基于时频多尺度多任务故障诊断和剩余寿命预测联合方法

1.本发明涉及机械故障诊断和剩余寿命预测领域，特别是指基于时频多尺度多任务故障诊断和剩余寿命预测联合方法。


背景技术：

2.轴承广泛的应用于工业系统中，其可靠性是很多机电系统安全的重要元素之一。由于严苛的工况，轴承故障时常发生，进而可能造成严重的后果。因此轴承故障诊断与剩余寿命预测对于机电系统可靠性的改进非常重要。
3.故障诊断是尽早识别故障发生，识别故障类型和位置以及故障程度的过程。剩余寿命预测是估计部件失效前所剩时间的过程。大多数的故障诊断包括两个关键的环境，特征提取与故障识别。典型的特征提取方式包括隐马尔可夫模型，近些年开始包含支持向量机等基于人工智能的方法。
4.而在实践中工业系统的安全不单单依靠故障诊断，因为一旦故障发生就太晚了。所以剩余寿命估计也非常的重要，它可以用来决定某个部件是否需要修理或替换。剩余寿命估计有三类主要的方法，包括基于模型的方法，基于数据的方法和混合式的方法。模型法的主要问题是模型中先验知识的不确定与简化带来的模型参数估计问题。因而数据驱动的方法可以用于估计这些参数或忽略掉简化的模型直接得到一个输入与输出的关系。
5.现有技术中也有将故障诊断与剩余寿命估计整合到一个模型中，不过现有的多任务模型缺乏对不同尺度特征的捕捉，也缺少一种能够动态调节不同尺度关系的手段。而且单纯采用时域的表征不能很好的对轴承退化过程进行刻画。


技术实现要素：

6.本发明的主要目的在于克服现有技术中的上述缺陷，提出基于时频多尺度多任务故障诊断和剩余寿命预测联合方法，能够对轴承退化过程更为直观的刻画，同时对表征的不同尺度特征进行捕捉，对不同尺度的特征的关系进行动态的调节。
7.本发明采用如下技术方案：
8.基于时频多尺度多任务故障诊断和剩余寿命预测联合方法，包括以下步骤：
9.1)读取轴承的振动加速度信号，将轴承振动加速度的时域信号进行短时傅里叶变换计算，振动加速度的频域信号，其中短时傅里叶变换的计算公式为：
[0010][0011]
其中m是窗函数的长度，x[n]表示轴承振动加速度的时域离散序列，x(m,ω)进行短时傅里叶变换得到的振动加速度的频域信号，ω是窗函数，n为序列点，j为虚数单位，e为自然常数；
[0012]
2)根据振动加速度的频域信号，计算得到振动加速度的功率谱密度图，其中功率谱密度的计算公式为：
[0013]
spectrogram(x[n])＝|x(m,ω)|2；
[0014]
3)将轴承全生命周期的退化数据进行预处理，根据均方根设置若干阈值，按照阈值确定划定健康状态和剩余寿命值，完成对退化数据的标注；
[0015]
4)将步骤2)中转换为功率谱密度图的轴承全生命周期退化数据，及健康状态值和归一化剩余寿命数值作为一个完整的数据集；将该数据集随机划分为训练集与测试集两部分，其中训练集占完整数据集的70％，测试集占完整数据集的30％；
[0016]
5)将训练集代入门控多任务多尺度卷积神经网络中，采用adam优化算法对网络参数进行优化后得到新的网络参数；其中神经网络的前向计算的基本公式为：
[0017][0018]
o[i,j]＝f(c[i,j] b)
[0019]
其中c是卷积计算的中间量，卷积核的大小为m
×
n，i为神经网络输入，k为神经网络核，选定若干不同大小的神经网络核便能得到多尺度网络提取输入的不同尺度的信息，o为神经网络输出；
[0020]
门控网络中采用的不同尺度权重分配方式为：
[0021][0022]
其中xi是门控网络倒数第二层的第i个输出值，j代表xi取值为门控网络倒数第二层的所有输出中的任意一个，δi为门控网络输出的第i个权重，xi为门控网络中最后一层得到的第i个输出值；
[0023]
门控网络根据多任务的情况增加，门控网络输出权重与多尺度网络综合的过程有以下公式：
[0024][0025]
其中n代表多尺度网络分支数，y代表门控网络对多尺度网络特征加权求和后的特征值，g(x)i为多尺度网络中的第i个输出值，fi(x)为门控网络中对第i个输出值分配的权重值；
[0026]
6)收敛条件判断，得多尺度多任务学习模型的故障诊断和剩余寿命预测联合模型。
[0027]
具体的，步骤5)中，对神经网络模型参数优化的具体方法为：最小化如下所述目标函数：
[0028]
l
total
(θ)＝σl1(θ) (1-σ)l2(θ)
[0029]
其中θ为神经网络的参数，σ∈[0,1]是调节故障诊断和剩余寿命预测两个任务的权重；
[0030]
具体地，
[0031][0032]
其中为模型对剩余寿命的预测值，为步骤三中标定的归一化剩余寿命数
值，该项为剩余寿命任务的总损失；
[0033][0034]
其中是模型对分类任务中，模型对第i个样本在步骤三中标定的真实健康状态值的类别的预测概率值，为模型对第i个样本在步骤三中的各健康状态值的概率预测值，这一项为故障诊断任务的总损失。
[0035]
具体的，步骤6)中，所述收敛条件判断的具体方法可为：若或到之前设定的算法参数优化的周期最大值，算法收敛，输出当前的预测模型，否则继续优化模型参数。
[0036]
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
[0037]
本发明提供了基于时频多尺度多任务故障诊断和剩余寿命预测联合方法，利用时频域表征方式，将轴承振动信号特征更好的表示出来，将故障诊断和剩余寿命预测在多任务学习中视为一个统一的模型，使得工业测量系统更方便的实现，且将轴承振动信号时频域表征中不同尺度的特征信息提取出来，使得系统更好的实现不同的任务。同时本发明方法利用门控网络，将不同尺度特征的差异性赋予不同的权重，从而可以更好适应不同尺度特征的差异性。
附图说明
[0038]
图1是本发明实施例的流程图。
[0039]
图2是本发明实施例数据集的标签分配图，图(a)为一数据集的标签分配图，图(b)为另一数据集的标签分配图。
[0040]
图3是本发明实施例采用门控多尺度多任务神经网络的示意图。
[0041]
图4是本发明实施后的剩余寿命预测结果，图(a)为本发明方法，图(b)为gru网络。
[0042]
图5是本发明实施后的故障诊断结果，图(a)为本发明，图(b)为gru网络。
[0043]
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
[0044]
以下通过具体实施方式对本发明作进一步的描述。
[0045]
如图1是本发明实施例的流程图。
[0046]
1)读取轴承的振动加速度信号，将轴承振动加速度的时域信号进行短时傅里叶变换计算，其中短时傅里叶变换的计算公式为：
[0047][0048]
其中m是窗函数的长度，x[n]表示轴承振动加速度的时域离散序列，ω[n]是窗函数。
[0049]
窗函数可以用以下公式表示
[0050][0051]
其中n为振动信号的长度，n为窗函数的长度，由人工选定；
[0052]
2)根据短时傅里叶变换得到的振动加速度的频域信号，计算得到振动加速度的功率谱密度图，其中功率谱密度的计算公式为：
[0053]
spectrogram(x[n])＝|x(m,ω)|2ꢀꢀꢀ
(3)；
[0054]
3)将轴承全生命周期的退化数据进行预处理，根据均方根设置若干阈值，按照阈值确定划定健康状态和剩余寿命值，完成对退化数据的标注；
[0055]
4)将步骤二中转换为时频表征的轴承全生命周期退化数据，及其对应的在步骤三中得到的健康状态值和归一化剩余寿命数值作为一个完整的数据集。将该数据集随机划分为训练集与测试集两部分，其中训练集占完整数据集的70％，测试集占完整数据集的30％。；
[0056]
5)将步骤四中的训练集代入门控多任务多尺度卷积神经网络中，采用adam优化算法对网络参数进行优化后得到新的网络参数。其中神经网络的前向计算的基本公式为：
[0057][0058]
o[i,j]＝f(c[i,j] b)
ꢀꢀꢀ
(5)
[0059]
其中c是卷积计算的中间量，卷积核的大小为m
×
n，i为神经网络输入，k为神经网络核，选定若干不同大小的神经网络核便能得到多尺度网络提取输入的不同尺度的信息，o为神经网络输出，f为非线性函数。
[0060]
非线性函数可以为：
[0061]
f(x)＝max(x,0)
ꢀꢀꢀ
(6)
[0062]
门控网络中采用的不同尺度权重分配方式为：
[0063][0064]
其中xi是门控网络倒数第二层的第i个输出值，j代表xi取值为门控网络倒数第二层的所有输出中的任意一个，δi为门控网络输出的第i个权重，xi为门控网络中最后一层得到的第i个输出值。
[0065]
门控网络可以根据多任务的情况增加，门控网络输出权重与多尺度网络综合的过程有以下公式：
[0066][0067]
其中n代表多尺度网络分支数，y代表门控网络对多尺度网络特征加权求和后的特征值，g(x)i为多尺度网络中的第i个输出值，fi(x)为门控网络中对第i个输出值分配的权重值。
[0068]
神经网络参数的优化可以用最小化如下所述目标函数求得：
[0069]
l
total
(θ)＝σl1(θ) (1-σ)l2(θ)
ꢀꢀꢀ
(9)
[0070]
其中θ为神经网络的参数，σ∈[0,1]是调节故障诊断和剩余寿命预测两个任务的
权重，该值手工选取。
[0071]
具体地，
[0072][0073]
其中为模型对剩余寿命的预测值，为步骤三中标定的归一化剩余寿命数值，该项为剩余寿命任务的总损失。
[0074][0075]
其中是模型对分类任务中，模型对第i个样本在步骤三中标定的真实健康状态值的类别的预测概率值，为模型对第i个样本在步骤三中的各健康状态值的概率预测值，这一项为故障诊断任务的总损失。
[0076]
对于优化过程，我们首先计算损失函数的一阶梯度：
[0077][0078]
其中f为目标函数，θ为神经网络的参数。
[0079]
进而计算一阶动量和二阶动量：
[0080]mt
＝β1m
t-1
(1-β1)g
t
ꢀꢀꢀ
(13)
[0081][0082]
其中β1和β2是人为选定的参数，初始参数设定为m0＝0和v0＝0，代表g
t
依元素相乘。
[0083]
进而计算得到修正的一阶动量和二阶动量：
[0084][0085][0086]
其中和是β1和β2的t次方。
[0087]
最后神经网络中的参数由下式优化：
[0088][0089]
α为学习率，ε是一个略大于0的数，避免二阶动量为0时发生计算问题。
[0090]
6)收敛条件判断，得多尺度多任务学习模型的故障诊断和剩余寿命预测联合模型。
[0091]
在步骤6)中，所述收敛条件判断的具体方法可为：若算法收敛，输出当前的预测模型，否则继续优化模型参数，或到之前设定的算法参数优化的周期最大值，输出当前的预测模型。
[0092]
现结合在pronositia数据集实施例来进行说明：
[0093]
1)读取轴承的振动加速度信号，将轴承振动加速度的时域信号进行短时傅里叶变换计算，其中短时傅里叶变换的计算公式为：
[0094][0095]
其中x[n]表示轴承振动加速度的时域离散序列，长度为2560，ω[n]是窗函数。
[0096]
窗函数可以用以下公式表示
[0097][0098]
其中n为振动信号的长度，n为窗函数的长度，由人工选定为256；
[0099]
2)根据短时傅里叶变换得到的振动加速度的频域信号，计算得到振动加速度的功率谱密度图，其中功率谱密度的计算公式为：
[0100]
spectrogram(x[n])＝|x(m,ω)|2ꢀꢀꢀ
(3)；
[0101]
3)将轴承全生命周期的退化数据进行预处理，根据轴承振动加速度信号的均方根情况对轴承全生命周期退化数据进行数据标注，即每个数据的健康状态值和归一化剩余寿命数值，如图2所示，具体地，将轴承全生命周期退化数据按照分为三类并标注上剩余寿命；
[0102]
4)将步骤二中转换为时频表征的轴承全生命周期退化数据，及其对应的在步骤三中得到的健康状态值和归一化剩余寿命数值作为一个完整的数据集。将该数据集随机划分为训练集与测试集两部分，其中训练集占完整数据集的70％，测试集占完整数据集的30％。；
[0103]
5)将步骤四中的训练集代入门控多任务多尺度卷积神经网络中，其大体框架如图3所示，采用adam优化算法对网络参数进行优化后得到新的网络参数。其中神经网络的前向计算的基本公式为：
[0104][0105]
o[i,j]＝f(c[i,j] b)
ꢀꢀꢀ
(5)
[0106]
其中i为神经网络输入，k为神经网络核，选定若干不同大小的神经网络核便能得到多尺度网络提取输入的不同尺度的信息，o为神经网络输出，f为非线性函数。非线性函数可以为：
[0107]
f(x)＝max(x,0)
ꢀꢀꢀ
(6)
[0108]
门控网络中采用的不同尺度权重分配方式为：
[0109][0110]
其中δi为门控网络输出的第i个权重，xi为门控网络中最后一层得到的第i个输出值。
[0111]
门控网络可以根据多任务的情况增加，门控网络输出权重与多尺度网络综合的过程有以下公式：
[0112][0113]
其中g(x)i为多尺度网络中的第i个输出值，fi(x)为门控网络中对第i个输出值分配的权重值。多任务部分由两个网络实现。
[0114]
神经网络参数的优化可以用最小化如下所述目标函数求得：
[0115]
l
total
(θ)＝σl1(θ) (1-σ)l2(θ)
ꢀꢀꢀ
(9)
[0116]
其中θ为神经网络的参数，σ∈[0,1]是调节故障诊断和剩余寿命预测两个任务的权重，该值手工选取，以0.05为步进，共21个值。具体地，
[0117][0118]
其中为模型对剩余寿命的预测值，为步骤三中标定的归一化剩余寿命数值，该项为剩余寿命任务的总损失。
[0119][0120]
其中是模型对分类任务中，模型对第i个样本在步骤三中标定的真实健康状态值的类别的预测概率值，为模型对第i个样本在步骤三中的各健康状态值的概率预测值，这一项为故障诊断任务的总损失。
[0121]
对于优化过程，我们首先计算损失函数的一阶梯度：
[0122][0123]
其中f为目标函数，θ为神经网络的参数。
[0124]
进而计算一阶动量和二阶动量：
[0125]mt
＝β1m
t-1
(1-β1)g
t
ꢀꢀꢀ
(13)
[0126][0127]
其中β1和β2是人为选定的参数，分别为0.9和0.999，初始参数设定为m0＝0和v0＝0，代表g
t
依元素相乘。
[0128]
进而计算得到修正的一阶动量和二阶动量：
[0129][0130][0131]
其中和是β1和β2的t次方。
[0132]
最后神经网络中的参数由下式优化：
[0133][0134]
α为学习率，设定为0.001，ε是一个略大于0的数，避免二阶动量为0时发生计算问
题。
[0135]
6)收敛条件判断，得多尺度多任务学习模型的故障诊断和剩余寿命预测联合模型。
[0136]
在步骤6)中，所述收敛条件判断的具体方法可为：若算法收敛，输出当前的预测模型，否则转到步骤5继续优化模型参数，或到之前设定的算法参数优化的周期的最大值20，输出当前的预测模型。
[0137]
剩余寿命和故障诊断的结果图如图4～5所示。由图4和图5可以看出，本发明方法比经典的门控循环网络(gru)要好，本发明的结果更接近真实值，在剩余寿命预测和故障诊断两个任务上综合的准确性要更好。
[0138]
综上，本发明完全适用于机械故障诊断和寿命预测领域，具有利用等优点。本发明能够为机械设备维护、机械设备运动控制等高级应用提供较准确的数据支持，具有良好的应用前景
[0139]
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。