一种基于Transformer-ResNet时空混合域内域间对齐网络剩余使用寿命预测方法及系统

摘要: 本发明属于但不限于滚动轴承剩余寿命,尤其涉及一种基于transformer-resnet时空混合域内域间对齐网络剩余使用寿命预测方法及系统。背景技术:1、滚动轴...
一种基于Transformer-ResNet时空混合域内域间对齐网络剩余使用寿命预测方法及系统

本发明属于但不限于滚动轴承剩余寿命,尤其涉及一种基于transformer-resnet 时空混合域内域间对齐网络剩余使用寿命预测方法及系统。

背景技术:

1、滚动轴承作为旋转机械系统的核心基础部件,其健康状态直接影响整机运行可靠性与安全性,剩余使用寿命(rul)精准预测是实现设备智能运维与预防性维修的关键。在实际服役过程中,轴承工况载荷多变、故障模式多样,不同工况与故障模式下的退化规律存在显著差异,导致退化轨迹呈现强非线性、非平稳特性。

2、现有基于迁移学习的轴承剩余使用寿命预测方法,大多采用直接建模方式直接输出 rul 结果,且模型训练与验证多局限于单一工况或固定故障模式下的数据集,难以有效应对实际场景中工况切换与故障类型变化所引发的源域与目标域数据分布偏移问题,模型泛化能力与跨域适应性严重不足。与此同时,传统深度学习模型在特征提取上存在明显局限,难以同步捕捉并融合退化序列中的长时序依赖关系与深层空间细节特征;且多数迁移学习策略仅关注域间分布差异的缩减,缺乏对源域内部不同样本、不同退化阶段特征分布一致性的有效约束与规整,导致跨工况、跨故障模式迁移过程中特征判别性与鲁棒性下降,退化趋势拟合偏差增大,最终难以保证 rul 预测的精度与稳定性。

3、源域内部对齐旨在约束源域内部不同样本、不同退化阶段之间的特征分布一致性,使源域形成更加紧凑、规整的特征表达空间,一方面可提升源域自身特征的判别性与鲁棒性,为模型提供更可靠的学习样本与特征基础,避免因源域内部特征混乱导致模型学习偏差;另一方面通过对源域特征空间的结构化规整,为域间分布对齐提供更稳定、更一致的特征输入,降低域间对齐过程中因源域内部子分布离散而引入的特征适配难度,从而间接提升跨域迁移的有效性,减少因源域内部特征不一致引发的域间迁移误差,进而为后续rul预测提供更精准的特征支撑,有效缓解跨工况、跨故障模式下的预测精度下降问题。

4、综上所述,构建兼具高效时空特征挖掘能力、同时实现域内特征对齐与域间分布对齐的泛化性预测模型可以有效提升复杂工况与多故障模式下轴承退化趋势表征能力与寿命预测精度。

技术实现思路

1、针对现有技术存在的问题,本发明提供了一种集成 ai 算法的便携式微塑料纤维原位检测方法及系统,适用于西部复杂环境(如高原、荒漠地区河流、湖泊)的微塑料纤维现场检测。

2、本发明是这样实现的,针对轴承工况与故障模式差异致使退化预测模型泛化性能不足、rul预测精度低的问题,本发明提出一种基于 transformer-resnet 时空混合域内域间对齐网络的退化趋势预测方法,依靠预测所得的轴承退化轨迹计算轴承的 rul。该方法构构建融合 transformer 与 resnet 的特征提取模块,利用域对抗及最大均值差异(mmd)缩小源域与目标域分布差异,并通过 mmd 实现源域内部特征约束对齐。

3、本发明是这样实现的,一种基于transformer-resnet时空混合域内域间对齐的剩余使用寿命预测方法,包括如下步骤:

4、步骤1,采集滚动轴承运行过程中的振动信号;

5、步骤2,对采集的滚动轴承运行数据构建健康指标hi;

6、步骤3,根据退化阶段划分准则对hi进行退化阶段划分,并选取退化阶段对应的数据;

7、步骤4,对退化阶段hi序列进行重构处理,按照统一窗口长度形成预测样本;

8、步骤5,将源域训练样本和目标域训练样本输入sthn-iida网络,所述sthn-iida网络包括由transformer与resnet融合形成的特征提取机制、域间分布对齐机制和源域内部对齐机制和预测机制;

9、所述特征提取机制接收重构后的hi样本并输出退化特征,所述域间分布对齐机制接收源域退化特征和目标域退化特征,并按照域对抗损失与域间最大均值差异损失的联合约束关系进行分布对齐,所述源域内部对齐机制接收源域退化特征,并按照源域内部最大均值差异损失约束源域内部特征分布;

10、步骤6,基于所述退化特征进行目标域退化趋势预测,并根据预测值计算rul。

11、进一步,对采集的滚动轴承运行数据构建健康指标hi时,采用小波注意力-变分自编码器(wa-vae)对滚动轴承运行数据进行健康指标构建,输出用于退化阶段划分的hi序列。

12、进一步,对退化阶段hi序列进行重构处理时,将窗口长度设定为12,将步长设定为1,按照时间顺序滑动划分形成多个样本,并将每个样本窗口最后一个时间点对应的hi值作为该样本标签。

13、进一步,所述特征提取机制中,resnet接收重构后的hi样本并输出空间结构特征,transformer编码器接收与所述空间结构特征相关的特征序列并输出时间序列特征,所述时间序列特征进入域间分布对齐机制、源域内部对齐机制和预测环节。

14、进一步,所述sthn-iida网络训练时采用联合优化损失,所述联合优化损失由源域预测损失、目标域预测损失、μ加权的域对抗损失、λ加权的域间最大均值差异损失和θ加权的源域内部最大均值差异损失相加得到;所述源域预测损失和目标域预测损失按照预测标签与真实标签之间差值平方的均值计算;所述域对抗损失按照域类别标签与域预测概率之间的二分类交叉熵关系计算;所述域间最大均值差异损失按照源域特征映射均值与目标域特征映射均值之间的距离关系计算;λ取0.6,θ取0.0001;μ按照当前训练迭代次数与总迭代次数的比值进行动态更新,具体为将当前训练迭代次数除以总迭代次数得到迭代比值,以负10乘以该迭代比值作为自然指数函数的指数项,将1与该自然指数函数值相加作为分母,将2除以所述分母后减1得到μ。

15、进一步,根据预测值计算rul时,将目标域数据输入训练完成的sthn-iida网络,当预测值达到失效阈值时记录预测失效时间,并将预测失效时间与预测起始时间之间的差值作为rul预测结果。

16、本发明的另一目的在于提供一种基于transformer-resnet 时空混合域内域间对齐网络剩余使用寿命预测系统,包括数据采集模块、健康指标构建模块、退化阶段划分模块、数据预处理模块、模型构建模块、模型训练模块和模型测试模块;

17、所述数据采集模块用于采集滚动轴承运行过程中的振动信号,并输出滚动轴承运行数据;

18、所述健康指标构建模块用于接收滚动轴承运行数据并构建健康指标hi;

19、所述退化阶段划分模块用于接收hi并根据准则划分退化阶段,输出退化阶段对应的数据;

20、所述数据预处理模块用于接收退化阶段对应的数据,并对退化阶段hi序列进行重构处理,形成源域训练样本和目标域训练样本;

21、所述模型构建模块用于构建sthn-iida模型,所述sthn-iida模型包括融合transformer与resnet的特征提取器、域间分布对齐模块和源域内部对齐模块;

22、所述模型训练模块用于接收源域训练样本和目标域训练样本,并按照预测损失、域对抗损失、域间最大均值差异损失和源域内部最大均值差异损失之间的联合约束关系训练sthn-iida模型;

23、所述模型测试模块用于接收目标域数据,将目标域数据输入训练完成的sthn-iida模型,并根据预测值计算rul。

24、进一步,所述数据预处理模块用于将退化阶段hi序列按照窗口长度12和步长1进行重构,生成多个样本,并将每个样本窗口最后一个时间点对应的hi值作为该样本标签。

25、进一步,所述融合transformer与resnet的特征提取器用于接收重构后的hi样本,利用resnet获得空间结构特征,利用transformer编码器获得时间序列特性,将所述空间特征与所述时间序列特征进行融合,并将融合后的特征输出至域间分布对齐模块、源域内部对齐模块和模型预测环节。

26、进一步,所述模型训练模块用于将源域预测损失、目标域预测损失、μ加权的域对抗损失、λ加权的域间最大均值差异损失和θ加权的源域内部最大均值差异损失相加作为总体损失,其中λ取0.6,θ取0.0001,μ按照当前训练迭代次数与总迭代次数之间的比例关系动态计算;所述模型测试模块用于在预测值达到失效阈值时记录预测失效时间,并将预测失效时间与预测起始时间之间的差值作为rul预测结果。

27、结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:

28、(1)本发明将通过退化阶段划分聚焦轴承退化关键信息、过滤无效冗余数据,有效解决了健康数据对整体退化过程影响的技术难题,为后续特征提取步骤奠定坚实基础。

29、(2)本发明融合transformer与resnet的rul预测特征提取结构,解决现有单一特征提取架构无法兼顾健康指标时序关联性与深层退化特征挖掘的技术问题,该结构将transformer的自注意力机制与resnet的残差连接模块串联融合,通过特征拼接模块将两类特征进行融合,为rul预测提供更全面、精准的特征支撑,有效提升模型对复杂工况下健康指标的特征提取能力,进而提高rul预测精度。

30、(3)本发明采用域对抗学习与mmd距离协同作用实现域间分布对齐,同时引入源域内部对齐机制,通过mmd距离计算源域内部不同子数据集的特征分布差异并进行优化,双重对齐策略协同作用,有效缓解域迁移场景下的分布偏移问题,降低源域内部异质性对预测结果的干扰。

31、(4)本发明通过transformer和resnet分别提取时序依赖与空间局部特征,并融合源域内部对齐、域间对抗学习与 mmd 分布距离度量,实现了多层级域适应;同时采用退化阶段划分策略剔除健康状态干扰,提升了对关键退化阶段的表征能力。该方法不仅在工业设备轴承健康监测与rul预测领域具有重要应用价值,还可广泛应用于其他需要对多源域退化信号进行精准分析和状态评估、寿命预测的场景,展现出广阔的应用前景和商业推广潜力。

32、第一,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:

33、(1)本发明的技术方案转化后的预期收益和商业价值为:

34、本发明可转化为滚动轴承剩余使用寿命预测软件模块、算法服务接口或边缘侧推理组件,嵌入设备状态监测系统、工业互联网平台及智能运维软件中。该方案能够基于滚动轴承振动信号输出设备健康状态、退化趋势和预测剩余使用寿命,为维护人员制定检修计划、备件采购计划和停机安排提供数据依据。

35、本发明通过 transformer-resnet 提取轴承退化过程中的局部特征和长时序退化特征,并结合域对抗学习、域间 mmd 约束及源域内部 mmd 约束,提高模型在不同工况、不同故障模式及目标域样本有限条件下的适应能力。因此,该方案能够利用已有轴承历史退化数据辅助新工况或目标域场景下的寿命预测,减少重新采集完整寿命周期故障数据和人工标注数据的成本。

36、该技术可应用于风电机组、轨道交通车辆、工业电机、泵、压缩机和数控机床等装备中关键轴承或传动部件的健康管理,具备软件授权、平台集成、云端订阅和智能运维服务等转化模式。其预期价值在于降低突发故障和非计划停机风险,提高维护决策和备件配置的针对性,减少过度检修,并提升设备全生命周期运维管理的智能化水平。

37、(2)本发明的技术方案填补了国内外业内技术空白:

38、现有轴承等旋转机械的剩余使用寿命预测方法,通常侧重于提升单一工况或同分布数据条件下的预测精度。在跨工况、跨故障模式或跨运行环境的应用中,由于转速、载荷、采样条件及退化演化规律存在差异,源域与目标域的特征分布往往不一致,导致在源域训练获得的模型难以直接适用于目标域。已有方法虽然引入迁移学习或领域自适应机制以减小源域与目标域之间的分布差异,但多数方法主要关注域间整体分布对齐,对源域内部不同退化阶段、不同样本子分布之间的特征一致性约束相对不足。

39、本发明针对上述不足,构建基于 transformer-resnet 时空混合特征提取与域内域间对齐的剩余使用寿命预测模型 sthn-iida。在特征提取层面,利用 resnet 提取健康指标序列中的局部结构特征及深层退化表征,利用 transformer 建模滑动时间窗内退化序列的长距离时序依赖关系;在迁移对齐层面,同时设置域对抗学习和源域、目标域之间的最大均值差异约束,以降低源域与目标域之间的特征分布差异;进一步通过源域内部最大均值差异约束,提升源域不同退化样本或子分布在特征空间中的一致性。

40、因此,本发明并非泛泛地采用特征提取网络或单一领域对齐策略,而是针对跨域剩余使用寿命预测中“时空退化特征提取、源域内部稳定性和源目标域分布适配”难以兼顾的问题,形成了相互配合的技术组合。该技术方案弥补了现有跨域 rul 预测方法在源域内部退化特征一致性建模与域内、域间协同对齐方面的不足。

41、(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:

42、旋跨工况退化特征不一致问题:不同工况、故障模式、转速、载荷和运行环境下,振动信号的幅值、频率成分及退化速率存在差异,导致源域训练模型在目标域上容易产生较大预测偏差。本发明通过域对抗学习和域间mmd约束减小源域与目标域的特征分布差异,提高跨域预测的适应能力。

43、寿命相关特征与域不变特征难以兼顾的问题:仅追求域间对齐可能削弱对寿命预测有用的退化信息;仅提高预测精度又可能导致模型过度依赖特定设备或工况。本发明通过预测损失、域对抗损失、域间mmd损失和域内mmd损失的联合优化,使特征同时保持寿命预测相关性、跨域共享性和源域内部稳定性。

44、长时序退化规律难以充分利用的问题:传统卷积网络对长距离时序依赖的建模能力有限。本发明将resnet的局部特征提取能力与transformer的长时序依赖建模能力结合,更适用于滚动轴承退化过程中的时空特征提取。

45、(4)本发明的技术方案克服了技术偏见: 。

46、克服仅依赖单一网络加深即可提高跨域预测性能的技术取向:本发明表明,单纯增加网络深度并不能消除不同故障模式和工况造成的分布偏移。通过resnet与transformer协同提取局部和全局退化特征,可提高特征表达的完整性。

47、克服仅进行源目标域整体对齐即可实现可靠迁移的技术取向:本发明认识到,源域内部特征分布不稳定会影响域间对齐效果。因此,在域间对齐之外增加源域内部mmd约束,使源域不同退化样本的特征表达更加一致。

48、克服预测任务与迁移任务必须分别优化的技术取向:本发明采用预测损失与多种对齐损失联合优化,并动态调节域对抗损失权重,使模型能够在保持rul预测能力的同时逐步提升跨域适配能力。