一种基于MSDC-SE-SDTransformer的滚动轴承剩余寿命预测方法

本发明涉及滚动轴承寿命预测领域，具体涉及一种基于msdc-se-sdtransformer的滚动轴承剩余寿命预测方法。

背景技术：

1、滚动轴承是旋转机械中的重要支承部件，长期运行过程中通常承受变转速、变载荷、冲击和振动等复杂工况，其性能退化具有非线性、时变性和阶段性。若仅按照固定周期更换轴承，容易造成可用寿命浪费；若在故障特征明显后再实施维修，又可能增加设备突发故障及非计划停机风险。因此，需要根据运行监测数据估计轴承从当前状态到失效状态的剩余使用寿命（rul），为设备预测性维护提供量化依据。

2、现有数据驱动rul预测方法通常直接使用原始振动信号或单一时域、频域特征。原始振动信号容易受到工况变化、随机冲击和环境噪声的影响；单一物理特征虽然具有一定可解释性，但难以完整表征非线性退化过程；单独使用深度特征又可能缺少稳定的趋势约束。因此，如何融合物理特征的趋势信息和深度特征的非线性表征能力，是提高健康指标质量的重要问题。

3、滚动轴承全寿命过程通常包括健康运行阶段和性能退化阶段，准确确定性能退化起始点是构造剩余寿命标签和开展rul预测的重要前提。现有方法多采用人工经验阈值、固定寿命比例或单一统计参数确定退化起始点。然而，不同轴承在不同转速和载荷条件下的健康阶段持续时间及退化速率存在差异，统一阈值或固定比例难以适应轴承个体和运行工况的变化；单一统计参数又容易受到局部波动和随机冲击的干扰，可能造成退化起始点提前或滞后识别。在退化序列建模方面，卷积神经网络能够提取局部退化特征，但固定尺度卷积核对不同时间尺度退化模式的表征能力有限；循环神经网络及长短期记忆网络能够处理时序信息，但在较长序列上的训练效率和长期依赖建模能力仍存在不足；普通transformer能够建立全局相关关系，但在处理非平稳退化序列时，容易对缓慢退化趋势和局部周期波动进行混合建模。此外，不同特征通道对剩余寿命预测结果的贡献程度不同，若对各通道进行同等处理，容易削弱关键退化信息的作用。

4、综上所述，现有滚动轴承剩余寿命预测方法在物理特征与深度特征融合、退化起始点自适应识别、多尺度局部退化特征提取、关键通道增强以及长期趋势信息建模等方面仍存在不足，需要进一步改进。

技术实现思路

1、本发明的目的在于提供一种基于msdc-se-sdtransformer的滚动轴承剩余寿命预测方法，以解决复杂工况下单一健康特征表征能力不足、退化起点难以稳定确定、局部退化模式尺度不一致、长期依赖和趋势分量利用不足以及预测曲线非物理反向增长的问题。

2、为实现上述目的，本发明采用如下技术方案。

3、步骤s1，采集并预处理轴承全寿命振动信号。将各采样记录按采样时间排序并依次拼接，以固定长度窗口切分为振动样本；对各振动样本进行经验小波变换分解，对所得经验小波模态分量依次实施软阈值处理和奇异值分解降噪后叠加重构，得到重构振动信号。

4、步骤s2，构建融合健康指标hi。从重构振动信号中提取17个时域和12个频域物理特征，利用相关性、单调性和鲁棒性指标评价特征质量，以k-means生成评价样本的伪分类标签并由随机森林获得三类评价指标的组合权重，按综合得分筛选10维物理特征；再利用以均方根值为监督标签的时间卷积网络从振动窗口提取10维深度退化特征，将10维物理特征与10维深度退化特征经主成分分析融合，取第一主成分并通过指数加权移动平均平滑，形成数值随退化程度增大而总体升高的单变量健康指标序列，其中，为第个采样时刻的健康指标，为全寿命序列的末采样时刻，即失效时刻。

5、步骤s3，检测退化起始点。对于以采样时刻为中心或起点的点局部窗口，令窗口内序号为，采用最小二乘直线斜率描述局部变化速率：

6、(1)

7、同一窗口的局部均值和局部方差分别为和。先以在训练数据上确定的预设方差阈值筛除高波动点，再对与分别进行z-score标准化，构成二维退化特征：

8、(2)

9、式中，为第个采样时刻的二维退化特征，表示z-score标准化，和分别为幅值特征与局部斜率特征的权重。

10、将二维退化特征输入dbscan聚类。计算各非噪声聚类簇的起始索引，选取起始索引最早的聚类簇作为健康阶段簇；提取该健康阶段簇对应的原始时序索引并排序，以最大原始时序索引作为健康阶段结束索引。该处理无需预先指定聚类个数，并可将离群冲击点标记为噪声，避免其直接推高退化阈值。计算健康阶段簇内hi的均值和标准差，设置退化阈值；从健康阶段结束索引之后沿时间顺序搜索hi，当从某一采样时刻开始连续n个采样点均满足时，将该连续片段的首时刻确定为退化起始时刻。连续超限条件用于抑制由单次冲击引起的误判。

11、步骤s4，构造归一化rul标签。若失效时刻为，则归一化rul标签为：

12、(3)

13、训练阶段从开始构造用于rul预测的样本；在线应用时仍保留健康阶段识别结果，在尚未进入退化阶段时输出归一化寿命上限或“未进入退化阶段”状态。

14、步骤s5，采用滑动窗口制样。设置窗口长度和步长，将作为一个输入样本，以作为监督标签；也可根据采样周期将输出设置为多步rul。训练集、验证集和测试集按轴承个体划分，避免同一轴承相邻窗口同时落入训练集和测试集导致数据泄漏。

15、步骤s6，构建并训练msdc-se-sdtransformer预测网络。首先由多尺度动态卷积模块（msdc）提取局部退化模式。输入序列同时通过卷积核尺寸不同的多个一维卷积分支，每个分支执行一维卷积、批量归一化、非线性激活和随机失活；将各分支输出按通道拼接并以1×1卷积压缩，得到多尺度特征。

16、(4)

17、式中，为输入健康指标序列；分别表示卷积核尺寸为7、9和11的一维卷积；表示各分支的批量归一化、非线性激活和随机失活处理；表示按通道拼接；表示1×1通道压缩卷积；为所得多尺度特征。

18、多尺度特征一方面进入固定参数的一维静态卷积，另一方面经全局平均池化和全连接映射生成与当前样本相关的动态卷积核，利用分组卷积获得动态响应。对两路响应进行特征融合，形成兼具稳定共性与样本自适应性的静动态融合特征；当两路响应的张量维度一致时，可采用逐元素相加实现所述特征融合。

19、静动态融合特征进入压缩激励（se）通道注意力模块。先沿时间维进行全局平均池化得到通道描述向量，再由两层全连接网络生成权重：

20、(5)

21、式中，为静动态融合特征在相应通道和时间位置的取值，其两个下标依次表示通道索引和时间位置索引；为序列长度；为相应通道的全局描述量，为全部通道描述量组成的向量；为两层全连接网络的权重矩阵；为相应通道的权重；为通道重标定后的特征。

22、经通道重标定后的特征叠加位置编码后输入序列分解transformer（sdtransformer）编码器。多头自注意力将输入分别线性映射为查询矩阵、键矩阵和值矩阵，并按如下方式计算：

23、(6)

24、式中，表示缩放点积注意力运算；分别为查询矩阵、键矩阵和值矩阵；中的上标表示矩阵转置；为键向量的特征维数，为缩放因子；表示归一化指数函数。

25、每个编码层包含多头自注意力、残差连接、归一化、序列分解和前馈网络。设第个编码层的输入为，序列分解单元对实施边界复制填充和移动平均，得到趋势分量，并以减去得到季节分量，满足：

26、(7)

27、式中，表示边界复制填充，表示移动平均池化。

28、至少个编码层串联工作，其中；将各编码层的趋势分量进行线性投影后累加，并与第个编码层输出的季节分量融合形成融合特征，满足：

29、(8)

30、式中，为对第个编码层趋势分量实施的线性投影映射。所述跨层趋势融合使缓慢退化趋势不因层层残差变换而被削弱；融合特征经全局平均池化和全连接回归层输出归一化rul预测值。

31、在步骤s6中，采用联合损失训练网络。均方误差损失用于约束预测精度，单调性损失用于惩罚按时间排序的相邻预测值反向增长：

32、(9)

33、式中，为联合损失函数值；为按时间先后排列的同一轴承样本序列长度，，和分别为第个样本的归一化rul标签和预测值，为前一个样本的预测值，联合损失的两项权重均为1。训练批次按照轴承编号分组，并在同一轴承内部保持时间顺序，仅对同一轴承的相邻窗口计算单调性损失，以免对不同轴承、不同工况的样本施加错误约束。利用adam优化器迭代更新网络参数，并根据训练过程中的损失确定模型参数。

34、步骤s7，在线预测。对待测轴承按照训练阶段相同的信号处理、特征提取、健康指标融合、退化起点检测和滑动窗口规则形成输入；在未满足退化起始时刻判据时输出未进入退化阶段状态，在满足该判据后加载训练后的网络获得0至1之间的归一化rul预测值，并在所述预测值低于预设维护阈值时输出检修预警信息。

35、与现有技术相比，本发明至少具有以下有益效果：第一，联合hi幅值、局部斜率和局部方差，并通过dbscan与连续超限规则自适应确定退化起点，降低人为分段和瞬时冲击的影响；第二，msdc同时感知不同长度的局部退化模式，动态卷积根据样本状态调整卷积核，能够适应不同轴承和工况；第三，se注意力突出有效通道，sdtransformer分别处理波动分量和趋势分量并实施跨层趋势融合，兼顾局部特征与长时依赖；第四，联合单调性损失使预测结果更符合寿命随运行时间总体不增加的物理规律，可提高预测稳定性和维护决策可解释性。