本發(fā)明屬于旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測，具體涉及一種基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、近年來，以故障診斷、故障監(jiān)測和剩余使用壽命(rul)預(yù)測在內(nèi)的預(yù)后和健康管理(phm)成為工業(yè)應(yīng)用領(lǐng)域研究的熱點。phm通過使用各種智能算法和模型評估機(jī)械系統(tǒng)的健康狀況，從而有效地提升機(jī)械系統(tǒng)運行可靠性。由于機(jī)械系統(tǒng)的各個零件工作強(qiáng)度和連續(xù)使用時間不一致，導(dǎo)致難以準(zhǔn)確地獲取設(shè)備退化特征。因此，對滾動軸承進(jìn)行高效、準(zhǔn)確地rul預(yù)測，確保旋轉(zhuǎn)設(shè)備穩(wěn)定運行和安全生產(chǎn)具有重大意義。

2、目前，rul預(yù)測方法主要分為三類：即基于物理模型的預(yù)測方法、基于數(shù)據(jù)驅(qū)動的預(yù)測方法和混合方法。基于物理模型的預(yù)測方法需要建立一個精確描述機(jī)械系統(tǒng)退化的物理模型進(jìn)行rul預(yù)測。常見的方法有粒子濾波、wiener過程模型和艾林模型。然而，這種方法在構(gòu)建rul預(yù)測模型過程中需要足夠多的先驗知識，這對于日益智能化和復(fù)雜化的機(jī)械系統(tǒng)來說往往是不現(xiàn)實的。隨著傳感器技術(shù)和存儲技術(shù)的快速發(fā)展，基于數(shù)據(jù)驅(qū)動的預(yù)測方法已逐漸成為phm領(lǐng)域的主流。例如：cao等人使用信號處理技術(shù)獲得振動信號邊際譜，并將其輸入到時間卷積網(wǎng)絡(luò)進(jìn)行特征提取，最終取得了較好的預(yù)測性能。jiang等人提出了一種具有時間窗級聯(lián)的卷積雙通道transformer網(wǎng)絡(luò)，從時域和頻域的角度提取退化特征。shi等人使用多個堆疊稀疏自編碼器從原始數(shù)據(jù)的不同特征域中學(xué)習(xí)不同的退化特征，用于刀具磨損預(yù)測。這些方法表明，通過信號處理技術(shù)從歷史數(shù)據(jù)中挖掘更多的特征是提高預(yù)測準(zhǔn)確性的有效途徑。然而，軸承的退化數(shù)據(jù)經(jīng)常受到噪聲干擾，如何降低噪聲干擾，從而提升滾動軸承剩余使用壽命(rul)仍然具有挑戰(zhàn)性。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測方法及系統(tǒng)，實現(xiàn)更高精度的剩余壽命預(yù)測。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測方法，包括以下步驟：

4、采集軸承生命周期內(nèi)的振動信號；

5、對所述振動信號進(jìn)行小波分解，獲得低頻信號以及高頻信號；

6、基于雙流時間卷積網(wǎng)絡(luò)分別對所述低頻信號以及所述高頻信號進(jìn)行退化特征提取，并將提取的所述退化特征進(jìn)行融合，獲得融合退化特征；

7、基于均方誤差損失以及所述融合退化特征，進(jìn)行基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測，獲得滾動軸承剩余壽命預(yù)測結(jié)果。

8、優(yōu)選的，將daubechies小波作為母小波對所述振動信號進(jìn)行5級小波變換，獲得所述低頻信號以及所述高頻信號的公式為：

9、

10、式中，xa,l表示第a層的低頻信號，xa,h表示第a層的高頻信號，g[k]表示小波函數(shù)，h[k]表示尺度函數(shù)，n表示離散信號所在的位置。

11、優(yōu)選的，所述雙流時間卷積網(wǎng)絡(luò)包括混合注意力時間卷積層以及融合層；其中，基于所述混合注意力時間卷積層進(jìn)行退化特征提取，基于所述融合層進(jìn)行所述退化特征的融合。

12、優(yōu)選的，所述混合注意力時間卷積層包括擴(kuò)張因果卷積、批量歸一化、激活函數(shù)、時間注意力和通道注意力；基于所述混合注意力時間卷積層進(jìn)行退化特征提取的方法為：

13、基于所述擴(kuò)張因果卷積對所述低頻信號以及所述高頻信號分別進(jìn)行特征提取，獲得低頻退化特征以及高頻退化特征；

14、基于所述批量歸一化分別對所述低頻退化特征以及所述高頻退化特征進(jìn)行歸一化處理，并基于所述激活函數(shù)對歸一化處理后的所述低頻退化特征以及所述高頻退化特征進(jìn)行處理；

15、激活函數(shù)處理后的所述低頻退化特征以及所述高頻退化特征均通過所述時間注意力以所述通道注意力進(jìn)行注意加權(quán)，獲得增強(qiáng)低頻退化特征以及增強(qiáng)高頻退化特征。

16、優(yōu)選的，所述融合層包括全局平均池化層以及softmax函數(shù)，基于所述融合層進(jìn)行退化特征融合的方法為：

17、基于所述全局平均池化層分別對所述增強(qiáng)低頻退化特征以及所述增強(qiáng)高頻退化特征進(jìn)行壓縮展平，獲得低頻全局特征以及高頻全局特征；

18、將所述低頻全局特征以及所述高頻全局特征進(jìn)行拼接，獲得全局退化特征，并對所述全局退化特征進(jìn)行降維；

19、基于所述softmax函數(shù)對降維后的所述全局退化特征進(jìn)行權(quán)值分配，獲得重新分配的低頻退化特征以及重新分配的高頻退化特征；

20、將所述低頻退化特征與重新分配的低頻退化特征的通道乘積以及所述高頻退化特征與重新分配的高頻退化特征的通道乘積相加，獲得所述融合退化特征。

21、本發(fā)明還提供一種基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測系統(tǒng)，用于實現(xiàn)所述剩余壽命預(yù)測方法，包括：

22、采集模塊，用于采集軸承生命周期內(nèi)的振動信號；

23、小波分解模塊，用于對所述振動信號進(jìn)行小波分解，獲得低頻信號以及高頻信號；

24、特征提取融合模塊，用于基于雙流時間卷積網(wǎng)絡(luò)分別對所述低頻信號以及所述高頻信號進(jìn)行退化特征提取，并將提取的所述退化特征進(jìn)行融合，獲得融合退化特征；

25、壽命預(yù)測模塊，用于基于均方誤差損失以及所述融合退化特征，進(jìn)行基于雙流時間卷積網(wǎng)絡(luò)的滾動軸承剩余壽命預(yù)測，獲得滾動軸承剩余壽命預(yù)測結(jié)果。

26、優(yōu)選的，所述雙流時間卷積網(wǎng)絡(luò)包括混合注意力時間卷積層以及融合層；所述特征提取融合模塊包括：

27、特征提取單元，用于基于所述混合注意力時間卷積層進(jìn)行退化特征提??；

28、特征融合單元，用于基于所述融合層進(jìn)行所述退化特征的融合。

29、優(yōu)選的，所述特征提取單元包括：

30、擴(kuò)張因果卷積子單元，用于基于所述擴(kuò)張因果卷積對所述低頻信號以及所述高頻信號分別進(jìn)行特征提取，獲得低頻退化特征以及高頻退化特征；

31、處理子單元，用于基于所述批量歸一化分別對所述低頻退化特征以及所述高頻退化特征進(jìn)行歸一化處理，并基于所述激活函數(shù)對歸一化處理后的所述低頻退化特征以及所述高頻退化特征進(jìn)行處理；

32、注意加權(quán)子單元，用于激活函數(shù)處理后的所述低頻退化特征以及所述高頻退化特征均通過所述時間注意力以所述通道注意力進(jìn)行注意加權(quán)，獲得增強(qiáng)低頻退化特征以及增強(qiáng)高頻退化特征。

33、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

34、1.本發(fā)明使用小波變換對軸承振動信號進(jìn)行數(shù)據(jù)處理，能夠有效地抑制原始數(shù)據(jù)中的噪聲干擾，從而提升剩余壽命預(yù)測的準(zhǔn)確性；

35、2.本發(fā)明設(shè)計了一種混合注意力時間卷積塊(hatcb)，并通過多個堆疊的hatcb捕獲小波分解之后得到的低頻信號和高頻信息的退化特征。此外，在全連接層之前使用融合模塊進(jìn)行特征重新校準(zhǔn)與分配，最后實現(xiàn)rul的預(yù)測。

36、3.本發(fā)明所提出的雙流時間卷積網(wǎng)絡(luò)能夠充分利用歷史數(shù)據(jù)。通過一個生命周期數(shù)據(jù)集驗證了所提方法的有效性，結(jié)果表明，該方法在rul預(yù)測和預(yù)后分析方面比其他方法具有更好的準(zhǔn)確性。