基于文本特征和卷积神经网络的轴承寿命预测方法及装置与流程

1.本技术涉及轴承寿命预测方法技术领域，特别涉及基于文本特征和卷积神经网络的轴承寿命预测方法及装置。


背景技术：

2.轴承在现代机械中应用广泛，根据轴承原件摩擦性质不同，轴承分为滚动轴承和滑动轴承，其中滚动轴承应用最多。滚动轴承主要用于支撑转动轴以及轴上零件，其工作状况对设备的安全运行有很大影响，为了最大程度地降低工厂维护成本，对滚动轴承的寿命预测非常重要。
3.传统方法中，一般通过建立数学模型来预测轴承的剩余寿命，但是面对复杂的工作状态、多样化的零件，传统的构建模型的做法效率低下且依赖专家知识。近年神经网络飞速发展，涌现出各种卷积、循环以及基于注意力机制的网络，这些神经网络在图像和自然语言处理领域大放异彩，但是，这些神经网络难以直接应用在滚动轴承剩余寿命预测问题上。
4.新型神经网络在预测滚动轴承的寿命上存在以下问题：第一方面，振动信号噪声因素较多，需要先进行降噪处理，而基于固定值滤波的降噪方法效果直接，但是往往需要一定的数据和经验来确定最佳的阈值。第二方面，传统的退化指标如峰度、偏度、裕度、冲击因子等难以全面地表征不同阶段的退化趋势，如裕度和峰度对信号敏感度较好，但是稳定性较差，而波形指标稳定性较好，但是敏感度较差。第三方面，不同的轴承零件对退化指标偏好不同，虽然卷积网络很适合用于信号处理，但是由于卷积核运算在特征通道间采用参数共享的策略，导致卷积网络对特征关联性不够敏感。特别是卷积网络对特征关联性不够的问题，导致目前在滚动轴承剩余寿命预测上精确度不高。


技术实现要素：

5.本技术提供了基于文本特征和卷积神经网络的轴承寿命预测方法及装置，可用于解决滚动轴承剩余寿命预测上精确度不高的技术问题。
6.第一方面，本技术提供了基于文本特征和卷积神经网络的轴承寿命预测方法，所述方法包括：
7.获取待预测滚动轴承的时域振动数据；
8.对所述时域振动数据进行降噪处理；
9.对降噪后的时域振动数据经过傅里叶变化获取频域数据；
10.提取所述频域数据的频域特征，以及对所述频域数据进行编码获取文本特征；
11.将所述频域特征，以及所述文本特征输入预先训练好的神经网络模型中，预测所述待预测滚动轴承的预测寿命。
12.结合第一方面，在第一方面的一种可实现方式中，获取滚动轴承的时域振动数据，包括：
13.分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度；所述时域
振动数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。
14.结合第一方面，在第一方面的一种可实现方式中，对所述时域振动数据进行降噪处理，包括：
15.利用小波分解对所述时域振动数据进行降噪处理。
16.结合第一方面，在第一方面的一种可实现方式中，对所述时域振动数据进行降噪处理，包括：
17.利用稀疏自编码器对所述时域振动数据进行降噪处理。
18.结合第一方面，在第一方面的一种可实现方式中，提取所述频域数据的频域特征，包括：
19.提取所述频域数据的频域特征，并进行平滑变换以及累计变换；
20.其中，所述频域特征包括方差、偏度、峰度、最值以及裕度因子；
21.所述平滑变换利用s-g滤波函数；
22.其中累计变换采用的公式为：
23.x＝[x1,x2,
…
,xi,
…
,xn]
[0024][0025][0026]
其中，x是输入数据的水平特征以及垂直特征，si是i时刻的累计值，ci是i时刻的累计变换值。
[0027]
结合第一方面，在第一方面的一种可实现方式中，对所述频域数据进行编码获取文本特征，包括：
[0028]
频域数据共n个样本，每个样本di包含t个时间点，每个时间点为长度l的振动幅度数据；
[0029]
将所述振动幅度数据的值域划分成个j区间，统计每个样本di每个时间点包含的不同振幅的个数，将这j个区间视为j个不同的单词wj，得到词频矩阵m；
[0030]
通过以下方法构建词频特征；
[0031]
对所述词频矩阵m进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m*作为词频特征；
[0032]
通过以下方法构建词频-逆文本频率特征：
[0033]
所述词频矩阵m除以采样频率得到第一中间量m’；
[0034]
所述第一中间量m’乘以归一化的逆文本频率，得到第二中间量m”，对所述第二中间量m”进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m^作为词频-逆文本频率特征；
[0035]
其中，词频-逆文本频率包括词频系数及归一化的逆文本频率；
[0036]
其中，归一化的词频-逆文本频率＝词频系数*归一化的逆文本频率,归一化的逆文本频率的分母|j:wj∈di|为包含单词wj的样本di的数量。
[0037]
结合第一方面，在第一方面的一种可实现方式中，所述神经网络模型包含18个卷
积层，其中每3层正向卷积层设置1个残差连接和注意力模块；
[0038]
所述神经网络模型使用自适应矩估计优化器进行参数优化，学习率为0.001；
[0039]
所述神经网络模型卷积层之间使用批归一化和relu激活函数；
[0040]
所述神经网络最后一层为全连接层，并利用sigmoid激活函数对神经网络的输出进行归一化。
[0041]
第二方面，本技术提供了基于文本特征和卷积神经网络的轴承寿命预测装置，所述装置包括：
[0042]
获取模块，用于获取待预测滚动轴承的时域振动数据；
[0043]
降噪模块，用于对所述时域振动数据进行降噪处理，
[0044]
处理模块，用于对降噪后的时域振动数据经过傅里叶变化获取频域数据；以及，提取所述频域数据的频域特征，以及对所述频域数据进行编码获取文本特征；
[0045]
预测模块，用于将所述频域特征，以及所述文本特征输入预先训练好的神经网络模型中，预测所述待预测滚动轴承的预测寿命。
[0046]
结合第二方面，在第二方面的一种可实现方式中，所述获取模块具体用于：
[0047]
分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度；所述时域振动数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。
[0048]
结合第二方面，在第二方面的一种可实现方式中，所述降噪模块具体用于：
[0049]
利用小波分解对所述时域振动数据进行降噪处理。
[0050]
结合第二方面，在第二方面的一种可实现方式中，所述降噪模块具体用于：
[0051]
利用稀疏自编码器对所述时域振动数据进行降噪处理。
[0052]
结合第二方面，在第二方面的一种可实现方式中，所述处理模块具体用于：
[0053]
提取所述频域数据的频域特征，并进行平滑变换以及累计变换；
[0054]
其中，所述频域特征包括方差、偏度、峰度、最值以及裕度因子；
[0055]
所述平滑变换利用s-g滤波函数；
[0056]
其中累计变换采用的公式为：
[0057]
x＝[x1,x2,
…
,xi,
…
,xn]
[0058][0059][0060]
其中，x是输入数据的水平特征以及垂直特征，si是i时刻的累计值，ci是i时刻的累计变换值。
[0061]
结合第二方面，在第二方面的一种可实现方式中，所述处理模块还具体用于：
[0062]
频域数据共n个样本，每个样本di包含t个时间点，每个时间点为长度l的振动幅度数据；
[0063]
将所述振动幅度数据的值域划分成个j区间，统计每个样本di每个时间点包含的不同振幅的个数，将这j个区间视为j个不同的单词wj，得到词频矩阵m；
[0064]
通过以下方法构建词频特征；
[0065]
对所述词频矩阵m进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m*作为词频特征；
[0066]
通过以下方法构建词频-逆文本频率特征：
[0067]
所述词频矩阵m除以采样频率得到第一中间量m’；
[0068]
所述第一中间量m’乘以归一化的逆文本频率，得到第二中间量m”，对所述第二中间量m”进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m^作为词频-逆文本频率特征；
[0069]
其中，词频-逆文本频率包括词频系数及归一化的逆文本频率；
[0070]
其中，归一化的词频-逆文本频率＝词频系数*归一化的逆文本频率,归一化的逆文本频率的分母|j:wj∈di|为包含单词wj的样本di的数量。
[0071]
结合第二方面，在第二方面的一种可实现方式中，所述神经网络模型包含18个卷积层，其中每3层正向卷积层设置1个残差连接和注意力模块；
[0072]
所述神经网络模型使用自适应矩估计优化器进行参数优化，学习率为0.001；
[0073]
所述神经网络模型卷积层之间使用批归一化和relu激活函数；
[0074]
所述神经网络最后一层为全连接层，并利用sigmoid激活函数对神经网络的输出进行归一化。
[0075]
本技术提供的方法使用小波分解、重构的方法进行降噪，避免了阈值挑选的问题；本技术使用的文本特征作为新的退化指标，避免了传统退化指标表征不全面的缺点；并将注意力机制应用到特征通道中，增强了卷积神经网络中的特征关联能力。
附图说明
[0076]
图1为本技术实施例提供的基于文本特征和卷积神经网络的轴承寿命预测方法的流程示意图；
[0077]
图2为本技术实施例提供的一种小波分解示意图；
[0078]
图3为本技术实施例提供的一种部分特征平滑效果图；
[0079]
图4为本技术实施例提供的一种部分特征累计变换效果图；
[0080]
图5为本技术实施例提供的一种文本特征效果图；
[0081]
图6为本技术实施例提供的一种注意力机制和残差链接示意图；
[0082]
图7为本技术实施例提供的基于文本特征和卷积神经网络的轴承寿命预测方法的流程示意图。
具体实施方式
[0083]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
[0084]
如图1所示，为本技术实施例提供的基于文本特征和卷积神经网络的轴承寿命预测方法的流程示意图。本技术提供的方法包括以下步骤：
[0085]
步骤s101，获取待预测滚动轴承的时域振动数据。
[0086]
本技术实施例中，分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度。时域振动数据包括水平方向振动幅度以及垂直方向振动幅度。
[0087]
具体的，通过加速度传感器采集滚动轴承的振动数据，得到滚动轴承的时域振动数据，本技术中用两个加速传感器，分别采集水平方向上的振动幅度和垂直方向上的振动幅度。加速传感器每隔10秒采样一次时域振动数据，每次采样时间为0.1秒，采样频率为25.6千赫兹。
[0088]
步骤s102，对时域振动数据进行降噪处理。
[0089]
本技术实施例中，可以采用多种方法，对时域振动数据进行降噪处理，一种可行的方法为利用小波分解对时域振动数据进行降噪处理
[0090]
具体的，采用多贝西小波即db-2作为小波基，对原始数据进行小波分解，得到低频系数和高频系数，对低频系数进行滤波。对高频系数继续分解，重复2次，过程如图2所示。图2为本技术实施例提供的一种小波分解示意图。再将高频系数和滤波后的低频系数进行小波重构，得到新的数据。
[0091]
另一种可行的方法为利用稀疏自编码器对时域振动数据进行降噪处理，可根据情况自行选择。
[0092]
步骤s103，对降噪后的时域振动数据经过傅里叶变化获取频域数据。
[0093]
具体的，对降噪后的时域振动数据经过傅里叶变化，将时间坐标转化为频率坐标，得到频域数据。
[0094]
步骤s104，提取频域数据的频域特征，以及对频域数据进行编码获取文本特征。
[0095]
本技术实施例中，提取频域数据的频域特征，并进行平滑变换以及累计变换。
[0096]
其中，频域特征包括方差、偏度、峰度、最值以及裕度因子。
[0097]
平滑变换利用最小二乘平滑滤波即s-g滤波函数。s-g滤波窗口为数据长度，本技术使用较低的多项式系数来增强平滑效果，平滑多项式系数设为3，部分特征平滑效果图如图3所示。
[0098]
其中累计变换采用的公式为：
[0099]
x＝[x1,x2,
…
,xi,
…
,xn]
[0100][0101][0102]
其中，x是输入数据的水平特征以及垂直特征，si是i时刻的累计值，ci是i时刻的累计变换值。部分特征的累计变换效果图如图4所示。
[0103]
对频域数据进行编码获取文本特征的具体过程为：
[0104]
频域数据共n个样本，每个样本di包含t个时间点，每个时间点为长度l的振动幅度数据。其中，频域数据d维度为(n,t,l)，每个样本di的维度为(t,l)。
[0105]
将振动幅度数据的值域划分成个j区间，统计每个样本di每个时间点包含的不同振幅的个数，将这j个区间视为j个不同的单词wj，得到词频矩阵m。词频矩阵m的维度为为(t,j)。
[0106]
通过以下方法构建词频特征。
[0107]
对词频矩阵m进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m*作为词频特征。m*的维度为(t,1)。
[0108]
通过以下方法构建词频-逆文本频率特征：
[0109]
词频矩阵m除以采样频率得到第一中间量m’。
[0110]
第一中间量m’乘以归一化的逆文本频率，得到第二中间量m”，对第二中间量m”进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m^作为词频-逆文本频率(tf-idf)特征。
[0111]
其中，词频-逆文本频率(tf-idf)包括词频系数及归一化的逆文本频率。
[0112]
其中，归一化的词频-逆文本频率＝词频系数*归一化的逆文本频率,归一化的逆文本频率的分母|j:wj∈di|为包含单词wj的样本di的数量。
[0113]
词频特征和词频-逆文本频率(tf-idf)特征效果图如图5所示。
[0114]
本技术提供的方法在数据编码之前，还进行了预处理，其原因在于轴承振动信号在没有经过过处理的情况下，大约98％的振幅数据都在[0,2cm]以内，2％的数据落在[2cm,18cm]，即大部分时序数据都落在极少数区间内，其他区间没有统计到振幅数据个数，退化趋势难以表征。为解决该问题，先利用反正切函数将所有数据都映射到[-1,1]之间，再使用反双曲正切变换，降低振动信号数据分布的峰度，经过两次三角变换后，大约75％的振幅数据都映射到[0,0.75]之间，25％的数据落在[0.75,1]之间，这样有利于生成退化趋势更加明显的奇异向量。
[0115]
反正切函数表达式为：
[0116][0117]
其中，x是频域数据，y是反正切归一化后的数据。
[0118]
反双曲正切函数表达式为：
[0119][0120]
其中，x是反正切归一化后的数据，y是反双曲正切归一化后的数据。
[0121]
步骤s105，将频域特征，以及文本特征输入预先训练好的神经网络模型中，预测待预测滚动轴承的预测寿命。
[0122]
具体的，本技术提供的神经网络模型的输入为频域特征以及文本特征，输出为待预测滚动轴承的全部寿命，用待预测滚动轴承的全部寿命减去已有寿命，即得到预测寿命。
[0123]
本技术提供的神经网络模型在正式使用前经过多次训练。
[0124]
本技术实施例中，神经网络模型包含18个卷积层，其中每3层正向卷积层设置1个残差连接和注意力模块。具体的，残差连接用于缓解梯度传导消失，注意力机制用于增强特征维度关联性。注意力机制对每个特征维度进行全局池化和全连接计算，计算出每种特征维度的权重，之后利用该权重数值对每个特征维度进行乘积放缩。残差连接和注意力机制示意图如图6所示。
[0125]
神经网络模型使用自适应矩估计adam优化器进行参数优化，学习率为0.001。
[0126]
神经网络模型卷积层之间使用批归一化和线性整流单元即relu激活函数，以增强卷积神经网络的非线性拟合能力以及训练速度。
[0127]
具体的，层与层之间使用relu激活函数，增强模型非线性表达能力，并且在激活函数之前进行批归一化，提升模型训练速度。
[0128]
神经网络最后一层为全连接层，并利用s型函数即sigmoid激活函数对神经网络的输出进行归一化，将预测寿命归一化到0到1之间。
[0129]
sigmoid激活函数公式如下：
[0130][0131]
其中，x是神经元输入，e是自然常数。
[0132]
本技术提供的方法使用小波分解-重构的方法进行降噪，避免了阈值挑选的问题；本发明使用的文本特征作为新的退化指标，避免了传统退化指标表征不全面的缺点；并将注意力机制应用到特征通道中，增强了卷积神经网络中的特征关联能力。
[0133]
本技术还提供了基于文本特征和卷积神经网络的轴承寿命预测装置。本技术提供的装置未披露的技术细节请参考本技术提供的方法，此处不再赘述。
[0134]
如图7所示，为本技术实施例提供的基于文本特征和卷积神经网络的轴承寿命预测装置。本技术提供的装置包括：
[0135]
获取模块701，用于获取待预测滚动轴承的时域振动数据。
[0136]
降噪模块702，用于对时域振动数据进行降噪处理，
[0137]
处理模块703，用于对降噪后的时域振动数据经过傅里叶变化获取频域数据。以及，提取频域数据的频域特征，以及对频域数据进行编码获取文本特征。
[0138]
预测模块704，用于将频域特征，以及文本特征输入预先训练好的神经网络模型中，预测待预测滚动轴承的预测寿命。
[0139]
可选的，获取模块701具体用于：
[0140]
分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度。时域振动数据包括水平方向振动幅度以及垂直方向振动幅度。
[0141]
可选的，降噪模块702具体用于：
[0142]
利用小波分解对时域振动数据进行降噪处理。
[0143]
可选的，降噪模块702具体用于：
[0144]
利用稀疏自编码器对时域振动数据进行降噪处理。
[0145]
可选的，处理模块703具体用于：
[0146]
提取频域数据的频域特征，并进行平滑变换以及累计变换。
[0147]
其中，频域特征包括方差、偏度、峰度、最值以及裕度因子。
[0148]
平滑变换利用s-g滤波函数。
[0149]
其中累计变换采用的公式为：
[0150]
x＝[x1,x2,
…
,xi,
…
,xn]
[0151][0152][0153]
其中，x是输入数据的水平特征以及垂直特征，si是i时刻的累计值，ci是i时刻的累计变换值。
[0154]
可选的，处理模块703还具体用于：
[0155]
频域数据共n个样本，每个样本di包含t个时间点，每个时间点为长度l的振动幅度
数据。
[0156]
将振动幅度数据的值域划分成个j区间，统计每个样本di每个时间点包含的不同振幅的个数，将这j个区间视为j个不同的单词wj，得到词频矩阵m。
[0157]
通过以下方法构建词频特征。
[0158]
对词频矩阵m进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m*作为词频特征。
[0159]
通过以下方法构建词频-逆文本频率特征：
[0160]
词频矩阵m除以采样频率得到第一中间量m’。
[0161]
第一中间量m’乘以归一化的逆文本频率，得到第二中间量m”，对第二中间量m”进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m^作为词频-逆文本频率特征。
[0162]
其中，词频-逆文本频率包括词频系数及归一化的逆文本频率。
[0163]
其中，归一化的词频-逆文本频率＝词频系数*归一化的逆文本频率,归一化的逆文本频率的分母|j:wj∈di|为包含单词wj的样本di的数量。
[0164]
可选的，神经网络模型包含18个卷积层，其中每3层正向卷积层设置1个残差连接和注意力模块。
[0165]
神经网络模型使用自适应矩估计优化器进行参数优化，学习率为0.001。
[0166]
神经网络模型卷积层之间使用批归一化和relu激活函数。
[0167]
神经网络最后一层为全连接层，并利用sigmoid激活函数对神经网络的输出进行归一化。
[0168]
本技术提供的方法使用小波分解-重构的方法进行降噪，避免了阈值挑选的问题。本发明使用的文本特征作为新的退化指标，避免了传统退化指标表征不全面的缺点。并将注意力机制应用到特征通道中，增强了卷积神经网络中的特征关联能力。
[0169]
本领域的技术人员可以清楚地了解到本技术实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0170]
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于服务构建装置和服务加载装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
[0171]
以上所述的本技术实施方式并不构成对本技术保护范围的限定。