间维度的前馈神经网络:,式中,表示参数为θ的多层前馈神经网络,用于提取每个通道任务的全局时间演化特征;表示中的第c个通道数据,表示第c个通道经过ffn后的嵌入向量,所有通道任务的嵌入表示组合,为:。

38、s3.33、多头自注意力机制建模通道依赖。

39、通过多头自注意力机制对各个通道任务进行交互建模,在通道维度构建不同传感器之间的依赖关系,以使模型能够感知主轴承从健康运行至失效全过程中多传感器多通道信号间的协同退化演变规律,注意力机制的计算方式为:,式中,分别为查询矩阵、键矩阵和值矩阵,为键向量的维度,缩放因子用于避免点积值过大导致梯度饱和,所述查询矩阵、键矩阵和值矩阵的计算过程如下:

40、,

41、将多个注意力头的输出进行拼接:,式中,h为注意力头的数量,为输出投影矩阵,表示多头注意力机制处理,运算将h个注意力头的独立计算结果拼接成一个完整的序列。

42、s3.34、在每一层的多头注意力机制与前馈网络前后引入了组归一化来稳定计算过程并加速模型收敛,并在归一化层级前引入残差连接以缓解深层网络的梯度退化问题,将残差连接后的特征作为组归一化的输入,组归一化将每个样本的特征通道划分为若干组,并在组内计算均值和方差执行归一化,经上述计算处理最终输出组归一化后的特征序列。避免了由于盾构掘进跨软硬岩交界面或复合地层时,同一训练批次内可能同时包含不同掘进条件下的振动样本,导致的信号幅值与频带分布差异显著,样本间统计特性极不稳定的问题,消除了不同轴向振动分量之间量纲差异导致的分布偏移。

43、s3.35、过投影层映射输出。

44、长程全局信息捕捉模块由l个相同的模块堆叠而成,初始的嵌入表示组合经过多层网络迭代计算得到第层的特征:,式中,表示第层模块处理流程,初始嵌入表示组合经过多层模块处理后的输出,经过线性映射层处理后得到长程全局信息捕捉模块最终输出的特征序列:。

45、进一步地,所述步骤s3.34具体内容如下:

46、a、通道分组:设输入的特征向量为,其中b为批尺寸,c为所有传感器通道数总和,t为时间步长,将c个通道的信号共划分为组,每组包含通道数,能够被整除。

47、b、计算组内均值和方差:分别计算第g组内各个通道的所有时间步的均值和方差:,,其中,b为批尺寸索引,c为通道索引,t为时间索引;组归一化的均值和方差计算过程仅在单个样本的通道组内计算而不跨批次,因此避免了计算结果受批尺寸的影响。

48、c、组内元素归一化:利用各组均值和方差对组内每个元素执行归一化,使其分布近似服从标准正态分布:,其中,为一个正常数,用于防止计算溢出,归一化操作将组内数据压缩至均值为0、方差为1的分布区间,用于消除不同通道量纲和幅度差异导致的分布偏移。

49、d、引入缩放和平移参数仿射变换标准化元素:,式中,为组归一化处理后的特征序列,其维度与组数g相同,且每组共享一组参数,和均为可训练的参数向量,和分别负责缩放和平移,使得网络在获得归一化稳定性的同时,仍能保留原始特征的非线性表达能力。

50、进一步地,所述步骤s3.4的具体内容如下。

51、s3.41、使用一维卷积处理短时局部信息捕捉模块输出特征,使其与长程全局信息捕捉模块输出特征序列维度一致,确保破岩高频冲击特征与跨通道全局退化趋势特征在维度上对齐,,式中,conv1d()为一维卷积操作,输出通道数为。

52、s3.42、计算初步残差融合特征序列:,式中,λ为可学习的残差融合系数,初始化数值为0.5。

53、s3.43、自适应软阈值学习使各通道特征在保留有效退化信息的同时,抑制泥水渗入、磨粒侵入等非退化因素引入的噪声分量。具体自适应软阈值学习过程如下:计算全局平均池化后的初步融合特征,。

54、针对主轴承滚道剥落引起的冲击特征与正常磨损特征幅值差异大的特点,通过两层全连接网络计算通道注意力权重:

55、,

56、式中,为全连接权重矩阵,为通道注意力权重计算的中间量,为归一化后的通道注意力权重。

57、计算每个特征通道对应的自适应阈值:。

58、s3.44、软阈值化处理初步融合特征序列,计算软阈值处理后的特征序列:,,式中,soft()表示软阈值函数,为第c个特征通道的自适应阈值。

59、s3.45恒等残差连接:,式中,为最终融合后的特征向量序列,β为可学习的残差权重系数,初始化为0.1。

60、进一步地,所述步骤s3.5的具体内容如下:将融合后的特征序列通过全局平均池化层,聚合时间维度的信息:,式中,为在时刻t的特征向量,为池化后的全局特征向量。

61、将池化后的特征向量输入全连接网络,逐层映射为盾构机主轴承剩余使用寿命预测值:

62、,

63、式中,为全连接层的权重矩阵,为对应的偏置项,relu()为激活函数,rul表示最终的盾构机主轴承剩余使用寿命预测值,表征盾构机主轴承当前健康状态距滚道疲劳剥落或内齿圈疲劳等失效阈值的剩余时间。

64、进一步地,所述步骤s4的具体内容为:使用侦探行为优化算法选择盾构机主轴承剩余使用寿命预测模型使用的最优的学习率、批尺寸与多头注意力头数参数组合,具体的优化过程如下:

65、s4.1、侦探行为优化算法首先将个候选解组织为一个的种群矩阵,其中第i行代表第i个候选解在n维空间中的位置,每个候选解的初始位置通过公式生成,其中,,rand表示[0,1]之间的均匀随机数,和分别是第j个维度的下界和上界,n是优化问题的维度数,n是种群大小,在每次迭代中,适应度最优的个体被记录为全局最优解。

66、s4.2、随后侦探行为优化算法进入迭代优化过程,使用一个基于正弦函数的判断准则来动态平衡探索和开发:,其中rand为当前迭代次数,为最大迭代次数,是控制探索与开发比例的关键参数,当时,算法执行开发操作;当时,算法执行探索操作。

67、s4.3、当侦探行为优化算法进入探索阶段时,执行大范围方向性搜索,探索策略的数学表达为,其中,是搜索空间的中心位置,是当前已知的全局最优解,是[0,1]之间的随机值。

68、s4.4当侦探行为优化算法进入开发阶段时,执行双策略精细搜索,在每次开发操作中以50%的概率随机选择两种策略之一执行。

69、第一种策略是基于lévy飞行的局部搜索:,其中,步长s服从lévy分布,计算公式为,而的计算方式为:,其中β=1.5是lévy飞行的指数参数。

70、第二种开发策略是直接攻击式运动:,其中是[0,1]之间的随机值。

71、s4.5、为了加速收敛并增强搜索多样性,侦探行为优化算法引入对立学习策略,通过对立位置公式生成对立位置,并计算各个位置的适应度,然后通过以下规则进行比较和选择:

72、,

73、在每次位置更新之后,侦探行为优化算法对每个候选解执行边界检查,将越界的分量强制拉回到搜索范围内,同时采用贪婪选择机制,只有当新解的适应度优于个体历史最优时,才更新个体最优和全局最优位置,经过步骤s4.1至s4.5完整的迭代过程,算法最终输出全局最优解作为优化结果。该数据驱动的自动寻优机制使模型能够依据不同地质工况下振动信号的特征差异自适应锁定最优超参数配置,克服了人工调参无法适配复杂地质条件下掘进作业中岩土特性频繁切换的问题,保证了模型在多变地质条件下的泛化能力与预测稳定性。

74、与现有技术相比,本发明的有益效果为:

75、1.本技术通过构建一种短时局部与长程全局信息融合的主轴承预测框架,该框架能够深度挖掘盾构机主轴承服役性能退化的非平稳、非线性和多尺度耦合的特征信息,在深地空间的极端工况下实现盾构机主轴承渐进式退化数据局部冲击特征与全局退化特征的协同提取。其中,短时局部信息捕捉模块通过建立主轴承不同退化特征位置之间的局部相关性,进而增强主轴承退化数据中的冲击响应、能量变化及调制信息,有效捕捉滚道表面早期疲劳剥落或滚动体轻微损伤等局部退化特征;长程全局信息捕捉模块能够在通道维度建立长程依赖关系,进而精准感知多传感器间全局退化演变规律,映射主轴承在滚道接触应力分布不均时全寿命的健康状态退化趋势;同时在所提预测模型中引入深度残差收缩网络,其不仅能够自适应融合上述模块的特征信息,而且还能对主轴承非稳态工况下的强噪声进行软阈值化的自动滤除。这种“局部敏锐、全局宏观”的双重视角,解决了现有模型难以精准捕捉主轴承全寿命退化演化规律的难题。

76、2.受到深度学习网络轻量化结构的设计思想,创新性地将循环神经网络中的更新门与重置门合并为单一独享门控单元,提出一种新的时间序列门控机制的神经网络,命名为轻量化独享门控时序网络,该网络在保留门控循环单元记忆优势的同时,具有较低的计算复杂度和较快的推理速度。将该网络引入所提预测模型中能够深度解耦盾构机主轴承在载荷突变条件下被复杂干扰特征掩盖的轴承退化信息。将所提预测模型植入到深地空间掘进的盾构机机载的边缘计算设备(如工业平板、嵌入式系统)中,能够满足了掘进过程中毫秒级的实时响应要求,为预测性维护的现场即时决策提供了技术支撑。

77、3. 考虑到所提短时局部与长程全局信息融合的轴承预测框架的超参数需要依赖专家经验进行人工调参,引入侦探行为优化算法(dba)对所提主轴承预测模型的关键超参数进行自动寻优。通过探索与开发的动态平衡策略,结合lévy飞行与对立学习机制,在全参数空间内高效搜索最优学习率、批尺寸及注意力头数组合。dba算法使得所提盾构机轴承预测模型能够快速锁定全局最优解,保证模型突破单一尺度的局部表征限制,形成兼顾局部瞬态冲击、包络调制特征与较大范围能量关联的连续多尺度表征,这种数据驱动的自动化优化机制,不仅大幅缩短了模型部署前的调试周期,更从根本上保证了模型在面对深地空间极端未知工况时仍能保持优异的泛化能力与在线预测的实时性。