本發(fā)明涉及軸承狀態(tài)預(yù)測，尤其是涉及一種基于改進(jìn)tcn的滾動軸承健康狀態(tài)評估與預(yù)測方法。

背景技術(shù)：

1、隨著工業(yè)自動化和智能制造的快速發(fā)展，設(shè)備健康管理與預(yù)測性維護(hù)已成為確保生產(chǎn)效率、減少非計劃停機的關(guān)鍵手段之一。作為機械設(shè)備中的核心部件，軸承的健康狀態(tài)直接影響設(shè)備的整體性能。由于軸承在長期運行中會逐漸出現(xiàn)磨損、退化，甚至故障，及時有效地監(jiān)測其健康狀況并預(yù)測其后續(xù)狀態(tài)具有重要的實際意義。

2、數(shù)據(jù)驅(qū)動的方法能夠直接利用傳感器采集的信息，描述軸承的退化過程，因此無需依賴專家經(jīng)驗和數(shù)學(xué)模型。數(shù)據(jù)驅(qū)動的實現(xiàn)過程包括信號采集、信號處理和狀態(tài)識別三個階段。在這三個階段中，信號處理和狀態(tài)識別是關(guān)鍵的組成部分。在信號處理階段，許多學(xué)者采用時域、頻域和時頻域多特征融合方法，時頻分析可以揭示信號中的瞬時變化，彌補時域和頻域的在這方面的不足，這對提高評估和預(yù)測的準(zhǔn)確性與魯棒性具有重要作用。變分模態(tài)分解(variational?mode?decomposition,vmd)在軸承的時頻域提取中得到了大量應(yīng)用，其通過引入變分約束實現(xiàn)信號分解，突破了傳統(tǒng)自適應(yīng)時頻分析方法以遞歸分析為中心的局限，克服了模態(tài)混疊和端點效應(yīng)問題。但其成功的關(guān)鍵在于如何確定合適的參數(shù)。如果參數(shù)選擇不當(dāng)，將無法提取到最優(yōu)的時頻域特征。采用冠豪豬優(yōu)化算法(icpo)優(yōu)化vmd可以有效解決陷入局部最優(yōu)解和收斂速度慢的問題。

3、由于高維退化特征可能存在冗余或噪聲特征，會影響模型的性能，因此需要通過降維提取有效特征來提高預(yù)測的準(zhǔn)確性。傳統(tǒng)降維方法主成分析(principalcomponentanalysis,pca)適合處理線性特征，難以有效表示軸承復(fù)雜的非線性關(guān)系；核主成分分析(kernel?principal?componentanalysis,kpca)則需定義合適的核類型，在選擇核函數(shù)和參數(shù)較為困難。近年來，自編碼器(autoencoder,ae)能夠?qū)W習(xí)復(fù)雜的非線性特征內(nèi)在規(guī)律且無需復(fù)雜的參數(shù)設(shè)置，廣泛應(yīng)用于降維領(lǐng)域，然而編碼器中的神經(jīng)元之間存在權(quán)重參數(shù)的連接，并且過度依賴這些連接可能導(dǎo)致過擬合。此外，由于堆疊編碼器權(quán)重初始化不當(dāng)，仍存在特征提取較弱和收斂速度較慢的問題。因此在第一層采用雙分支結(jié)構(gòu)并在其編碼層使用受限玻爾茲曼機(rbm)初始化編碼器權(quán)重解決上述問題。

4、為了充分學(xué)習(xí)時序信息，許多深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測領(lǐng)域。經(jīng)典預(yù)測模型如卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network,cnn)，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neuralnetwork,rnn)在處理長時間序列效果不佳。為解決此問題，提出了長短期記憶(longshort-term?memory,lstm)和雙向長短期記憶網(wǎng)絡(luò)(bidirectional?long?short-termmemory,bilstm)。但是lstm、bilstm為遞歸結(jié)構(gòu)，并不支持并行計算，在數(shù)據(jù)量較大的情況下，會影響訓(xùn)練速度。時間卷積網(wǎng)絡(luò)(temporal?convolutional?network，tcn)作為cnn的一種變體，具備了cnn的并行計算的能力，已經(jīng)被證明在解決上述局限性方面非常有效。盡管如此，局部和全局依賴關(guān)系仍需增強。因此引入深度分離卷積計算自注意力機制鍵值增強局部依賴關(guān)系和添加殘差連接增強全局依賴關(guān)系。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于改進(jìn)tcn的滾動軸承健康狀態(tài)評估與預(yù)測方法，降低軸承退化特征的提取難度，實現(xiàn)滾動軸承健康狀態(tài)的準(zhǔn)確評估，提高滾動軸承健康狀態(tài)的預(yù)測精度。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于改進(jìn)tcn的滾動軸承健康狀態(tài)評估與預(yù)測方法，包括以下步驟：

3、s1、特征篩選，采用改進(jìn)的冠豪豬優(yōu)化算法icpo優(yōu)化變分模態(tài)分解vmd的關(guān)鍵參數(shù)k和α，得到改進(jìn)的vmd，即icpo-vmd；利用icpo-vmd篩選更優(yōu)的滾動軸承振動信號時頻域特征，并結(jié)合篩選的滾動軸承振動信號時域特征和頻域特征得到高維特征數(shù)據(jù)；

4、s2、特征降維，采用改進(jìn)的堆疊編碼器isae對時域特征、頻域特征、時頻域特征組成的高維特征數(shù)據(jù)進(jìn)行降維；

5、s3、健康狀態(tài)評估，以馬氏距離為計算指標(biāo)構(gòu)建健康指數(shù)hi，利用改進(jìn)的k-means評估健康等級；

6、s4、狀態(tài)預(yù)測，引入深度分離卷積計算鍵值和添加殘差連接對自注意力機制改進(jìn)，得到改進(jìn)的自注意力機制isa，然后在tcn中引入isa，得到改進(jìn)的tcn，即isa-tcn；依據(jù)s3中健康狀態(tài)評估結(jié)果，利用isa-tcn對滾動軸承健康狀態(tài)進(jìn)行預(yù)測。

7、優(yōu)選的，s1中，對滾動軸承振動信號特征篩選的時域特征包括方根值、偏斜度、方差、峭度和能量，頻域特征包括最大值頻率。

8、優(yōu)選的，s1中，icpo算法流程包括以下步驟：

9、s101、使用佳點集初始化種群，佳點集生成形式為：

10、

11、其中，ri,j表示佳點集，i表示種群數(shù)，j表示維數(shù)，e(·)表示指數(shù)運算，表示向下取整，n是種群規(guī)模，d是維度，基于佳點集的生成形式，種群的初始化為：

12、

13、其中，表示佳點集初始化后的種群，和分別表示搜索范圍的上限和下限；

14、s102、引入非線性權(quán)重因子ω改進(jìn)正余弦策略

15、

16、其中，ω表示非線性權(quán)重因子，t表示當(dāng)前迭代次數(shù)，tmax表示最大迭代次數(shù)；

17、對種群位置進(jìn)行更新，解決陷入局部最優(yōu)的問題，提高算法的收斂速度，該過程表示為：

18、

19、其中，表示引入非線性權(quán)重因子改進(jìn)正余弦策略的解，表示t時刻n維空間中的第i個個體，表示搜索過程中找到的最佳解，表示步長搜索因子，r2和r3∈[0,2π]，且為隨機數(shù)，r4∈[0,1]，且為隨機數(shù)；

20、s103、為進(jìn)一步跳出局部最優(yōu)解并提高收斂速度，在開發(fā)階段中引入自適應(yīng)t分布，如式(5)所示：

21、

22、其中t(iter)表示自適應(yīng)t分布系數(shù)，iter表示迭代次數(shù)，tmax表示最大迭代次數(shù)；引入t(iter)后的種群位置更新過程表示為：

23、

24、其中，表示t+1時刻的個體位置，表示t時刻的個體位置，p∈[0,1]，且為隨機數(shù)；

25、s104、利用提出的icpo優(yōu)化vmd關(guān)鍵參數(shù)，得到icpo-vmd，進(jìn)而icpo-vmd得到更優(yōu)的k個imf分量，選取高頻和低頻imf分量，篩選得到振動信號的更優(yōu)樣本熵時頻域特征；

26、s105、由icpo-vmd篩選得到的更優(yōu)樣本熵時頻域特征、篩選的時域特征和頻域特征，組成高維特征數(shù)據(jù)。

27、優(yōu)選的，s2中，isae第一層采用雙分支結(jié)構(gòu)并在其編碼層使用受限玻爾茲曼機rbm初始化編碼器權(quán)重，則有：

28、

29、其中，表示第i分支的第l層編碼器的輸出，表示第i分支的第l-1層編碼器的輸出，表示第l層的rbm初始化編碼器權(quán)重矩陣，表示第l層的編碼器偏置項，f表示激活函數(shù)為relu；

30、進(jìn)一步，將兩個分支的輸出合并為一個最終的編碼輸出，如下式所示：

31、

32、其中，o表示雙分支合并后的編碼輸出，g(·)表示linear線性操作，表示第一分支的第l層的編碼輸出，表示第二分支的第l層的編碼輸出；

33、利用isae對時域特征、頻域特征和時頻域特征組成的高維特征進(jìn)行降維，以收斂速度和重建誤差作為特征降維完成的判斷標(biāo)準(zhǔn)。

34、優(yōu)選的，s3中，利用馬氏距離md對isae降維數(shù)據(jù)進(jìn)行融合，md計算公式為：

35、

36、其中，md表示特征融合后的馬氏距離，zij表示降維后的第j個特征的第i個樣本值，c為zij的協(xié)方差矩陣，表示zij的轉(zhuǎn)置；

37、然后，構(gòu)建hi，其計算公式為：

38、

39、其中，hi表示健康指數(shù)，α表示調(diào)節(jié)參數(shù)。

40、優(yōu)選的，s3中，采用改進(jìn)的k-means對軸承健康狀態(tài)評估，以加權(quán)卷積核的歐式距離替代普通的歐式距離，加權(quán)卷積核的歐式距離公式如下：

41、distance＝ωconv·|xi-sj|2??(11)；

42、其中，distance表示加權(quán)卷積核的歐式距離，ωconv表示加權(quán)卷積核，xi表示x的第i個數(shù)據(jù)點，sj表示第j個簇的簇心；

43、以誤差平方和sse為核心指標(biāo)度量簇內(nèi)差異的指標(biāo)，得到最優(yōu)k值，sse公式如下：

44、

45、其中，sse表示誤差平方和，k表示簇的數(shù)量，si表示第i個簇，ωconv表示加權(quán)卷積核，x是si中的數(shù)據(jù)，mi是si的質(zhì)心。

46、優(yōu)選的，s3中，健康等級評估包括以下步驟：

47、s301、計算md，對降維后的數(shù)據(jù)利用公式(9)進(jìn)行計算；

48、s302、構(gòu)建hi，對得到的md利用公式(10)構(gòu)建出hi；

49、s303、健康狀態(tài)評估，對hi利用公式(12)得到最優(yōu)k值，即評估出的k種健康狀態(tài)。

50、優(yōu)選的，s4中，在tcn殘差塊中引入isa，利用深度分離卷積計算自注意力機制鍵值中的查詢、鍵和值，以增強局部依賴性，其計算公式如下：

51、

52、其中，qy為查詢，ky為鍵，vl為值，ch為總通道數(shù)，kh為總元素個數(shù)，xch[r+kh]表示輸入的第ch個通道的第r+kh個元素，wc[kc]表示卷積核濾波器的第c個通道的第kc個卷積核權(quán)重，pc,j表示逐點卷積后第c個輸入通道和第j個輸出通道之間的權(quán)重，計算得到的鍵值通過softmax計算，則有：

53、

54、其中，attention(qy,ky,vl)表示isa得到的輸出結(jié)果，softmax表示激活函數(shù)，dk表示輸入特征的維度，引入殘差連接，以增強全局依賴性，得到最終自注意力機制輸出結(jié)果，公式如下：

55、output＝f(x)+attention(qy,ky,vl)??(15)；

56、其中，output表示isa-tcn的輸出結(jié)果，f(x)表示通過殘差塊中的卷積層對輸入數(shù)據(jù)x進(jìn)行處理。

57、優(yōu)選的，s4中，狀態(tài)預(yù)測包括以下步驟：

58、s401、輸入數(shù)據(jù)，將前期狀態(tài)作為輸入；

59、s402、計算序列注意力權(quán)重，利用公式(13)計算序列權(quán)重；

60、s403、輸出isa-tcn殘差的結(jié)果，利用公式(14)得到深度分離卷積的自注意力機制的結(jié)果，利用公式(15)得到最終序列輸出。

61、因此，本發(fā)明采用上述一種基于改進(jìn)tcn的滾動軸承健康狀態(tài)評估與預(yù)測方法，利用icpo對vmd參數(shù)進(jìn)行優(yōu)化，篩選更優(yōu)的時頻域特征，并結(jié)合篩選的時域特征、頻域特征得到高維特征數(shù)據(jù)，降低了軸承退化特征數(shù)據(jù)集的提取難度以及噪聲的干擾。利用isae進(jìn)行降維，加快了收斂速度和增強特征提取能力，從而降維的數(shù)據(jù)能更好的還原原始特征。所提出的isa-tcn模型通過引入深度分離卷積和殘差連接的自注意機制改進(jìn)模型的殘差塊，有效提高了模型對局部和全局依賴關(guān)系。在實驗中，模型不僅具有對滾動軸承狀態(tài)預(yù)測較快的預(yù)測速度和良好的預(yù)測精度，預(yù)測的滾動軸承健康狀態(tài)包括單個軸承狀態(tài)和多個軸承狀態(tài)。

62、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。