一种基于因果双目标回归的轴承剩余寿命预测方法
本发明涉及机械故障预测与健康管理,尤其是涉及一种基于因果双目标回归的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应用最广泛且最易失效的关键部件之一。准确预测轴承的剩余使用寿命(remainingusefullife,rul),是实施视情维修、避免突发停机事故、保障装备安全运行的重要技术手段。
2、现有的轴承剩余寿命预测方法主要分为基于物理模型的方法与数据驱动的方法。
3、基于物理模型的方法依赖精确的失效机理建模,需要建立轴承疲劳裂纹扩展、磨损演化等物理过程的数学模型,并准确获取材料属性、载荷条件、润滑状态等大量先验参数。然而,实际工况复杂多变,轴承的退化过程受到载荷、转速、温度、润滑等多因素耦合影响,精确的物理建模极为困难,难以适应工程实际中复杂多变的运行条件。
4、数据驱动的方法,尤其是以深度神经网络为代表的方法,虽然能够从振动信号中自动学习退化特征,避免了复杂的物理建模过程,但普遍存在网络结构复杂、训练样本需求大、超参数整定困难、可解释性差等问题。现有技术中,采用cnn-lstm、transformer等深度网络进行轴承rul预测已成为常见做法,但这类网络参数量庞大,在工业实际中训练和部署成本高昂,且预测结果缺乏物理可解释性。
5、更为关键的是,现有数据驱动方法在在线应用中还存在以下不足:
6、(1)特征构造非因果。部分方法在特征平滑、归一化或单调化处理中使用了当前时刻之后的振动数据或全寿命标签信息,导致离线评估指标虚高,在线部署时性能显著下降。在轴承rul预测场景中,系统只能基于当前及历史传感器数据进行推断,不能引入未来时刻信息,否则将导致严重的信息泄露与模型失效。因果卷积通过在标准卷积核施加单向掩码强制卷积操作仅作用于当前时刻及其左侧的时间步,然而现有大量方法在特征预处理阶段即已违规使用了未来信息,这种“非因果”的特征构造方式从根本上违背了在线预测的物理约束,使得离线实验中的优异表现无法在工程实际中复现。
7、(2)回归目标单一。直接回归剩余寿命绝对值时,寿命早期数值大、量纲敏感,模型难以在寿命早期给出准确预测;而回归剩余寿命比例时又受全寿命估计误差影响,单一目标难以兼顾寿命全过程的预测精度。单一模型进行rul估计可能在某些场景下增加风险,而现有方法缺乏对双目标的协同建模,无法同时利用绝对值回归与比例回归的互补优势。
8、(3)预测轨迹不平滑。逐时刻独立回归导致相邻时刻预测值跳变,且预测曲线常出现非物理的回升现象(non-physicalregeneration),与轴承退化过程单调缓变的物理事实不符。现有方法多采用后处理平滑(如滤波)来缓和跳变,但这种割裂了退化规律学习与轨迹生成的方式无法从根本上保证预测轨迹的物理一致性。
9、(4)抗突发干扰能力弱。退化过程中振动信号的瞬时冲击、噪声突发等会造成剩余寿命的瞬时低估,引起输出剧烈波动甚至虚警。现有方法普遍缺乏对预测轨迹稳定性的系统化保障机制。当振动信号中出现瞬时冲击成分时,模型输出往往随之剧烈波动,导致预测结果不可靠,影响维修决策的科学性。虽然部分研究尝试通过粒子滤波、卡尔曼滤波等方法进行后处理平滑,但这些方法多作为独立的后续处理环节,未能与预测模型形成有机整体,且滤波参数的选取缺乏自适应能力。
10、因此,如何提供一种全链路因果、结构简洁、预测轨迹平稳且能抑制瞬时突发干扰的轴承剩余寿命预测方法,是本领域亟待解决的技术问题。
技术实现思路
1、本发明的目的是提供一种基于因果双目标回归的轴承剩余寿命预测方法,仅利用当前及历史记录时刻的振动信息,实现全寿命范围内平稳、准确的剩余寿命在线预测。
2、为实现上述目的,本发明提供了一种基于因果双目标回归的轴承剩余寿命预测方法,包括以下步骤:
3、步骤1、获取轴承运行过程中的振动加速度信号,根据振动加速度信号提取各记录时刻的基础振动特征向量;
4、步骤2、对基础振动特征向量沿时间轴进行因果增强,因果增强至少包括基于历史时刻特征的指数平滑处理以及基于指数平滑处理结果的后向斜率计算,根据基础振动特征向量、指数平滑处理结果和后向斜率计算结果生成因果特征向量;
5、步骤3、对因果特征向量进行预处理,预处理包括基于稳健统计量的缩放处理及非线性压缩变换,得到预处理特征向量;
6、步骤4、构建双目标训练标签,双目标训练标签包括对剩余寿命进行单调压缩变换后得到的第一目标、以及对剩余寿命进行归一化比例化后得到的第二目标,并对双目标训练标签进行样本加权标准化;
7、步骤5、基于预处理特征向量和加权标准化后的双目标训练标签训练回归模型,回归模型的训练目标函数包含拟合损失项、正则化项以及至少两个滞后尺度下的轨迹差分正则项,轨迹差分正则项用于约束同一轴承上不同记录时刻的模型输出变化趋势与标签变化趋势相一致;
8、步骤6、将回归模型的第一输出还原为绝对剩余寿命,将回归模型的第二输出转化为阶段剩余寿命,基于绝对剩余寿命与阶段剩余寿命分别对应的隐含全寿命,通过至少包括一致性门控、进度门控和成熟度门控的动态加权融合策略确定融合剩余寿命;
9、步骤7、根据融合剩余寿命确定当前隐含全寿命,基于历史窗口内的隐含全寿命确定参考全寿命,当满足预设校正条件时,将当前隐含全寿命向参考全寿命回拉校正,得到校正剩余寿命;
10、步骤8、基于校正剩余寿命和累计运行时长进行归一化处理,输出归一化后的剩余寿命预测值。
11、优选的,步骤1的具体步骤为:
12、步骤1-1、采集轴承全寿命退化过程的振动加速度信号,振动加速度信号包含两个相互垂直方向的采样序列,采样序列按记录时刻先后排列,每个记录时刻对应一段连续采样的振动数据;
13、步骤1-2、对每个记录时刻中两个相互垂直方向的采样序列分别去均值,提取时域统计特征与频域形状特征,并结合两个相互垂直方向采样序列的相关系数与矢量均方根值,构成各记录时刻的基础振动特征向量;
14、其中,时域统计特征包括均值绝对值、标准差、均方根值、峰值、峰峰值、偏度、峰度、峰值指标、波形指标、脉冲指标与裕度指标,频域形状特征包括对加窗功率谱计算的谱质心、谱散布、谱熵以及多个频带的能量占比。
15、优选的,步骤2的对基础振动特征向量沿时间轴进行因果增强中,第个记录时刻的指数平滑特征满足:,且;为第个记录时刻的基础振动特征向量;为平滑系数;
16、第个记录时刻的后向斜率特征满足:;其中,;为第条记录的ema平滑特征;为第条记录的平滑特征;为关于的函数,表示在和中取最大值;为滞后记录数;
17、因果特征向量为:。
18、优选的,步骤3中,稳健统计量的缩放处理为:以训练集中各维特征的中位数为位置参数、四分位距为尺度参数进行逐维缩放,其中,四分位距为训练集中对应维特征的上四分位数与下四分位数之差,当对应维特征的四分位距小于设定阈值时,以该维特征相对于中位数的绝对偏差中位数替代作为尺度参数;非线性压缩变换为双曲反正弦变换。
19、优选的,步骤4的双目标训练标签中,第一目标为,第二目标为,式中为第个记录时刻的剩余寿命,为所属轴承的全寿命。
20、优选的,步骤5的具体步骤为:
21、步骤5-1、将预处理特征向量增广为含偏置项的基向量,并以加权标准化后的双目标训练标签作为回归模型的训练输出:
22、;
23、;
24、;
25、步骤5-2、构建训练目标函数,目标函数由以下三项按加权求和构成:
26、第一项为样本加权拟合损失,用于衡量模型输出与训练标签的拟合误差,其中为训练样本数,为第个样本的轴承均衡权重,为待求解的输出权重矩阵,为第个训练样本经过标准化之后的双目标寿命标签;
27、第二项为岭正则项,用于抑制模型过拟合,其中为岭正则系数,为输出权重矩阵去除偏置行后的子矩阵,为frobenius范数的平方;
28、第三项为滞后一拍尺度与滞后三十拍尺度的轨迹差分正则项之和,用于约束同一轴承上滞后条记录的两个样本之间的模型输出变化率与训练标签变化率保持一致,其中为滞后条记录尺度的轨迹正则系数,和均为训练样本的记录时刻索引,且表示同一轴承上时间间隔为条记录的两个不同时刻的样本配对,为所有满足上述条件的样本对的集合;
29、步骤5-3、通过最小化目标函数求解输出权重矩阵,表示为:
30、;
31、将求解得到的作为回归模型的输出权重矩阵。
32、优选的,步骤6的具体步骤为:
33、步骤6-1、将回归模型的第一输出经指数还原并限幅,得到绝对剩余寿命;
34、步骤6-2、将回归模型的第二输出限幅于后记为,为限幅上限,对进行因果比例跟踪,
35、其中,因果比例跟踪包括:
36、以初值进行指数平滑得到当前原始剩余寿命比例,表示为;
37、逐记录时刻取历史最小值为剩余寿命比例跟踪值,表示为,其中,为比例跟踪平滑系数;步骤6-3、将剩余寿命比例跟踪值换算为第一隐含全寿命并截断:
38、;
39、其中,为第个记录时刻的累计运行时长,为最小已消耗寿命比例,,为训练集最大全寿命的设定倍数;为记录周期;
40、根据第一隐含全寿命得到阶段剩余寿命;
41、步骤6-4、根据绝对剩余寿命确定第二隐含全寿命,表示为:,计算一致性门控:;式中,为一致性尺度系数;
42、步骤6-5、计算进度门控,式中,为完全信任进度;计算成熟度门控;式中,为成熟度比例系数,为训练集全寿命中位数;
43、步骤6-6、计算融合权重;式中为最大阶段权重;
44、步骤6-7、按动态加权融合,得到融合剩余寿命。
45、优选的,步骤7的具体步骤为:
46、步骤7-1、将融合剩余寿命与累计运行时长相加,得到当前隐含全寿命;
47、步骤7-2、获取历史窗口内各记录时刻的隐含全寿命,并按中位数确定参考全寿命:
48、;
49、式中为预设的窗口记录数,为过去第个历史时刻的隐含总寿命;当历史窗口记录数不足预设的最少历史窗口记录数时,跳过校正步骤;
50、步骤7-3、判断是否满足校正触发条件,校正触发条件为:运行进度超过预设启动阈值且当前隐含全寿命低于参考全寿命;
51、步骤7-4、若不满足该条件,则维持当前隐含全寿命不变,令校正后隐含全寿命;
52、若满足校正触发条件时,计算相对下偏;并按高斯置信度确定校正权重:
53、;
54、其中,为相对容差,为最大校正权重;
55、将当前隐含全寿命向参考全寿命回拉,得到校正后隐含全寿命;
56、根据校正后隐含全寿命得到校正剩余寿命;
57、步骤7-1至步骤7-4中所有计算均仅利用当前记录时刻及之前的记录数据,满足因果性约束。
58、优选的,步骤8中,归一化处理公式为:
59、;
60、式中为第个记录时刻的累计运行时长,为校正剩余寿命,为归一化后的剩余寿命预测值。
61、因此,本发明一种基于因果双目标回归的轴承剩余寿命预测方法,具有以下有益效果:
62、(1)严格满足因果性约束:特征增强阶段的指数平滑与后向斜率计算、推理阶段的因果比例跟踪以及稳定门控校正,均仅依赖当前记录时刻及之前的记录数据,不使用任何未来时刻的振动信号或标签信息,消除了离线评估与在线部署之间的性能偏差。
63、(2)双目标互补提升全寿命预测精度:绝对剩余寿命目标保证数值尺度准确,剩余寿命比例目标提供退化阶段先验,通过一致性门控、进度门控和成熟度门控的动态加权融合,兼顾寿命早期与晚期的预测精度,实现两个目标的优势互补。
64、(3)预测轨迹平稳且物理一致:在训练目标函数中引入滞后一拍与滞后三十拍两个尺度的轨迹差分正则项,直接约束模型输出的变化率与真实退化标签的变化率一致,使模型内嵌轴承退化过程单调缓变的物理规律,相邻时刻预测不跳变,有效避免了非物理的寿命回升现象。
65、(4)抗突发干扰且结构简洁高效:因果比例跟踪逐记录取历史最小值确保寿命比例单调不回升,稳定门控利用全寿命缓变先验进行单边回拉校正,有效抑制振动瞬时突发引起的预测跳变;核心模型为基于因果增强特征的线性回归,无需复杂深度网络与大量超参数整定,训练推理高效,决策路径清晰可解释,易于工业部署。
66、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com