开云优惠体育网页版入口

专利名称：一种深度聚类判断退化点的旋转机构剩余寿命预测方法

专利类型：发明专利

专利申请号：CN202310947026.6

专利申请（专利权）人：内蒙古工业大学
权利人地址：内蒙古自治区呼和浩特市新城区爱民路(北)49号

专利发明（设计）人：郭世杰,刘彪,唐术锋,邹云鹤,萨日娜,张文志

专利摘要：本发明提供了一种深度聚类判断退化点的旋转机构剩余寿命预测方法，涉及深度学习技术领域。本发明具体包括以下步骤：搭建旋转机构加速寿命试验台设计加速寿命试验采集数据；对实验数据进行筛选选取有效数据；对数据使用DCEC处理选取其退化点；对寿命标签进行归一化方法处理，并划分训练集和测试集；采用DBO对CNN?LSTM网络超参数寻优，建立DBO?CNN?LSTM的旋转机构寿命预测模型；将测试集输入到训练好的剩余寿命预测模型中，得到旋转机构剩余寿命预测结果；本发明寿命标签的选择更符合旋转机构的机理，并根据特征选取退化点，有效提升预测精度且泛化性好。

主权利要求：
1.一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：包括以下步骤：步骤1：搭建旋转机构加速寿命实验台，设计加速寿命实验，利用传感器采集其从健康状态到故障状态的全过程信号，信号的组数即表示寿命的长度由全寿命采样次数决定，每组信号内数量由采样频率和采样时间决定；
步骤2：整理采集到的信号，将其信号分为健康状态和退化状态；
步骤3：将步骤2得到的健康状态和退化状态反应为寿命标签，将寿命标签进行归一化，将其寿命标签放置在[0，1]之间；
步骤4：将步骤3得到的数据划分为训练集和测试集；
步骤5：将步骤4得到的数据输入至寿命预测网络中，并优化其超参数；
步骤6：输出优化后网络得到的剩余使用寿命；
其中，在步骤3中：将其信号分为健康状态和退化状态，将每组数据分别进行深度卷积嵌入式聚类算法DCEC中进行无监督聚类，这里为二分类；通过上述聚类后得到的结果，即判断轴承退化区长度选。唤莸氖倜昵┌凑胀嘶憬泄橐换，轴承退化阶段的计算公式：根据选取的退化点将退化点以前的健康状态寿命标签赋值为1；式中：h为退化阶段的数据数量，mi为退化阶段采集次数的第i次，当其值为0时认定此机构完全失效。
2.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤4中，数据训练集和测试集划分的具体操作为：将采集数据实验的最后一组数据作为测试集，其余作为训练集。
3.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤5中，优化寿命预测网络的具体结构为：构建蜣螂优化算法优化的CNN?LSTM网络模型；网络结构第一层为输入层，大小由步骤1采集到的每组信号内数量决定；随后为多个一维卷积层，卷积层的层数和卷积核的个数由蜣螂优化算法优化得到；进而为LSTM层，LSTM层的隐藏层神经元个数由蜣螂优化算法优化得到；然后是两层全连接层，第一层全连接层的隐藏层神经元个数由蜣螂优化算法优化得到；最后为回归输出层；另外，还通过蜣螂优化算法优化得到学习率和批量大小这两个超参数。
4.根据权利要求1所述的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其特征在于：所述的步骤6中，输出的预测结果包括：训练集和测试集的RMSE值，以及训练集和测试集的训练预测效果图；
评价指标RMSE的计算公式为：
式中：N为样本的数据量，Yi为第i个数据的真实寿命值；YPi为第i个数据的预测寿命值。 说明书 : 一种深度聚类判断退化点的旋转机构剩余寿命预测方法技术领域[0001] 本发明涉及深度学习技术领域，尤其涉及一种深度聚类判断退化点的旋转机构剩余寿命预测方法。背景技术[0002] 旋转机构在如今机械结构中十分常见，如轴承、齿轮、谐波减速器等。由于这些机构在工作中存在频繁接触摩擦等工作形式，其成为了机械设备中的易损部件。一旦其发生故障往往会导致整个机械设备产生宕机，造成巨大的损失。因此对旋转机构进行寿命预测成为了机械设备健康管理的重要一项，对旋转机构进行寿命预测可以提前洞悉设备的健康状态为设备维护或后续停机更换设备做准备。[0003] 目前，对旋转机构做寿命预测的方法主要可以分为两类：基于模型驱动和基于数据驱动的方法；其中，基于模型驱动的方法是指根据机构的结构特点和退化机制运用物理模型和机械知识来预测旋转机构的寿命的方法。该方法利用对机械系统行为的建模，通过系统的对机构磨损、劣化和故障机理的理解，来估计旋转机构的寿命；但是其存在建模困难、模型不具有泛化性的缺点。[0004] 基于数据驱动的方法则是指利用机构运行时的历史数据来预测旋转机构寿命的方法。这种方法通过对历史数据特征判断来预测未来的寿命，并且不过多的依赖于对机构机理的详细理解；此外，基于深度学习数据驱动的寿命预测方法还具备捕捉数据深层次特点，灵活性和泛化性更强等优点；因此，使用数据驱动的方法对旋转机构进行寿命预测更受欢迎。[0005] 但是，目前基于深度学习的寿命预测方法还存在以下不足：(1)虽然深度学习方法预测寿命不需要过多的对机构机理的研究，但在寿命标签设定时需要根据机构的状态进行健康状态和退化状态区分，单纯的将采集到的信号寿命认为斜线退化是不合理的；(2)使用一些方法对健康状态和退化状态进行区分并没有考虑后续预测网络提取的特征内容是否与退化点选取所依赖的特征是否一致；(3)在网络结构固定后，对预测效果影响最大的就是超参数的选取。[0006] 基于此，本发明设计的深度聚类判断退化点的旋转机械剩余寿命预测方法来解决上述技术问题。发明内容[0007] 为解决上述技术问题，本发明提供的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，包括以下步骤：[0008] 步骤1：搭建旋转机构加速寿命实验台，设计加速寿命实验，利用传感器采集其从健康状态到故障状态的全过程信号，信号的组数即表示寿命的长度由全寿命采样次数决定，每组信号内数量由采样频率和采样时间决定；[0009] 步骤2：整理采集到的信号，将其信号分为健康状态和退化状态；[0010] 步骤3：将步骤2得到的健康状态和退化状态反应为寿命标签，将寿命标签进行归一化，将其寿命标签放置在[0，1]之间；[0011] 步骤4：将步骤3得到的数据划分为训练集和测试集；[0012] 步骤5：将步骤4得到的数据输入至寿命预测网络中，并优化其超参数；[0013] 步骤6：输出优化后网络得到的剩余使用寿命。[0014] 作为更进一步的解决方案，所述的步骤2中，整理数据的具体操作为：[0015] 整理采集到的数据，剔除突发故障或不正常退化的实验数据；[0016] 将剩下的符合条件的数据使用与后续CNN?LSTM寿命预测更吻合的包含卷积特征提取的深度聚类判断退化点的起始位置。[0017] 作为更进一步的解决方案，所述的步骤3中，数据归一化的具体操作为：[0018] 根据选取的退化点将健康状态寿命标签赋值为1；[0019] 将退化状态寿命标签计算公式为：[0020][0021] 式中：h为退化阶段的数据数量，mi为退化阶段采集次数的第i次。当其值为0时认定此机构完全失效。[0022] 作为更进一步的解决方案，所述的步骤4中，数据训练集和测试集划分的具体操作为：[0023] 将采集数据实验的最后一组数据作为测试集，其余作为训练集。[0024] 作为更进一步的解决方案，所述的步骤5中，优化寿命预测网络的具体结构为：构建蜣螂优化算法优化的CNN?LSTM网络模型；网络结构第一层为输入层，大小由步骤1采集到的每组信号内数量决定；随后为多个一维卷积层，卷积层的层数和卷积核的个数由蜣螂优化算法优化得到；进而为LSTM层，LSTM层的隐藏层神经元个数由蜣螂优化算法优化得到；然后是两层全连接层，第一层全连接层的隐藏层神经元个数蜣螂优化算法优化得到；最后为回归输出层；另外，还通过蜣螂优化算法优化得到学习率和批量大小这两个超参数。[0025] 作为更进一步的解决方案，所述的步骤6中，输出的预测结果包括：[0026] 训练集和测试集的RMSE值，以及训练集和测试集的训练预测效果图；[0027] 评价指标RMSE的计算公式为：[0028][0029] 式中：N为样本的数据量，Yi为第i个数据的真实寿命值；YPi为第i个数据的预测寿命值。[0030] 与相关技术相比较，本发明提供的一种深度聚类判断退化点的旋转机构剩余寿命预测方法具有如下有益效果：[0031] (1)寿命标签的选择更符合旋转机构的机理；[0032] (2)充分发挥选定网络结构的性能，预测准确率高；[0033] (3)根据特征选取退化点更契合后续寿命预测网络，有效提升预测精度，泛化性好。附图说明[0034] 图1为本发明方法的整体流程图；[0035] 图2为本发明方法的健康状态划分图；[0036] 图3为深度卷积嵌入式聚类流程图；[0037] 图4为CNN?LSTM网络结构图；[0038] 图5为DBO?CNN?LSTM流程图；[0039] 图6为预测结果图；[0040] 图7为预测效果RMSE对比图。具体实施方式[0041] 下面结合附图和实施方式对本发明作进一步说明。[0042] 为了解决现有深度学习在旋转机构剩余寿命预测中存在的问题，本发明提供了一种深度卷积嵌入式聚类算法(DeepConvolutionalEmbeddedClustering，DCEC)选取退化点结合蜣螂优化算法(DungBeetleOptimizer，DBO)优化CNN?LSTM的旋转机构剩余寿命预测方法，可以实时预测旋转机构的剩余使用寿命，并获得了很好的预测效果。[0043] 参照图1，可以了解本发明的流程图，包括数据预处理部分和寿命预测部分。结合实例具体步骤如下：[0044] 步骤1：搭建滚动轴承加速寿命试验台，对滚动轴承进行加速寿命试验，使用加速度传感器采集轴承的全寿命振动数据；在一个具体的实施例中，按照表1所示方案进行实验；[0045] 表1：加速寿命试验方案[0046][0047] 此实验为XJTU?SY滚动轴承数据集。一共三种工况，每种工况下实验5个轴承，采样频率为25.6KHz，每隔一分钟采样1.28s得到初始数据；[0048] 步骤2：从15组数据中进行筛。悸鞘奔涑杀狙∪300分钟以内的数据，同时查看数据发现Bearing1?4为突发故障，在构造数据时将其剔除，最后选取的有效轴承数据为Bearing1?1、Bearing1?2、Bearing1?3、Bearing2?2、Bearing2?4、Bearing3?5；[0049] 将前6组作为训练集，最后一组作为测试集，以每一组的第一列水平方向的振动信号作为有效数据；[0050] 步骤3：出于对轴承机理的考虑，轴承并不是一开始就进行退化的，参照图2，需要将轴承进行划分，划分为健康状态和退化状态；[0051] 将每组数据分别进行DCEC中进行无监督聚类，这里为二分类，DCEC的结构参照图3，包括编码部分与解码部分，其是一种基于CAE的改进DEC无监督深度聚类方法；[0052] 改进内容包括：[0053] (1)更新了目标函数，公式为：[0054] L＝Lr+γLc(1)[0055][0056] Lc＝KL(p||q)(3)[0057] 式中：Lr为重构损失，Lc为聚类损失，γ为系数当其为1且重构损失为0时该目标函数为DEC的目标函数，这里其值固定为0.1。[0058] (2)KL代表散度，公式如下：[0059][0060][0061][0062] 式中：qij解释为将样本i分配给聚类j的概率(即软分配)，‖‖2表示欧氏距离，p表示辅助目标分布。[0063] 通过上述聚类后得到的结果，即判断轴承退化区长度选取如表2；[0064] 表2：退化区长度选取[0065][0066] 步骤4：为了防止因退化点值大小而引起的后续RMSE存在不公平对比的现象，将数据的寿命标签按照退化点进行归一化，轴承退化阶段的计算公式如(7)所示：[0067] 根据选取的退化点将退化点以前的健康状态寿命标签赋值为1；[0068][0069] 式中：h为退化阶段的数据数量，mi为退化阶段采集次数的第i次。当其值为0时认定此机构完全失效。[0070] 步骤5：将实验数据按照步骤2所属分为训练集和测试集；[0071] 步骤6：将划分好的数据集输入进所搭建DBO?CNN?LSTM模型中；[0072] 所搭建的CNN?LSTM模型结构参照图4，模型包括输入层、卷积层、LSTM层、全连接层以及输出层；[0073] 每层网络具体的计算公式如下所述：[0074] (1)网络输入层参数即为采集的每组数据中数据的尺寸；[0075] (2)网络卷积层是重要的特征提取部分，公式为：[0076][0077] 式中：J为卷积层的输出，ReLU表示为激活函数，X为当输入数据，表示为卷积操作，Qj为权重，pj为偏差。[0078] (3)网络LSTM层包括遗忘门(f门)、输入门(i门)和输出门(o门)，其公式为：[0079] ft＝σ(Wf·[ht?1,xt]+bf)(9)[0080] it＝σ(Wi·[ht?1,xt]+bi)(10)[0081] Vt＝tanh(WC·[ht?1,xt]+bC)(11)[0082] Ct＝ff·Ct?1+it·Vt(12)[0083] ot＝σ(Wo·[ht?1,xt]+bo)(13)[0084] ht＝ot·tanh(Ct)(14)[0085] 式中：xt表示t时刻输入向量，ht?1表示t?1时刻隐藏层状态，W和b分别权重和偏置项，σ表示sigmoid激活函数，tanh表示为双曲正切激活函数，·表示为元素乘，Vt表示为候选单元状态，Ct表示为新的单元状态。[0086] (4)网络全连接层起到了提取特征的作用，其公式为：[0087] y＝ReLU(Wh+b)(15)[0088] 式中：ReLU表示为激活函数，W和b分别权重和偏置项。[0089] (5)网络输出层负责输出预测值。[0090] 步骤7：为了发挥所搭建网络的最佳性能，使用蜣螂优化算法优化所搭建的CNN?LSTM网络模型的超参数，所优化的项包括卷积层个数、每层卷积层卷积核个数、LSTM层隐藏成神经元个数、第一层全连接层隐藏层神经元个数、学习率和批量大。珼BO?CNN?LSTM的整体流程图参照图5，具体流程为：[0091] (1)初始化网络参数种群数量，规定所优化参数的上下限；[0092] (2)随机产生搜索空间中的若干候选解作为个体；[0093] (3)通过不同种群不同行为进行最优搜索，算法主要包括四个过程：滚球、繁殖、觅食和偷窃；[0094] (4)滚球种群搜索形式分为有障碍物模式和无障碍物模式。无障碍物模式蜣螂利用太阳进行导航位置更新如公式(16)；有障碍模式蜣螂则通过跳舞改变方向位置更新如公式(17)：[0095][0096][0097] 式中：t表示当前迭代次数，xit表示种群中第i只蜣螂在t次迭代中的位置，k位于0到0.2之间代表偏转系数，b的值是位于0到1之间为常数，a的值为1代表方向无偏差，a的值t t t为?1代表方向完全偏差，xworse表示当前种族最差位置，|xi?xworse|表示光强的变化，θ为0、π/2或π时位置不会更新，其他值按公式(16)更新位置。[0098] (5)繁殖组是用一种边界选择策略来模拟蜣螂产卵的区域如公式(18)；确定产卵区域后蜣螂会在此区域内进行产卵，卵的位置更新如公式(19)：[0099][0100][0101] 式中：T表示为最大迭代次数，Lb和Ub分别表示为需要优化的网络参数的上界和下t界，xgbest表示为繁殖组的全局最优，LLb和UUb表示繁殖组产卵的上界和下界(随着迭代次t+1数的变化不断变化)，xi 表示繁殖组第i个雏球的第t次迭代的位置，b1和b2表示两个大小为1×D的独立随机向量，D为问题的维度。[0102] (6)觅食组与繁殖组类似，小蜣螂的觅食区域如公式(20)；确定觅食区域后小蜣螂会在此区域内进行觅食，位置更新如公式(21)：[0103][0104][0105] 式中：Lbb和Ubb表示为觅食区域上界和下界(随着迭代次数的变化不断变化)，txlbest表示为觅食组的全局最优，c1为范围在0到1之间的服从正态分布的随机数，c2为1×D范围在0到1之间的随机向量，其他与繁殖组参数一致。[0106] (7)偷窃组的位置更新如公式(22)：[0107][0108] 式中：g为1×D服从正态分布的随机向量；S为一个常数值，其他与繁殖组觅食组参数一致。[0109] (8)最终通过上述步骤的多次循环迭代寻优，以RMSE为目标，寻找得到CNN?LSTM网络超参数的最优值，RMSE公式如(23)：[0110][0111] 式中：N为样本的数据量，Yi为第i个数据的真实寿命值；YPi为第i个数据的预测寿命值。[0112] 最终得到优化后的超参数结果如表3所示：[0113] 表3：超参数优化结果[0114][0115] 步骤8：将上述得到的CNN?LSTM的最优超参数输入网络中预测旋转机构测试集的寿命，并输出其预测的RMSE误差，最终得到DBO?CNN?LSTM的旋转机构剩余使用寿命预测模型；[0116] 对比选取固定退化150为退化点，优化前后预测RMSE值的对比表如下；[0117] 表4：RMSE对比结果[0118][0119][0120] 训练集和预测集效果参照图6；[0121] 最终得到的评价指标对比参照图7；[0122] 可以看出本方法得到的预测效果相对于固定退化有明显提升，在优化网络中提升效果最大，精度提升约35％；[0123] 如上所述，本发明公开的一种深度聚类判断退化点的旋转机构剩余寿命预测方法，其优点有：[0124] (1)依据旋转机构的机理，对其进行无监督聚类分为健康状态与退化状态；[0125] (2)考虑后续预测网络为卷积提取网络特征，因此选择同样使用了卷积提取调整的深度卷积嵌入式聚类对数据进行退化点选。悠鹾虾笮げ馔纾籟0126] (3)考虑在网络结构固定后，影响预测效果的主要因素为超参数的选。虼瞬捎糜呕惴ㄓ呕涑问⒒油缱钋啃阅埽籟0127] 上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：内蒙古

专利申请日期：2023-07-30

专利公开日期：2024-07-26

专利公告号：CN117034750B