本發(fā)明涉及軸承壽命預(yù)測，具體而言，涉及一種基于參數(shù)解耦個(gè)性化聯(lián)邦的不同工況下滾動軸承壽命預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、滾動軸承是旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，長期處于高負(fù)荷運(yùn)轉(zhuǎn)狀態(tài)的軸承易損壞、可靠性差。軸承的損壞可能導(dǎo)致整個(gè)機(jī)器的故障，甚至是災(zāi)難性事故[1]。作為預(yù)測性維修的關(guān)鍵技術(shù)，剩余使用壽命(remaining?useful?life，rul)的研究能夠分析旋轉(zhuǎn)機(jī)械的退化趨勢，從而避免機(jī)械設(shè)備故障帶來的人員傷亡及生產(chǎn)損失，因此對滾動軸承rul的研究具有重要意義[2]。

2、滾動軸承rul的預(yù)測方法主要分為兩種基礎(chǔ)類別：基于模型驅(qū)動的方法、基于數(shù)據(jù)驅(qū)動的方法?；谀Ｐ万?qū)動的方法，主要通過構(gòu)建滾動軸承性能退化過程的數(shù)學(xué)或物理模型進(jìn)行rul預(yù)測，然而物理模型的建立高度依賴于對器件退化機(jī)理的先驗(yàn)知識，因此難以通過精確模型來表達(dá)復(fù)雜的退化過程，從而限制了這種方法的通用性和實(shí)用性[3]。

3、近年來，隨著人工智能的興起，基于數(shù)據(jù)驅(qū)動的rul預(yù)測方法逐漸展現(xiàn)出優(yōu)勢。其中以深度學(xué)習(xí)為代表的方法可以從海量數(shù)據(jù)中挖掘出有價(jià)值的特征信息，具有自主學(xué)習(xí)的能力，為建立數(shù)據(jù)特征與設(shè)備性能退化趨勢之間的映射關(guān)系提供了有效的解決方案[4]。文獻(xiàn)[5]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?networks，cnn)的軸承rul預(yù)測方法，經(jīng)實(shí)驗(yàn)驗(yàn)證所提方法優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)。文獻(xiàn)[6]提出一種卷積注意力長短時(shí)記憶網(wǎng)絡(luò)的軸承壽命預(yù)測方法，該方法能有效對時(shí)序信息進(jìn)行處理，實(shí)驗(yàn)結(jié)果表明預(yù)測效果優(yōu)于其他傳統(tǒng)深度學(xué)習(xí)模型。文獻(xiàn)[7]提出結(jié)合cnn和lstm的滾動軸承剩余使用壽命預(yù)測方法，預(yù)測結(jié)果能夠較好地接近軸承真實(shí)壽命值。文獻(xiàn)[8]提出基于cnn-tcn-attention的預(yù)測方法，實(shí)驗(yàn)表明將注意力機(jī)制與時(shí)間卷積網(wǎng)絡(luò)相結(jié)合可以有效提高模型預(yù)測精度。以上基于深度學(xué)習(xí)方法雖然相比于模型驅(qū)動的方法能夠提取原始振動信號的深層退化特征，但這些方法忽略了數(shù)據(jù)隱私及數(shù)據(jù)孤島的問題。

4、聯(lián)邦學(xué)習(xí)(federated?learning，fl)是一種無需集中訓(xùn)練數(shù)據(jù)的協(xié)作式機(jī)器學(xué)習(xí)方法，其目的是從不同用戶的分布式數(shù)據(jù)訓(xùn)練全局模型，同時(shí)保護(hù)數(shù)據(jù)隱私并節(jié)省大量網(wǎng)絡(luò)帶寬[9]。文獻(xiàn)[10]提出一種基于聯(lián)邦學(xué)習(xí)的rul預(yù)測方法，在樣本量有限的情況下，有效解決不同客戶端之間的數(shù)據(jù)孤島問題，實(shí)驗(yàn)表明所提方法在銑刀和軸承數(shù)據(jù)集上均實(shí)現(xiàn)了良好的預(yù)測效果。文獻(xiàn)[11]提出基于聯(lián)邦學(xué)習(xí)與云邊協(xié)同的剩余壽命預(yù)測方法，能有效減少數(shù)據(jù)傳輸延遲時(shí)間并保護(hù)數(shù)據(jù)隱私。文獻(xiàn)[12]提出一種基于聯(lián)邦學(xué)習(xí)和網(wǎng)絡(luò)剪枝的rul預(yù)測方法，軸承實(shí)驗(yàn)證明該方法有效解決了數(shù)據(jù)隱私保護(hù)場景中的rul預(yù)測問題。

5、以上fl算法中，中央服務(wù)器聚合參數(shù)時(shí)均采用聯(lián)邦平均(federated?averaging,fedavg)算法，該方法在多用戶同工況的條件下聚合成一個(gè)模型，可以在保護(hù)數(shù)據(jù)隱私的前提下很好地對軸承的剩余使用壽命進(jìn)行預(yù)測。但是在實(shí)際工業(yè)中，用戶的滾動軸承振動數(shù)據(jù)通常來自不同工況，數(shù)據(jù)往往呈現(xiàn)非獨(dú)立同分布的特點(diǎn)，全局模型的性能容易受到用戶數(shù)據(jù)分布的影響，直接使用fedavg算法聚合多個(gè)不同工況下的滾動軸承振動數(shù)據(jù)，可能導(dǎo)致參數(shù)更新方向彼此分離、全局模型收斂緩慢甚至偏離最優(yōu)參數(shù)的問題。因此，對所有客戶端采用相同的全局模型是不可行的。

6、為了解決傳統(tǒng)聯(lián)邦學(xué)習(xí)算法存在的問題，個(gè)性化聯(lián)邦學(xué)習(xí)應(yīng)運(yùn)而生，它可以對抗數(shù)據(jù)呈現(xiàn)非獨(dú)立同分布時(shí)的不良影響。文獻(xiàn)[13]提出一種改進(jìn)的聯(lián)邦學(xué)習(xí)算法，該算法在fedavg基礎(chǔ)上添加近端項(xiàng)，進(jìn)而加快模型收斂速度并提升模型的整體性能。文獻(xiàn)[14]提出自適應(yīng)學(xué)習(xí)本地模型的個(gè)性化聯(lián)邦學(xué)習(xí)方法來處理數(shù)據(jù)非獨(dú)立同分布問題，并在4個(gè)公開數(shù)據(jù)集上驗(yàn)證了方法的有效性。文獻(xiàn)[15]提出一種微調(diào)和頭部聚合的個(gè)性化聯(lián)邦學(xué)習(xí)方法，實(shí)驗(yàn)證明數(shù)據(jù)在非獨(dú)立同分布條件設(shè)置下具有良好的個(gè)性化能力和泛化能力。文獻(xiàn)[16]提出的聯(lián)邦表示學(xué)習(xí)算法通過學(xué)習(xí)跨客戶端的共享表示和每個(gè)客戶端的本地頭，實(shí)現(xiàn)個(gè)性化聯(lián)邦學(xué)習(xí)，經(jīng)實(shí)驗(yàn)驗(yàn)證該fl方法在非獨(dú)立同分布環(huán)境中有良好的分類效果。

7、上述個(gè)性化聯(lián)邦學(xué)習(xí)方法不僅可以減少隱私泄露的風(fēng)險(xiǎn)，并且當(dāng)客戶端數(shù)據(jù)處于非獨(dú)立同分布條件時(shí)，更容易捕獲用戶的個(gè)性化特征。然而，個(gè)性化模型需要適應(yīng)各個(gè)客戶端的本地需求，同時(shí)也需要共享某些模型參數(shù)，這將進(jìn)一步為個(gè)性化聯(lián)邦學(xué)習(xí)策略在軸承壽命預(yù)測領(lǐng)域帶來困難。

8、因此，針對聯(lián)邦學(xué)習(xí)不同用戶的軸承振動數(shù)據(jù)非獨(dú)立同分布時(shí)模型預(yù)測性能差的問題，提出一種基于參數(shù)解耦個(gè)性化聯(lián)邦(parameter?decoupling?personalizedfederation，pdpf)的滾動軸承壽命預(yù)測方法。該方法將本地預(yù)測模型解耦為共享表示層和本地個(gè)性化層，學(xué)習(xí)每個(gè)客戶端的共享表示和個(gè)性化特征信息，同時(shí)針對每個(gè)客戶端單獨(dú)建模，有助于提高預(yù)測模型的整體性能。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是：

2、現(xiàn)有方法針對來自不同工況下滾動軸承振動數(shù)據(jù)往往呈現(xiàn)非獨(dú)立同分布的特點(diǎn)，可能導(dǎo)致參數(shù)更新方向彼此分離、全局模型收斂緩慢甚至偏離最優(yōu)參數(shù)的問題。

3、本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案：

4、本發(fā)明提供了一種基于參數(shù)解耦個(gè)性化聯(lián)邦(parameter?decouplingpersonalized?federation，pdpf)的不同工況下滾動軸承壽命預(yù)測方法，所述方法基于聯(lián)邦學(xué)習(xí)模型，所述聯(lián)邦學(xué)習(xí)模型包括一個(gè)中央服務(wù)器和多個(gè)客戶端，包括如下步驟：

5、步驟1、各客戶端分別采集軸承壽命數(shù)據(jù)，將壽命隨機(jī)劃分為訓(xùn)練集和測試集，通過計(jì)算訓(xùn)練集軸承壽命數(shù)據(jù)的fpt點(diǎn)和hrdt點(diǎn)，采用多級退化標(biāo)簽表示方法對訓(xùn)練集軸承壽命數(shù)據(jù)的不同階段進(jìn)行標(biāo)記，并對數(shù)據(jù)進(jìn)行小波變換處理；

6、步驟2、所述中央服務(wù)器構(gòu)建基于seresnet與convlstm的網(wǎng)絡(luò)模型，所述網(wǎng)絡(luò)模型包括seresnet塊和convlstm塊，所述seresnet塊用于進(jìn)行特征提取，并通過連接最大池化層保留重要特征，所述convlstm塊用于對特征進(jìn)行進(jìn)一步處理；所述中央服務(wù)端對網(wǎng)絡(luò)模型進(jìn)行初始化，將網(wǎng)絡(luò)模型解耦，將seresnet網(wǎng)絡(luò)作為共享表示層，將convlstm和全連接層作為個(gè)性化層，并將共享表示層下發(fā)至各客戶端；

7、步驟3、各客戶端基于訓(xùn)練集對接收的共享表示層和本地個(gè)性化層進(jìn)行訓(xùn)練，并將訓(xùn)練得到的共享表示層參數(shù)發(fā)送至中央服務(wù)器；

8、步驟4、中央服務(wù)器對接收的各個(gè)共享表示層參數(shù)進(jìn)行聚合，更新參數(shù)，得到全局模型，并將全局模型參數(shù)下發(fā)至各客戶端；

9、s5、重復(fù)執(zhí)行s3至s4，至模型收斂或達(dá)到最大迭代次數(shù)，得到滾動軸承壽命預(yù)測模型；

10、s6、基于所述滾動軸承壽命預(yù)測模型對軸承壽命進(jìn)行預(yù)測。

11、進(jìn)一步地，步驟1具體包括如下過程：

12、首先，計(jì)算均方根值(rms)、均方幅值(sra)、峭度(ku)和裕度因數(shù)(mf)4個(gè)時(shí)域特征的單調(diào)性指標(biāo)：

13、

14、式中，為特征值的變化差異，為差異值大于0的個(gè)數(shù)；

15、其次，計(jì)算上述4個(gè)時(shí)域特征的趨勢性指標(biāo)：

16、

17、式中，xn和yn分別代表特征值和時(shí)間值；

18、根據(jù)單調(diào)性和趨勢性指標(biāo)確定構(gòu)建綜合指標(biāo)的權(quán)重：

19、

20、式中，ωi代表各個(gè)時(shí)域指標(biāo)的權(quán)重；

21、構(gòu)建時(shí)域綜合指標(biāo)ci，即：

22、ci＝ω1×urms+ω2×usra+ω3×uku+ω4×umf

23、然后，根據(jù)綜合指標(biāo)的均值和標(biāo)準(zhǔn)差設(shè)定失效閾值，即：

24、th＝λ+μ

25、式中，λ代表ci的標(biāo)準(zhǔn)差，μ代表ci的均值，th為閾值；

26、最后，將時(shí)域綜合指標(biāo)ci首次超過設(shè)定閾值時(shí)所對應(yīng)的時(shí)間作為軸承性能退化曲線的第一預(yù)測時(shí)間fpt點(diǎn)；

27、高風(fēng)險(xiǎn)退化點(diǎn)hrdt確定方法為：

28、th＝3(λ+μ)

29、多級退化標(biāo)簽的確定公式為：

30、

31、式中，tf表示fpt時(shí)刻，tn表示當(dāng)前時(shí)間，th表示hrdt時(shí)刻，tw代表全壽命時(shí)間。

32、進(jìn)一步地，步驟2中所述網(wǎng)絡(luò)模型包括堆疊的4個(gè)seresnet塊，所述seresnet模塊的relu激活函數(shù)之前均構(gòu)建有bn歸一化層，同時(shí)在seresnet模塊之后均連接有最大池化層，接著連接3個(gè)convlstm塊，最后通過全連接層得到軸承退化特征。

33、進(jìn)一步地，步驟3中本地客戶端使用隨機(jī)梯度下降的方法對接收的共享表示層和本地個(gè)性化層一起迭代更新，至達(dá)到本地更新迭代次數(shù)；

34、所述聯(lián)邦學(xué)習(xí)模型的優(yōu)化目標(biāo)是：

35、

36、式中，n為數(shù)據(jù)集樣本個(gè)數(shù)，nk為第k個(gè)用戶的樣本數(shù)，fk(ω)為第k個(gè)用戶的損失。

37、本發(fā)明提供了一種基于參數(shù)解耦個(gè)性化聯(lián)邦的不同工況下滾動軸承壽命預(yù)測系統(tǒng)，該系統(tǒng)具有與上述技術(shù)方案任一項(xiàng)所述方法的步驟對應(yīng)的程序模塊，運(yùn)行時(shí)執(zhí)行上述的基于參數(shù)解耦個(gè)性化聯(lián)邦的不同工況下滾動軸承壽命預(yù)測方法中的步驟。

38、本發(fā)明提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為由處理器調(diào)用時(shí)實(shí)現(xiàn)上述技術(shù)方案中任一項(xiàng)所述的基于參數(shù)解耦個(gè)性化聯(lián)邦的不同工況下滾動軸承壽命預(yù)測方法中的步驟。

39、相較于現(xiàn)有技術(shù)，本發(fā)明的有益效果是：

40、(1)提出一種多級退化標(biāo)簽表示方法，用于對軸承不同階段的退化數(shù)據(jù)進(jìn)行標(biāo)記。

41、(2)提出基于改進(jìn)的堆疊seresnet與convlstm的滾動軸承本地預(yù)測模型，充分挖掘退化特征進(jìn)而提高預(yù)測準(zhǔn)確率。

42、(3)提出一種適用于滾動軸承剩余使用壽命預(yù)測的參數(shù)解耦個(gè)性化聯(lián)邦學(xué)習(xí)算法。該算法能夠?qū)⒈镜仡A(yù)測模型seresnet-convlstm解耦為共享表示層和個(gè)性化層，針對每個(gè)客戶端數(shù)據(jù)建立單獨(dú)的個(gè)性化預(yù)測模型，在保護(hù)數(shù)據(jù)隱私的同時(shí)，實(shí)現(xiàn)不同工況下滾動軸承壽命預(yù)測。

43、(4)本發(fā)明方法具有普適性，在不同數(shù)據(jù)集下訓(xùn)練的模型均表現(xiàn)出良好的性能，能夠有效適應(yīng)不同工況軸承下的使用壽命預(yù)測需求。