基于统一时空融合模型的跨工况轴承RUL预测方法及系统

摘要: 本发明涉及轴承剩余使用寿命预测,特别是关于一种基于统一时空融合模型的跨工况轴承rul预测方法及系统。背景技术:1、滚动轴承是旋转机械系统中的关键基础元件,其健康...
基于统一时空融合模型的跨工况轴承RUL预测方法及系统

本发明涉及轴承剩余使用寿命预测,特别是关于一种基于统一时空融合模型的跨工况轴承rul预测方法及系统。

背景技术:

1、滚动轴承是旋转机械系统中的关键基础元件,其健康状态直接影响装备运行安全与维护成本。长期服役过程中,轴承会受到磨损、腐蚀、污染、安装误差和过载等因素影响而逐渐退化;若退化过程未被及时识别,可能导致效率下降、非计划停机甚至安全事故。已有研究指出,关键传动部件状态监测与寿命评估是提升装备可靠性和降低运维风险的重要基础。因此,准确评估轴承健康状态并预测其剩余使用寿命,已成为预测性维护与机械健康管理领域的重要研究内容。

2、围绕rul(剩余使用寿命)预测,现有方法主要包括物理模型、统计模型和数据驱动方法。物理模型依赖退化机理假设和参数辨识,统计模型通常需要预设随机过程或退化函数形式;相比之下,数据驱动方法能够直接从历史监测数据中学习非线性退化映射,因而更适合处理复杂工况下的大规模振动监测样本。近年来,深度学习方法不断增强轴承退化序列的表征能力,例如采用分段式时间卷积网络描述退化阶段变化,以及通过健康指标构造与 gru 网络完成寿命预测,从端到端深度学习角度建立轴承 rul 预测框架。循环网络进一步被用于捕捉寿命衰减过程中的长程依赖,注意力机制、自注意力 convlstm 和双注意力结构则分别用于突出关键退化片段、联合建模局部模式与长程依赖以及增强退化特征选择能力。此外,时空特征学习和多工况时间卷积从空间依赖、时间相关性和工况差异角度扩展了 rul 模型,transformer 及其混合结构也被用于增强退化序列的长期依赖建模能力。由此可知,这些方法提升了退化过程的表征能力,但多数仍默认训练与测试边界相对固定,对跨工况信息可见性变化下的统一建模讨论不足。

3、在真实工业场景中,测试轴承的转速、载荷、噪声水平和退化模式往往与训练阶段不同,甚至目标工况数据在建模阶段无法提前获得。针对目标域无标签样本可见的情况,域适配(domain adaptation, da)方法通常利用统计距离、对抗学习或特征对齐来缩小源域与目标域之间的分布差异。但是,da方法通常默认训练阶段能够获得目标域无标签样本,而实际工程中目标工况数据并不总是可提前采集。面向目标域不可见的场景,域泛化(domaingeneralization, dg)方法开始受到关注,其核心是在不接触目标域样本的条件下,从一个或多个源域中学习对未知工况更稳健的表示。但是,跨工况 rul 预测并非单一设定,而是至少包含同工况监督(same-condition supervised learning, sc)、领域自适应和领域泛化三类任务边界。三类任务的目标域可见信息、优化目标和结论外推范围不同,模型设计和实验评价中需要严格区分。

4、除工况分布差异外,轴承监测数据内部的结构相关性同样值得关注。退化信号不仅包含沿时间轴演化的趋势信息,也包含统计特征、频域特征和退化阶段之间的关联关系。为刻画这类结构依赖,图神经网络和图卷积方法逐渐被引入 rul 预测任务。图结构有助于补充纯时序模型的关系表达,但现有方法多面向特定任务边界或依赖单一图结构,难以在同一主干下同时支撑 sc、da 与 dg,也难以兼顾退化时序动力学和跨特征拓扑关联。

技术实现思路

1、针对上述问题,本发明的目的是提供一种基于统一时空融合模型的跨工况轴承rul预测方法及系统,其能在不同任务设置下具有较稳定的跨工况预测性能。

2、为实现上述目的,第一方面,本发明采取的技术方案为:一种基于统一时空融合模型的跨工况轴承rul预测方法,其包括:获取待测轴承在多个时间窗内的监测信号,提取各所述监测信号的时域特征和频域特征,并根据提取结果构造各时刻的输入特征向量,以形成输入窗口序列;将所述输入窗口序列分别输入构建的统一时空融合模型的时序分支和空间关系分支,由所述时序分支对所述输入窗口序列进行退化时序演化编码,得到时序表示,由所述空间关系分支根据所述输入窗口序列中多个特征维之间的结构关联进行关系拓扑编码,得到空间关系表示;通过统一时空融合模型的双级融合模块将所述时序表示和所述空间关系表示进行双级融合,得到融合表示,其中,所述双级融合包括序列级双向交叉注意力交互和向量级门控自适应融合;根据所述融合表示预测轴承剩余使用寿命;其中,所述时序分支、所述空间关系分支和所述双级融合构成统一预测主干,所述统一预测主干在不同跨工况任务类型下保持结构一致,且不同跨工况任务类型之间的差异通过模型训练阶段的可见信息约束和对齐路径切换实现。

3、在一些实施例中,由所述时序分支对所述输入窗口序列进行退化时序演化编码,得到时序表示,包括:

4、对所述输入窗口序列进行通道重标定,以增强关键信道响应并抑制弱相关通道;

5、对通道重标定后的序列采用多个不同尺度的并行卷积核提取多尺度局部退化模式,并将各尺度卷积输出进行融合,得到融合后的序列;

6、对融合后的序列进行退化速率感知编码,所述退化速率感知编码基于多尺度差分序列计算逐维门控系数,以调节与退化速率变化相关联的特征响应;

7、对经退化速率感知调节后的序列依次进行双向长短期记忆网络编码和多头自注意力编码,以建模窗口内的长程依赖关系,将编码后序列经池化得到所述时序表示;

8、其中,所述退化速率感知编码包括:

9、计算所述融合后的序列中当前时刻特征与历史时刻特征在多个预设时间间隔下的差分值,得到多尺度差分序列,将所述多尺度差分序列编码为退化状态表示;

10、根据当前时刻特征和所述退化状态表示计算门控系数,利用所述门控系数对当前时刻特征进行加权调节。

11、在一些实施例中,由所述空间关系分支根据所述输入窗口序列中多个特征维之间的结构关联进行关系拓扑编码,得到空间关系表示,包括:

12、对所述输入窗口序列中各特征维在时间窗口内的序列提取节点描述符,并将所述节点描述符映射为各特征维的节点初始表征;

13、构建三类关系图,所述三类关系图包括基于训练集统计相关先验构建的先验相关图、基于样本级状态向量相似度构建的动态相似图、以及基于差分序列相关性构建的差分共变图;

14、将所述多个关系图通过可学习权重进行融合,得到融合邻接矩阵;

15、基于所述融合邻接矩阵,对所述节点初始嵌入进行图注意力传播,通过邻居信息的动态聚合更新各节点表示,得到所述空间关系表示;

16、其中,将所述多个关系图通过可学习权重进行融合,包括:将各关系图的原始权重经softmax函数归一化为非负且和为1的融合权重;利用所述融合权重对各关系图进行加权求和,得到所述融合邻接矩阵。

17、在一些实施例中,所述通过统一时空融合模型的双级融合模块将所述时序表示和所述空间关系表示进行双级融合,包括:

18、双级融合模块采用包括序列级和向量级的两级结构:序列级双向交叉注意力用于池化前的信息交换,向量级门控用于样本级权重分配;

19、在序列级,以所述时序表示为查询、所述空间关系表示为键和值,计算第一交叉注意力,将所述第一交叉注意力与所述时序表示叠加后得到更新后的时序表示;以及以所述空间关系表示为查询、所述时序表示为键和值,计算第二交叉注意力,将所述第二交叉注意力与所述空间关系表示叠加后得到更新后的空间关系表示;

20、分别对更新后的时序表示和更新后的空间关系表示进行池化,得到时序池化向量和空间池化向量;

21、在向量级,根据所述时序池化向量和所述空间池化向量计算样本级融合系数,利用所述样本级融合系数对所述时序池化向量和所述空间池化向量进行加权求和,得到所述融合表示。

22、在一些实施例中,所述样本级融合系数的确定方法为:

23、将所述时序池化向量、所述空间池化向量、两者的逐元素乘积和两者的逐元素差值进行拼接,得到拼接向量;

24、将所述拼接向量经多层感知机映射后经sigmoid激活,得到所述样本级融合系数。

25、在一些实施例中,所述不同跨工况任务类型包括同工况监督学习任务、域适配任务和域泛化任务;

26、所述对齐路径包括:

27、对于所述同工况监督学习任务,不引入跨域对齐约束,仅优化剩余使用寿命回归损失;

28、对于所述域适配任务,在优化回归损失的同时,对源域有标签样本与目标域无标签样本施加二阶统计一致性约束;

29、对于所述域泛化任务,在优化回归损失的同时,对多个源域之间施加核均值差异约束和二阶统计一致性联合约束;

30、其中,所述二阶统计一致性约束采用协方差对齐约束,所述核均值差异约束采用最大均值差异约束。

31、在一些实施例中,模型训练的总体训练目标由回归主损失、跨域对齐损失和权重衰减项组成:

32、;

33、其中,为 rul 回归损失;为跨域统计对齐损失;为权重衰减项;为随训练进度升温的对齐权重系数;为归一化训练进度;为模型训练的总体损失。

34、并在对齐约束的引入过程中,采用对齐权重升温策略:根据训练进度逐步增大对齐约束的权重系数,使训练前期以回归收敛为主,训练中后期逐步增强跨域一致性约束。

35、第二方面,本发明采取的技术方案为:一种基于统一时空融合模型的跨工况轴承rul预测系统,其包括:

36、输入构造模块,获取待测轴承在多个时间窗内的监测信号,提取各所述监测信号的时域特征和频域特征,并根据提取结果构造各时刻的输入特征向量,以形成输入窗口序列;

37、时序及空间编码模块,将所述输入窗口序列分别输入构建的统一时空融合模型的时序分支和空间关系分支,由所述时序分支对所述输入窗口序列进行退化时序演化编码,得到时序表示,由所述空间关系分支根据所述输入窗口序列中多个特征维之间的结构关联进行关系拓扑编码,得到空间关系表示;

38、双级融合模块,通过统一时空融合模型的双级融合模块将所述时序表示和所述空间关系表示进行双级融合,得到融合表示,其中,所述双级融合包括序列级双向交叉注意力交互和向量级门控自适应融合;

39、寿命预测模块,根据所述融合表示预测轴承剩余使用寿命;

40、其中,所述时序分支、所述空间关系分支和所述双级融合构成统一预测主干,所述统一预测主干在不同跨工况任务类型下保持结构一致,且不同跨工况任务类型之间的差异通过模型训练阶段的可见信息约束和对齐路径切换实现。

41、第三方面,本发明采取的技术方案为:一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,由计算设备执行所述指令时,使得所述计算设备执行上述方法中的任一方法。

42、第四方面,本发明采取的技术方案为:一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。

43、本发明由于采取以上技术方案,其具有以下优点:

44、1、本发明采用统一主干下的 sc/da/dg 一致学习框架,将三类跨工况任务差异限定在训练期可见信息与对齐路径上,提高跨任务比较一致性和工程复用性。

45、2、本发明构建时序-空间双分支与双级融合结构,在同一框架内联合建模退化时序动力学、跨特征关系拓扑和分支间样本级互补关系。