本發(fā)明屬于軸承故障檢測，具體涉及一種基于貝葉斯優(yōu)化的dcae-rnn的滾動(dòng)軸承早期故障預(yù)測方法。

背景技術(shù)：

1、滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的重要組成部分，在運(yùn)行過程中往往由于惡劣的工作環(huán)境、高負(fù)載、高轉(zhuǎn)速運(yùn)轉(zhuǎn)以及制造質(zhì)量等因素產(chǎn)生故障，嚴(yán)重影響了機(jī)械設(shè)備的運(yùn)轉(zhuǎn)及工業(yè)生產(chǎn)。準(zhǔn)確診斷滾動(dòng)軸承的初始故障可以有效防止機(jī)械損壞和人員傷亡。滾動(dòng)軸承的初始故障特征的信息非常弱，且常常伴隨著背景噪聲，難以有效提取早期故障特征。如何有效診斷滾動(dòng)軸承在實(shí)際運(yùn)行環(huán)境下的初始故障，一直是機(jī)械設(shè)備維修管理領(lǐng)域的一個(gè)難題。

2、由于滾動(dòng)軸承早期故障特征的信息難以有效提取。目前早期故障的主要方法有數(shù)學(xué)模型和數(shù)據(jù)驅(qū)動(dòng)的方法。數(shù)學(xué)建模方法依靠旋轉(zhuǎn)機(jī)械運(yùn)行時(shí)傳感器采集的信號(hào)進(jìn)行故障診斷，分別在時(shí)域、頻域和時(shí)頻域進(jìn)行分析，并從信號(hào)中提取大量特征參數(shù)作為傳統(tǒng)故障診斷的準(zhǔn)則。然而，隨著工業(yè)材料的復(fù)雜化、多樣化，不同的滾動(dòng)軸承材料不盡相同，且滾動(dòng)軸承在運(yùn)行過程中受到相關(guān)部件的耦合作用，這導(dǎo)致對(duì)于物理失效模型的建立最終可能只能求取近似解，使rul的預(yù)測精度不夠。時(shí)域特征(均方差根值，峭度)被廣泛應(yīng)用于軸承性能評(píng)估。chen?z?q等在《shock?and?vibration》提出了基于均方差根值(rms)的時(shí)域統(tǒng)計(jì)指標(biāo)用于滾動(dòng)軸承狀態(tài)識(shí)別，rms反應(yīng)信號(hào)能量，且振幅值隨時(shí)間變化越緩慢，其效果越明顯，很顯然相對(duì)于弱早期故障幅值無效。yuan?y?l等在《new?technology&new?process》基于峭度(kurtosis)的時(shí)域統(tǒng)計(jì)指標(biāo)來進(jìn)行滾動(dòng)軸承狀態(tài)識(shí)別，由于峭度對(duì)沖擊信號(hào)有較大的反應(yīng)，所以對(duì)早期異常故障信號(hào)有較大的反應(yīng)，因而對(duì)早期異常故障信號(hào)有較高的敏感性，但對(duì)于微小波動(dòng)的情況，可能出現(xiàn)敏感度過高造成虛警，而影響滾動(dòng)軸承故障評(píng)估的可靠性。而且滾動(dòng)軸承運(yùn)行過程中振動(dòng)的不確定性引起的波動(dòng)對(duì)軸承運(yùn)行狀態(tài)的預(yù)測有很大的影響。因此時(shí)域特征分析不利于滾動(dòng)軸承的早期故障預(yù)測。

3、數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法可以自動(dòng)學(xué)習(xí)豐富不同的特征，具有較強(qiáng)的特征提取能力，使其應(yīng)用于滾動(dòng)軸承的初始故障研究成為可能。而且基于深度學(xué)習(xí)的rul預(yù)測方法能夠充分利用深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)的處理能力，對(duì)于物理知識(shí)的依賴程度較弱，無需使用過多的專家經(jīng)驗(yàn)及信號(hào)處理知識(shí)。李恒等在《振動(dòng)與沖擊》文獻(xiàn)中提出將滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行短時(shí)傅里葉變換，使用得到的時(shí)頻譜樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neuralnetworks,cnn)，對(duì)不同類型的故障有較高的識(shí)別精度。zhang?x?y等在《measurement》文獻(xiàn)中提出的單類支持向量機(jī)(support?vector?machine,svm)方法雖然能夠向高維空間中進(jìn)行了映射，但對(duì)于大規(guī)模的訓(xùn)練數(shù)據(jù)比較困難，尤其是進(jìn)行超參數(shù)的智能調(diào)優(yōu)的過程時(shí)，會(huì)投入大量的時(shí)間和精力。以上神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的樣本之間是相互獨(dú)立的，數(shù)據(jù)之間具有的時(shí)序相關(guān)性被忽略。長短時(shí)記憶(long?short-term?memory?network,lstm)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network,rnn)，在涉及序列數(shù)據(jù)廣泛的機(jī)器學(xué)習(xí)問題中是有效的。與rnn相比有效緩解了rnn中的梯度消失問題，使得它能夠在處理長序列時(shí)，捕捉并保留長期依賴信息。但在相同的硬件條件下，lstm的訓(xùn)練和推理速度通常比rnn慢，需要消耗更多的計(jì)算資源。杜小磊等提出了一種基于深層小波卷積自編碼器和lstm的軸承故障診斷模型，利用小波自編碼提取故障特征進(jìn)行l(wèi)stm網(wǎng)絡(luò)訓(xùn)練，進(jìn)行故障診斷。趙建鵬等使用經(jīng)驗(yàn)?zāi)B(tài)分解數(shù)據(jù)進(jìn)行特征參量的提取，并輸入到lstm網(wǎng)絡(luò)中預(yù)測下一刻旋轉(zhuǎn)機(jī)械的工作狀態(tài)。但這些方法都存在網(wǎng)絡(luò)模型使用簡單，提取數(shù)據(jù)的時(shí)序關(guān)聯(lián)特性機(jī)理不確切等問題。wang?q等在《measurement》文獻(xiàn)中建立多個(gè)深度自編碼器模型提取特征，采用聚類方法選擇原始特征集，提高了軸承的預(yù)測精度。xu?f等在《measurement》文獻(xiàn)中提出了一種基于移動(dòng)窗口的指數(shù)函數(shù)堆疊自編碼器特征提取方法，結(jié)合斜率局部最小點(diǎn)來提取退化趨勢，提高其單調(diào)性。然而，自編碼器在使用時(shí)往往忽略自編碼器隱藏層數(shù)據(jù)的內(nèi)部分布，導(dǎo)致在特征提取時(shí)的有效性受到限制。李軍懷等在《一種基于dcae-lstm短期日負(fù)荷曲線預(yù)測方法》專利中將卷積神經(jīng)網(wǎng)絡(luò)引入去噪自編碼器(dae),使用卷積層代替去噪自編碼器的全連接層,得到卷積去噪自編碼器,卷積去噪自編碼器中每個(gè)神經(jīng)元由卷積神經(jīng)元組成；得到去噪的數(shù)據(jù)。本專利使用基于貝葉斯優(yōu)化的sdae模型和收縮自編碼器(cae)來構(gòu)成dcae模型，在實(shí)現(xiàn)數(shù)據(jù)去噪的同手，增強(qiáng)了特征學(xué)習(xí)的魯棒性。

4、越深的網(wǎng)絡(luò)和越多的節(jié)點(diǎn)個(gè)數(shù)往往會(huì)使學(xué)習(xí)效果和擬合效果越好，但也會(huì)增加超參數(shù)的個(gè)數(shù)。超參數(shù)是模型訓(xùn)練開始前設(shè)置的一系列參數(shù)，列如隱藏層的數(shù)量、每層的節(jié)點(diǎn)個(gè)數(shù)、迭代次數(shù)和學(xué)習(xí)率等，模型的超參數(shù)具有選取困難、沒有規(guī)律性的特點(diǎn)，而且不同超參數(shù)之間存在無法預(yù)知的影響，每個(gè)超參組合的評(píng)估需要進(jìn)行大量的迭代計(jì)算。不同的超參數(shù)組合會(huì)影響模型的最終準(zhǔn)確率和平穩(wěn)性，通常需要大量的超參數(shù)實(shí)驗(yàn)來確定模型最終的超參數(shù)組合，耗費(fèi)大量的時(shí)間和精力。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提出了一種基于貝葉斯優(yōu)化的dcae-rnn的滾動(dòng)軸承早期故障預(yù)測方法，設(shè)計(jì)合理，解決了現(xiàn)有技術(shù)的不足，具有良好的效果。

2、一種基于貝葉斯優(yōu)化的dcae-rnn的滾動(dòng)軸承早期故障預(yù)測方法，包括以下步驟：

3、s1、獲取滾動(dòng)軸承正常狀態(tài)下的歷史振動(dòng)信號(hào)，建立訓(xùn)練集；

4、s2、構(gòu)建dcae-rnn模型，所述dcae-rnn模型包括dcae模型和rnn模型，所述dcae包括輸入層、三個(gè)隱藏層和輸出層，第一隱藏層和第二隱藏層均由堆疊去噪自編碼器sade組成，第三隱藏層由收縮自編碼器cae組成；

5、所述dcae模型用于提取滾動(dòng)軸承振動(dòng)信號(hào)的深度特征，所述rnn模型用于提取深度特征之間的時(shí)序關(guān)聯(lián)特性；

6、s3、通過貝葉斯優(yōu)化算法，得到dcae模型的最優(yōu)超參數(shù)組合；

7、s4、采用訓(xùn)練集對(duì)dcae-rnn模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的dcae-rnn模型；

8、s5、將滾動(dòng)軸承運(yùn)行的實(shí)時(shí)振動(dòng)信號(hào)輸入到訓(xùn)練好的dcae-rnn模型，利用模型輸出的預(yù)測值與真實(shí)值進(jìn)行殘差計(jì)算，檢測滾動(dòng)軸承早期故障。

9、進(jìn)一步地，所述s1中，構(gòu)建滾動(dòng)軸承試驗(yàn)臺(tái)，包括交流電機(jī)、電機(jī)調(diào)速控制器、支撐軸、兩個(gè)支撐軸承、液壓加載系統(tǒng)、加速度傳感器，所述交流電機(jī)用于提供轉(zhuǎn)速，液壓加載系統(tǒng)用于提供徑向力；采用滾動(dòng)軸承試驗(yàn)臺(tái)對(duì)滾動(dòng)軸承分別進(jìn)行加速退化試驗(yàn)，利用加速度傳感器采集滾動(dòng)軸承從運(yùn)行到失效的振動(dòng)信號(hào)，并將歷史正常信號(hào)作為sdae模型、cae模型和rnn模型的訓(xùn)練和測試集，將全生命周期數(shù)據(jù)作為dcae-rnn模型的訓(xùn)練和測試集。

10、進(jìn)一步地，所述sade的編解碼方程如下：

11、

12、其中，為編碼后的特征，fe(·)為輸入層到輸出層的編碼函數(shù)，ah為表示輸入數(shù)據(jù)經(jīng)線性變換的結(jié)果，σ(·)為sigmoid激活函數(shù)，wxh為其權(quán)重值，為輸入向量，bxh為偏置值，為重構(gòu)的輸入數(shù)據(jù)，fd(·)為隱藏層到輸出函數(shù)的解碼函數(shù)，whr為權(quán)重值，bhr為其偏置值；

13、因此，sdae的重構(gòu)誤差為：

14、

15、cae的重構(gòu)誤差為：

16、

17、

18、其中，jcae為收縮自編碼器的總損失函數(shù)，θ表示權(quán)重，l(x,r)為收縮自編碼器的重構(gòu)誤差，λ為收縮因子，為收縮懲罰項(xiàng)，jh(x)是雅可比矩陣，hi為第i個(gè)編碼器的輸出，即隱藏層特征，i＝1,...,m，xj為第j個(gè)輸入數(shù)據(jù)，j＝1,...,n。

19、進(jìn)一步地，所述s3中，包括如下步驟：

20、s3.1、設(shè)置各超參數(shù)的取值范圍，超參數(shù)包含sdae和cae模型的隱藏層層數(shù)，隱藏層神經(jīng)元個(gè)數(shù)，優(yōu)化函數(shù)和激活函數(shù)，然后分別通過如下步驟，分別對(duì)sdae和cae進(jìn)行超參數(shù)尋優(yōu)；

21、s3.2、首先基于設(shè)置的超參數(shù)的取值范圍，通過采樣算法獲取超參數(shù)的候選組合，作為超參數(shù)搜索空間；

22、s3.3、輸入候選組合，訓(xùn)練sdae模型和cae模型，輸出候選組合在驗(yàn)證集上的預(yù)測準(zhǔn)確率；

23、s3.4、采用高斯過程回歸方法，計(jì)算不同候選組合在驗(yàn)證集上的預(yù)測準(zhǔn)確率之間的回歸函數(shù)；

24、s3.5、將回歸函數(shù)作為高斯過程中的先驗(yàn)分布，遍歷超參數(shù)搜索空間，獲得準(zhǔn)確率最大的回歸函數(shù)作為目標(biāo)函數(shù)；

25、s3.6、基于高斯過程回歸，根據(jù)公式(7)構(gòu)建后驗(yàn)概率分布p(e∣d)：

26、

27、式中，p(e∣d)為給定e的情況下，訓(xùn)練數(shù)據(jù)d出現(xiàn)的概率；p(e)為e的先驗(yàn)概率；p(d)為數(shù)據(jù)d出現(xiàn)的概率；

28、s3.7、輸入目標(biāo)函數(shù)，通過貝葉斯算法迭代求解，輸出預(yù)測準(zhǔn)確率最大的對(duì)應(yīng)的超參數(shù)的組合，作為最優(yōu)超參數(shù)組合xn＝[x1,x2,…,xn]；

29、s3.8、根據(jù)獲取的最優(yōu)超參數(shù)組合設(shè)置sdae和cae模型；對(duì)整個(gè)dcae-rnn模型的預(yù)測準(zhǔn)確率進(jìn)行檢測，判斷模型是否滿足精度要求，若滿足要求，則模型超參數(shù)為xn,，如不滿足精度要求，則擴(kuò)大貝葉斯尋優(yōu)范圍重復(fù)上述步驟對(duì)sdae和cae的超參數(shù)重新進(jìn)行貝葉斯尋優(yōu)。

30、進(jìn)一步地，所述s4中，將訓(xùn)練集中的數(shù)據(jù)重排為與dcae模型的輸入層神經(jīng)元維度相同的數(shù)據(jù)集y，根據(jù)式(1)～(3)，采用數(shù)據(jù)集y對(duì)超參數(shù)優(yōu)化后的sdae進(jìn)行訓(xùn)練，將sdae的輸出層作為cae的輸入層，根據(jù)式(4)～(6)對(duì)超參數(shù)優(yōu)化后的cae進(jìn)行訓(xùn)練，從而得到訓(xùn)練后的dcae模型；將經(jīng)過dcae模型重構(gòu)的數(shù)據(jù)作為rnn的輸入，構(gòu)建dcae-rnn模型。

31、進(jìn)一步地，所述s5中，將預(yù)測值與實(shí)時(shí)數(shù)據(jù)的真實(shí)值進(jìn)行殘差計(jì)算，得到重構(gòu)誤差，通過支持向量數(shù)據(jù)描述svdd判斷重構(gòu)誤差是否超過設(shè)置的閾值，若超過閾值，則滾動(dòng)軸承出現(xiàn)早期故障，進(jìn)行報(bào)警。

32、本發(fā)明帶來的有益技術(shù)效果：

33、本發(fā)明方法可以很好地描述滾動(dòng)軸承的運(yùn)行狀態(tài)，更早更穩(wěn)定的預(yù)測出滾動(dòng)軸承的早期故障并具有較高的準(zhǔn)確性和魯棒性，而且模型具有輕量化的特點(diǎn)便于部署，這對(duì)于滾動(dòng)軸承運(yùn)行狀態(tài)的退化監(jiān)測非常重要。