一种数据驱动的机械磨损寿命预测方法

1.本发明属于轨道交通安全技术领域，具体涉及一种数据驱动的机械磨损寿命预测方法。


背景技术：

2.随着轨道交通行业的发展，城轨车门运行的安全性、可靠性受到广泛重视。目前，企业的主要维修策略仍是“传统的”基于时间的维修(简称tbm)，tbm是指完全根据设备/部件使用时间制定的预防性维修，其连续维修间隔一般为固定值。通过该种策略，只需要根据设备/部件的运行时间制定维护计划就可以了，故而容易实现。但是，如果在进行预防性维修时设备/部件仍然处于良好的健康状态，则会造成维修资源的不必要浪费；而如果机器的损坏速度比预期的要快，则设备/部件可能在下一次预防性维修执行前就已经发生故障停机。
3.由于监视、存储和数据分析等技术的发展，基于状态的维修(简称cbm)策略已逐渐成为企业优化生产管理的重要手段。cbm是指在设备/部件出现了明显的劣化后实施的维修，而状态的劣化是由被监测的机器状态参数变化反映出来的。cbm策略执行的前提是可靠地预测设备/部件当前时刻的剩余使用寿命(简称rul)，从而为管理者精准地制定生产和维修计划提供有价值的信息。其中，剩余使用寿命rul是指，部件或子系统从当前时刻到功能失效之间能够维持正常工作的时间长度。
4.剩余使用寿命rul的预测在实现基于状态的维修cbm中，为提高可靠性、降低成本的关键技术，在现代工业中有着重要的意义。现有的cbm方法中，主流的是基于机器学习的方法。该方法的关键在于有效特征体系的建立和高精度的预测模型的构建。具体而言，首先对监测数据提取关键的特征参数，再输入进机器学习模型进行训练，得到预测结果，从而完成设备/部件的剩余寿命预测。
5.轨道车辆门系统由于其应用场景的特殊性，其电机输出曲线多变、运行工况复杂、干扰因素众多、特征隐蔽微弱，因此对于车门系统关键机械部件的剩余寿命预测研究较少。主要的研究集中在故障诊断和亚健康状态诊断，研究的思想是针对监测车门运动的电机输出曲线，个性化的提取重点段的相关时域特征，然后使用聚类、分类等机器学习方法，完成对应的诊断目标。
6.现有的方法已经在实际运用中证明了其有效性。然而在特征提取阶段仍然是依靠人工选取特征，需要耗费大量的精力，如果没有找到有效的特征，后续的预测建模精度也无法保障。而预测模型往往选取单一的具有高精度的决策树模型或者泛化能力强的支持向量机(svm)，在保障精度的同时有可能忽略了泛化能力，在提高泛化能力的同时又忽略了精度。而预测精度、对新数据的适应能力(泛化能力)、对噪声数据的低敏感度都是预测性维护的重要衡量指标。因此，减少人工在特征提取过程中的干预、自动的选择关键特征，构建鲁棒性能强、在各方面指标都很优秀的预测模型具有重要意义。


技术实现要素：

7.发明目的：本发明的发明目的是提供一种数据驱动的机械磨损寿命预测方法。
8.技术方案：本发明所述的一种数据驱动的机械磨损寿命预测方法，该方法包括步骤如下：
9.(1)采集磨损件不同直径下的驱动器的运行数据，构成样本数据集；
10.(2)构建卷积自编码器，利用样本数据集训练卷积自编码器，卷积自编码器损失函数收敛时，获取样本数据集中每条样本数据用于体现磨损件寿命的样本特征，形成样本特征集；
11.(3)建立寿命预测模型，利用样本特征集数据训练寿命预测模型直至寿命预测模型性能满足预设要求；
12.(4)采集驱动器待检测的运行数据，利用训练后的卷积自编码器获取待检测运行数据的样本特征，将待检测运行数据的样本特征输入寿命预测模型完成磨损件的直径预测。
13.优选的，步骤(1)中采集门系统中滚动销最小直径对应的驱动电机的运行曲线。
14.优选的，步骤(1)样本数据集中每条数据包括预设截取长度下开门和关门过程中的多个采样点数据和对应标签，所述的标签为门系统中滚动销最小直径。
15.优选的，步骤(2)中卷积自编码器包括编码器和解码器，所述的编码器包括多尺度卷积层和最大池化层，所述的多尺度卷积层连接具有nc个带有swish激活函数的1*1的卷积模块，所述的解码器包括用于执行编码器对应层反操作的卷积层和上采样层。
16.优选的，卷积自编码器训练过程中，卷积自编码器的输入端和输出端均为样本数据集，损失函数为样本数据集的均方误差，利用优化器对卷积自编码器进行优化，当损失函数渐近收敛时停止训练，保留卷积自编码器的编码器部分的输出作为样本特征集。
17.优选的，将样本数据集中样本数据进行均值为0，方差为1的标准化处理后训练卷积自编码器。
18.优选的，步骤(3)中寿命预测模型采用blending集成学习模型，所述的blending集成学习模型第一层包括若干个异质学习器，第二层采用线性回归模型，blending集成学习模型的训练步骤如下：
19.(s1)将样本特征集数据分为训练集和验证集；
20.(s2)利用训练集数据以及对应磨损件直径标签分别完成对集成学习模型第一层中每个学习器结构参数的训练；
21.(s3)将验证集数据输入第一层中训练好的学习器中，得到预测结果集，利用预测结果集以及对应磨损件直径标签完成对集成学习模型第二层中线性回归模型的参数训练。
22.优选的，异质学习器包括knn算法、svm算法、岭回归算法、rf算法、cart算法、gbdt算法中的至少两种。
23.优选的，步骤(4)中对寿命预测模型的一次磨损件的直径预测结果，结合前序若干时刻预测结果进行加权滑动平均，得到该次平滑后的磨损件直径预测结果。
24.优选的，步骤(4)中根据磨损件已使用次数和磨损件直径预测结果动态拟合形成已使用次数-预测直径关系曲线，求解出磨损件距离效值所对应剩余使用次数作为剩余寿命。
25.进一步的，步骤(1)为数据预处理阶段，获取磨损件不同直径下驱动器的运行数据后对数据进行预处理，驱动器的运行数据为随时间变化的运行曲线，预处理的方法包括删除劣点、曲线对齐等；设置截取长度l，截取该长度下运动曲线，选取若干采样点数据拼接成一维向量为一条样本，以采集运行数据时磨损件的直径作为该条样本的标签。
26.进一步的，现有技术中卷积自编码器由编码器和解码器组成。编码器包括多层的卷积层和池化层，解码器则包括对应的反卷积层和反池化层。整个卷积自编码器用于实现输出端重构输入的功能。而本方案中的卷积自编码器以nc个带有激活函数的1*1的卷积模块替换池化层，当nc＜ni时，实现降维，当nc＞ni时，实现升维，ni上一层的卷积核个数。
27.激活函数使用swish激活函数，swish激活函数是一个光滑、非单调的函数，处处连续且可导，更容易训练，具有比relu函数更高的测试精度，其表达式为：f(x)＝x
·
sigmoid(x)。通过在卷积层后面引入swish激活函数替代常用的relu函数，以改善网络的性能。具有nc个1*1卷积模块的卷积层中的激活函数增加了网络的非线性复杂程度，有利于提取复杂的深度特征。
28.进一步的，卷积自编码器训练时，输入端和输出端均为标准化处理后的样本数据集，损失函数为样本数据集的均方误差，优化器选用“adam”。当损失函数渐近收敛时，停止训练，保留卷积自编码器的编码器部分的输出，即为所提取的深度特征f
encode
，接着将f
encode
通过卷积自编码器的flatten层由三维展平成一维f
onedim
。
29.进一步的，blending集成学习模型第一层包括的若干个异质学习器的选择应遵循学习器相互之间差异化大的原则，用于融合不同模型的特点。例如svm算法寻找最优超平面，泛化能力突出；随机森林算法预测结果由众多的树表决，可以降低偶然误差；gbdt算法不断拟合前一棵树的残差，预测精度高等。
30.进一步的，步骤(4)为预测阶段，对获取的驱动器待检测的运行数据进行删除劣点、曲线对齐等预处理操作后，判断待检测运行曲线是否异常，具体判定方法如下：首先求取样本数据集的平均曲线、上边界曲线和下边界曲线，计算平均曲线与上边界曲线、下边界曲线的欧氏距离作为预设区间，若待检测运行曲线与样本数据集平均曲线的欧氏距离处于预设区间内，则判定待检测运行曲线为非异常曲线。
31.对待检测运行曲线进行采集点数据提取形成测试样本，并对样本进行标准化处理后利用训练好的卷积自编码器进行特征提取，将提取的特征输入训练好的blending集成学习模型完成磨损件直径预测。
32.由于磨损件的磨损是连续变化，而不是突变且波动的，因此通过直径预测结果平滑机制，对近几次的直径预测结果进行加权滑动平均，可以降低预测直径的波动和误差。
33.进一步的，驱动器的运行数据步进可以为电机转速数据，也可以为电机的电流信号、振动信号等数据。
34.有益效果：本技术方案中驱动器的运行曲线属于一种时间序列，各个时刻之间的监测数据存在强关联性，卷积自编码器中的卷积层采用了多个尺寸的卷积核，从短/长时间尺度上提取时序信息。一维卷积自编码器采用带有激活函数的1*1卷积模块替代传统的池化层，能灵活的实现数据的升维、降维，且增强了网络的非线性表达和深度特征提取能力，同时swish激活函数也能够增强网络的表达能力。另外，blending集成学习模型融合了多种机器学习算法模型的优点，实现磨损件直径的预测，具有模型鲁棒性、精度和泛化能力高的
特点。
附图说明
35.图1为本发明数据驱动的机械磨损寿命预测方法的工作流程图；
36.图2为本发明中卷积自编码器特征提取流程流程图；
37.图3为本发明卷积自编码器中多尺度卷积层的结构示意图；
38.图4为本发明中blending集成学习模型训练和预测示意图；
39.图5为本发明中磨损件直径预测结果示意图；
40.图6为本发明中已使用次数-预测直径关系曲线动态拟合示意图。
具体实施方式
41.下面结合附图和实施例方案对本发明的技术方案做进一步详细说明。
42.轨道车辆门系统中关键机械部件的性能对车门系统的正常运转至关重要，监测车门系统的状态需要重点关注关键机械部件的退化状态。如果预先知道部件距离失效还剩多长时间的寿命，那么就可以及时的制定更换或者维修策略。车门系统中的滚动销是一个关键机械部件，内置在螺母组件中，由丝杆的转动带动其运动，进而带动车门的开关。滚动销在相对运动的过程中，直径不断磨损变小，当直径降低至7mm时，可能会影响到车门的正常开关功能，因此需要在滚动销直径达到7mm前，及时预警。由于滚动销和多个部件的运动耦合、磨损机理复杂，因此从原始监测数据中人工挖掘退化特征信息非常困难；每个车门系统中有两对四个滚动销，其磨损程度也各不相同，同时对四个滚动销的剩余寿命进行预测难度更大。针对轨道车辆门系统中的滚动销，本实施公开一种数据驱动的机械磨损寿命预测方法，如图1所示，该方法包括步骤如下：
43.步骤1，磨损寿命预测模型离线建模阶段；
44.步骤1.1，获取离线数据，滚动销安装在城轨车门的上方左右两侧，分为两组四个，选取典型的直径状态10mm、9.5mm、9mm、8.5mm、8mm、7.5mm、7mm共7种，将左侧两个滚动销磨至相同直径，右侧两个滚动销也磨至相同直径，两组状态交叉组合然后安装到台架上，经模拟共获得28组车门驱动电机的监测数据，如表1所示，每个组合采集若干条转速数据，每条数据包括开门、关门曲线，利用删除劣点、曲线对齐等预处理方法完成数据清洗。
45.表1车门上方两侧滚动销直径组合
46.小端直径/mm大端直径/mm10109.59.5、1099、9.5、108.58.5、9、9.5、1088、8.5、9、9.5、107.57.5、8、8.5、9、9.5、1077、7.5、8、8.5、9、9.5、10
47.步骤1.2，制作样本和标签；对于每条开门、关门运行曲线数据，由于曲线后段的特征受堵转影响大，删除曲线后段，保留每条数据的前1～250个采样点。将开关和关门曲线拼
接，构成的为一个样本，样本的标签为组合中滚动销直径的较小值。所有组合的数据经此处理后，构成样本数据集d＝[x1,x2,...,xi,...,xn]
t
，包含n个样本，每个样本的维度为500。
[0048]
步骤1.3，将样本数据集d中样本数据进行均值为0，方差为1的标准化处理，构成新集合d2，样本数据集d中的每个元素x
ij
变换后为y
ij
，变换公式如下：
[0049][0050]
式中
[0051]
步骤1.4，构建卷积自编码器；卷积自编码器由编码器和解码器组成，如图2所示，编码器由卷积层和最大池化层堆叠构成，卷积层对输入层信号做卷积运算用于提取特征，公式为：t(k)表示由第k个一维卷积核提取的特征，w、b分别表示权重和偏置，r表示输入，swish表示激活函数，m表示m维的输入点数。
[0052]
本实施例中，多尺度卷积层的结构如图3所示，不同尺寸的卷积核对输入数据进行卷积运算，再将多尺度特征拼接组合，每个卷积层都采用swish激活函数进行非线性变换。最大池化层对卷积层的数据进行降采样，以操作区域内的最大值作为输出，可以有效地简化网络计算的复杂度，避免过拟合，计算公式为：p(k)＝maxt(k-1)。解码器为编码器对应层的反操作，由(反)卷积层和上采样层堆叠而成，可以将经编码器压缩的输入信号还原。
[0053]
本实施例中，卷积自编码器参数如表2所示，多尺度卷积层1从不同大小区域的电机监测数据中提取特征；1*1卷积层2的通道数目为64，上一层的通道数为128，数据量减少为原来的一半，实现了与最大池化层相同的降维功能，同时并未丢失其它信息，而是以进一步编码的方式将信息传递到下一层。
[0054]
表2编码器结构参数
[0055]
编码器结构卷积核大小/个数池化长度激活函数多尺度卷积层11*4、1*8、1*16/128 swish1*1卷积层21*1/64 swish卷积层31*10/32 swish最大池化层1 1*2 卷积层41*10/16 swish最大池化层2 1*5 [0056]
步骤1.5，卷积自动编码器训练，将样本集合d2输入卷积自动编码器进行训练，输入端和输出端均为d2，损失函数为样本集的均方误差，优化器选用“adam”。当损失函数渐近收敛时，停止训练，保留卷积自编码器的编码器部分的输出，即为所提取的深度特征f
encode
，接着将f
encode
通过flatten层由三维展平成一维f
onedim
。
[0057]
步骤1.6，构建blending集成学习模型，blending集成学习模型包括两层，其中第一层由六个异质学习器组成，分别为基于knn算法的学习器、基于ridge reg算法的学习器、基于svm算法的学习器、基于rf算法的学习器、基于cart算法的学习器和基于gbdt算法的学
习器；第二层选用简单的线性回归模型。
[0058]
步骤1.7，训练blending集成学习模型，blending集成学习模型的训练过程如图4所示，首先将特征集f
onedim
划分成训练集和验证集，将训练集与标签输入第一层的六个基学习器，完成第一层模型结构参数的训练；然后将验证集输入进第一层训练好的模型，得到六个基学习器的预测结果p
val
＝[p
val1
,p
val2
,...,p
val6
]。最后将p
val
和对应标签作为第二层模型的输入，进行第二层模型结构参数的学习。至此完成了blending集成学习模型的构建和训练。
[0059]
步骤2，磨损寿命预测模型在线预测阶段；
[0060]
步骤2.1，将训练好的卷积自编码器和blending集成学习模型部署在终端服务器或云端服务器或边缘控制器中，当获取到一条在线数据时，首先对数据进行预处理并按设定保留采样点数据，形成d3＝[x
o1
,x
o2
,...,x
o250
,x
c1
,x
c2
,...,x
c250
]，计算d3与样本数据集d平均曲线之间的欧氏距离d3，若d
bottom
≤d3≤d
up
，则继续下列步骤，否则该条曲线异常，继续获取下一条在线数据，重复步骤2.1；其中，样本数据集d的平均曲线为d
up
为上边界曲线l
up
与之间的欧氏距离，d
bottom
为下边界曲线l
bottom
与之间的欧氏距离，上边界曲线具体为：下边界曲线具体为：
[0061]
步骤2.2，对d3进行均值为0，方差为1的标准化处理，得到
[0062]
步骤2.3，将d
test
输入训练好的卷积自编码器中，保留编码器的输出，通过flatten层将每个样本的输出由多维展开成一维，作为所提特征f
test
。
[0063]
步骤2.4，将f
test
输入训练好的blending集成学习模型进行预测。首先得到第一层各个基学习器的预测结果，然后将该预测结果继续输入到第二层，得到最终的预测直径。
[0064]
步骤3，对预测结果平滑，采用加权滑动平均的方法，对该次的直径预测结果进行平滑。设置滑动窗口大小为3，则平滑后为p
t
为本次的直径预测结果，将最近三次预测结果的加权平均和作为本次的直径预测结果。为验证效果，本实例额外获取了28组同表1直径组合的数据，作为测试集，按照上述步骤得到的直径预测结果如图5所示。各典型直径的预测精度如表3所示。
[0065]
表3典型滚动销直径预测精度对比结果
[0066][0067]
步骤4，滚动销剩余使用寿命预测。对n-p
smooth
散点使用曲线动态拟合法，其中n为已使用次数，p
smooth
为预测直径，以7mm为临界值，计算滚动销的剩余使用次数作为剩余寿命。其中“已使用次数”由轨道车辆运营公司的历史记录得到，直径预测结果由上述建模得到。本实施例中，如图6所示，预设n-p
smooth
关系为y＝ax2 bx c型的二次曲线，最小二乘法拟合t时刻及之前的散点，得到拟合结果y＝a
t
x2 b
t
x c
t
,增加点(n
t 1
，p
t 1_smooth
)后，曲线更新为y＝a
t 1
x2 b
t 1
x c
t 1
，若x
t 1
为方程a
t 1
x2 b
t 1
x c
t 1
＝7的正数解，则滚动销的剩余寿命可表示为rul＝x
t 1-n
t 1
。最终实现滚动销直径磨损至7mm时的剩余寿命预测，进而实现滚动销的预测性维护。
[0068]
为验证滚动销直径预测模型的效果，采用如表4所示结构的卷积自编码器结合集成学习器构建预测模型进行对比。使用本实施例中的方法，测试集上滚动销直径预测的总体平均绝对误差mae控制在0.06mm附近，每种典型直径的mae和rmse普遍控制在0.1mm以内，满足实际应用的需求。对比实验的总体预测误差为0.08mm，且各典型直径的预测误差普遍高于本实施例中的方法，说明了发明中设计的卷积自编码器优于传统的卷积自编码器，多尺度卷积层、1*1卷积模块实现降维、以及swish新型激活函数的运用提升了卷积自编码器的特征提取性能，本本实施例中的卷积自编码器结合集成学习器能够达到高精度的直径预测效果。
[0069]
表4对比实验的编码器结构参数
[0070]
编码器结构卷积核大小@个数池化长度激活函数卷积层11*10@128 relu最大池化层1 1*2 卷积层21*10@32 relu最大池化层2 1*2 卷积层31*10@16 relu最大池化层3 1*5 [0071]
综上，该种数据驱动的机械磨损寿命预测方法通过研究最邻近失效的滚动销，预测其直径，再结合已运行次数和预测直径的拟合曲线，完成剩余运行次数的预测。该方法中通过优化设计的卷积自动编码器和blending集成学习模型，能够自动的进行深层特征的提取并建立性能稳定、精度高、鲁棒性能强的寿命预测模型，为车门系统的维修提供决策支持，优化管理效益，避免不必要的资源浪费。