CN106934126A - 基于循环神经网络融合的机械零部件健康指标构造方法 - Google Patents

Abstract

一种基于循环神经网络融合的机械零部件健康指标构造方法，首先获取机械零部件振动信号，计算得到振动信号时域特征序列和频域特征序列；根据时域特征序列和频域特征序列计算相似性特征；对振动信号进行三层小波包变换，得到频带能量比特征；利用特征的综合评价指标筛选出机械零部件退化过程的敏感特征集，用以训练循环神经网络；通过敏感特征集和训练好的循环神经网络可以得到新的机械零部件健康指标RNN‑HI，本发明利用相似性特征和循环神经网络充分挖掘了机械零部件振动信号中的退化信息，不仅便于失效阈值的确定而且提高了寿命预测的精度。

Description

基于循环神经网络融合的机械零部件健康指标构造方法

技术领域

本发明属于机械设备状态监测和寿命预测技术领域，具体涉及一种基于循环神经网络融合的机械零部件健康指标构造方法。

背景技术

在现代工业生产中，机械设备越来越复杂，机械零部件间的联系越来越紧密，由于工作环境复杂多变，机械零部件极易发生不同程度的故障，进而导致整个机械装备无法工作，甚至造成难以估量的经济损失和重大事故。因此，通过机械零部件状态监测实现工作状态的有效识别，进一步实现剩余寿命的精确预测，据此确定机械设备的最优维护时机，使其在发生故障前得到有效预防，延长机械零部件的使用寿命显得十分重要。健康指标的构造是机械零部件状态监测和寿命预测中至关重要的一环，健康指标的好坏直接影响后期寿命预测的准确性。

传统的健康指标构造主要使用现代信号处理方法从原始信号中提取得到，在物理意义上与机械零部件的退化过程密切相关，比如均方根值、峰峰值等。通常健康指标的取值范围受工况影响较大，增大了变工况下机械零部件失效阈值确定的难度；单一的健康指标往往对机械零部件的特定衰退阶段敏感，无法在全寿命周期内表现出良好的趋势性。同时，由于机械零部件振动信号具有复杂多变性，直接使用传统的健康指标难以有效地反映机械零部件的衰退过程。上述缺点可能会导致机械零部件状态监测过程中早期故障难以被及时发现，继而影响寿命预测的精度。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于循环神经网络融合的机械零部件健康指标构造方法，通过信息融合的方法将多种健康指标融合为一个，充分挖掘机械零部件振动信号中的状态信息，实现退化过程的准确表达，同时可以将健康指标的取值控制在恒定范围内，便于失效阈值的确定。

为了达到上述目的，本发明采取的技术方案为：

一种基于循环神经网络融合的机械零部件健康指标构造方法，包括以下步骤：

1)获取机械零部件振动信号，计算振动信号时域特征，得到机械零部件时域特征序列f1＝(f1¹,f1²,...,f1¹¹)，其中f1¹，f1²，…，f1¹¹分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标；对振动信号进行傅里叶变换，得到一个全局谱特征序列f2，并对全局谱特征序列进行平均分割，得到由低频到高频的四个子谱特征序列f3、f4、f5、f6；

2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征：

其中，K为特征序列长度，和分别为初始时刻和t时刻下特征序列的均值，和f_t ⁱ分别为初始时刻和t时刻下特征序列第i个分量的值，得到的相似性特征依次记为F1，F2，F3，F4，F5，F6；

3)对振动信号进行三层小波包变换，依据式(2)计算得到八个频带能量比特征：

其中E_i(i＝1，2，...，8)为小波包各个频带的能量值，为全部小波包频带的能量和，得到的频带能量比特征依次记为F7，F8，F9，F10，F11，F12，F13，F14；

4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1～F14的综合评价指标：

式中：

其中，F_l和t_l分别是第l个观测点的特征值和时间，和分别是全寿命周期内特征序列和时间序列的均值，L是全寿命周期内特征序列的长度，ε(x)是单位阶跃函数，Corr衡量的是特征序列与时间序列的线性相关程度，Mon衡量的是特征序列的单调性；

5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri'，选取Cri'＞0.5的特征作为机械零部件退化过程的敏感特征集；

6)利用全寿命数据集对循环神经网络模型进行训练，其中x_t∈R^N×1为t时刻的敏感特征集，y_t∈[0,1]是相应时刻机械零部件真实退化率，y_t＝0代表机械零部件处于完全健康状态，y_t＝1代表处于完全故障状态，循环神经网络训练过程中的代价函数如式(6)所示：

其中，为循环神经网络模型的输出结果，y_t为真实退化率；

7)测试阶段，将计算得到的敏感特征集作为训练好的循环神经网络的输入，得到新的机械零部件健康指标RNN-HI。

本发明的有益效果为：

本发明构造了新的相似性特征，用来表征机械零部件偏离正常状态的程度，通过特征的综合评价指标筛选出机械零部件退化过程的敏感特征集，利用循环神经网络充分融合与提取敏感特征集中的状态信息，得到新的机械零部件健康指标RNN-HI，能够很好地反映机械零部件的退化趋势，将得到的健康指标用于寿命预测，提高了预测结果的准确度。

附图说明

图1为本发明方法的流程图。

图2为由谱特征序列得到的相似性特征示意图。

图3为长短时记忆模型的结构示意图。

图4为滚动轴承bearing1_1和滚动轴承bearing2_6的全寿命振动信号。

图5为标准化后的综合评价指标。

图6为滚动轴承bearing2_6的寿命预测结果。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述。

参照图1，一种基于循环神经网络融合的机械零部件健康指标构造方法，包括以下步骤：

1)获取机械零部件振动信号，计算机械零部件振动信号时域特征，得到机械零部件时域特征序列f1＝(f1¹,f1²,...,f1¹¹)，其中f1¹，f1²，…，f1¹¹分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波形指标、波形因子、脉冲指标和裕度指标；对振动信号进行傅里叶变换，得到一个全局谱特征序列f2，并对全局谱特征序列进行平均分割，得到由低频到高频的四个子谱特征序列f3、f4、f5、f6；

2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征：

其中，K为特征序列长度，和分别为初始时刻和t时刻下特征序列的均值，和f_t ⁱ分别为初始时刻和t时刻下特征序列第i个分量的值，得到的相似性特征依次记为F1，F2，F3，F4，F5，F6，如果两时刻机械零部件状态接近，则相似性特征近似于1，反之近似于0，图2是由谱特征序列得到的相似性特征示意图；

3)对振动信号进行三层小波包变换，依据式(2)计算得到八个频带能量比特征：

其中E_i(i＝1，2，...，8)为小波包各个频带的能量值，为全部小波包频带的能量和，得到的频带能量比特征依次记为F7，F8，F9，F10，F11，F12，F13，F14；

4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1～F14的综合评价指标：

式中：

其中，F_l和t_l分别是第l个观测点的特征值和时间，和分别是全寿命周期内特征序列和时间序列的均值，L是全寿命周期内特征序列的长度，ε(x)是单位阶跃函数，Corr衡量的是特征序列与时间序列的线性相关程度，Mon衡量的是特征序列的单调性；

5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri'，选取Cri'＞0.5的特征作为机械零部件退化过程的敏感特征集；

6)利用全寿命数据集对循环神经网络模型进行训练，其中x_t∈R^N×1为t时刻的敏感特征集，y_t∈[0,1]是相应时刻机械零部件真实退化率，y_t＝0代表机械零部件处于完全健康状态，y_t＝1代表处于完全故障状态，循环神经网络训练过程中的代价函数如式(6)所示：

其中，为循环神经网络模型的输出结果，y_t为真实退化率，使用的是改进的循环神经网络—长短时记忆模型，解决了循环神经网络中的梯度爆炸与消失问题，图3为长短时记忆模型的结构示意图，最大的特点就是在循环神经网络结构的基础上添加了各层的阀门节点，用于判断记忆单元中的信息是否加入到该层的计算中，按照计算顺序给出每个部分的计算公式：

g_t＝φ(w_gxx_t+w_ghh_t-1+b_g) (7)

i_t＝σ(w_ixx_t+w_ihh_t-1+b_i) (8)

f_t＝σ(w_fxx_t+w_fhh_t-1+b_f) (9)

o_t＝σ(w_oxx_t+w_ohh_t-1+b_o) (10)

其中，w_gx、w_ix,、w_fx和w_ox分别是t时刻输入层x_t和输出层h_t之间的权值，w_gh、w_ih、w_fh和w_oh是隐藏层t时刻和t-1时刻之间的权值，b_g、b_i、b_f和b_o是偏差，h_t-1前一时刻隐藏层的输出值，g_t,，i_t，f_t和o_t分别是输入节点、输入门、忘记门和输出门的输出值，s_t和s_t-1分别是内状态在t时刻和前一时刻的值，σ(x)是门激活函数，φ(x)是输入激活函数，h(x)是输出激活函数；

7)测试阶段，将计算得到的敏感特征集作为训练好的循环神经网络的输入，得到一种新的机械零部件健康指标RNN-HI。

为了进一步证明基于循环神经网络融合的机械零部件健康指标构造方法的有效性，使用PRONOSTIA试验台的滚动轴承加速寿命实验数据进行验证。

PRONOSTIA试验台提供了滚动轴承从正常状态到完全失效的全寿命周期数据，实验中所用的滚动轴承没有设置初始故障，通过气缸向滚动轴承外圈提供压力使其在几个小时内就可以加速完成整个退化过程，并且每个退化滚动轴承可能包含任何一种故障形式，使用加速度传感器在滚动轴承外圈的竖直和水平方向进行数据采集。实验过程中，采样频率为25600Hz，采样点数为2560，每次采样时间为0.1s，两次采样的时间间隔为10s。三组实验数据分别对应不同的转速和负载，bearing1_1～bearing1_7的转速为1800rpm，负载为4000N；bearing2_1～bearing2_7的转速为1650rpm，负载为4200N；bearing3_1～bearing3_3的转速为1650rpm，负载为4200N，每组实验数据又分为训练集和测试集。图4所示为用于训练的滚动轴承bearing1_1和用于测试的滚动轴承bearing2_6的全寿命振动信号。

对训练集的滚动轴承振动信号进行特征提取，得到特征集F1～F14，计算相应的综合评价指标，标准化后的综合评价指标Cri'如图5所示。可以看出，F1、F2、F3、F9、F10、F11、F12和F14标准化后的综合评价指标大于0.5，应该作为敏感特征集，其中F1，F2和F3为提出的相似性特征，证明了相似性特征在描述退化过程上的有效性。提取训练集数据的敏感特征集对循环神经网络进行训练，得到相应的健康指标RNN-HI，为了与之对比，提取了Huang提出的基于自组织神经网络的健康指标SOM-HI，其中RNN-HI的综合评价指标为0.7474，SOM-HI的综合评价指标为0.6877，二者在描述滚动轴承的退化趋势上均具有较好的效果，然而SOM-HI在三种工况下没有恒定的失效阈值，RNN-HI的失效阈值均近似于1，可以看出RNN-HI的效果要优于SOM-HI。

为了验证RNN-HI在滚动轴承寿命预测中的有效性，使用基于粒子滤波的双指数寿命预测模型进行寿命预测，双指数模型如下式所示：

Y＝ae^bt+ce^dt

式中，Y为滚动轴承健康指标RNN-HI，t为时间，a，b，c和d均为模型参数，使用粒子滤波方法进行参数更新。如图6所示，以测试滚动轴承bearing2_6为例，预测的剩余寿命中间值1470s，置信度为0.95的置信区间为[720s,1690s]。

测试集所有滚动轴承的寿命预测结果如表1所示，寿命预测精度通过平均百分误差来衡量：

其中，ActRUL_i和RUL_i分别是第i个测试轴承的实际剩余寿命和预测剩余寿命。同时作为对比，将SOM-HI用于滚动轴承剩余寿命预测，表1中给出了相应的预测结果，可以看出RNN-HI的平均百分误差为32.48％，SOM-HI的平均百分误差为53.24％，基于循环神经网络融合的机械零部件健康指标构造方法在剩余寿命预测中具有更高的精度。

表1

Claims (1)

1.一种基于循环神经网络融合的机械零部件健康指标构造方法，其特征在于，包括以下步骤：

1)获取机械零部件振动信号，计算振动信号时域特征，得到机械零部件时域特征序列f1＝(f1¹,f1²,...,f1¹¹)，其中f1¹，f1²，…，f1¹¹分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标；对振动信号进行傅里叶变换，得到一个全局谱特征序列f2，并对全局谱特征序列进行平均分割，得到由低频到高频的四个子谱特征序列f3、f4、f5、f6；

2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征：

$RS=\frac{\left|\underset{i=1}{\overset{K}{\Σ}}(f_0^i-{\tilde{f}}_0)(f_t^i-{\tilde{f}}_t)\right|}{\sqrt{\underset{i=1}{\overset{K}{\Σ}}{(f_0^i-{\tilde{f}}_0)}^2\underset{i=1}{\overset{K}{\Σ}}{(f_t^i-{\tilde{f}}_t)}^2}}---\left(1\right)$

其中，K为特征序列长度，和分别为初始时刻和t时刻下特征序列的均值，和分别为初始时刻和t时刻下特征序列第i个分量的值，得到的相似性特征依次记为F1，F2，F3，F4，F5，F6；

3)对振动信号进行三层小波包变换，依据式(2)计算得到八个频带能量比特征：

${\mathrm{ER}}_i=\frac{E_i}{E}---\left(2\right)$

其中E_i(i＝1，2，...，8)为小波包各个频带的能量值，为全部小波包频带的能量和，得到的频带能量比特征依次记为F7，F8，F9，F10，F11，F12，F13，F14；

4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1～F14的综合评价指标：

$Cri=\frac{Corr+Mon}{2}---\left(3\right)$

式中：

$Corr=\frac{\left|\underset{l=1}{\overset{L}{\Σ}}\left(F_l-\tilde{F}\right)\left(t_l-\tilde{t}\right)\right|}{\sqrt{\underset{l=1}{\overset{L}{\Σ}}{(F_l-\tilde{F})}^2\underset{l=1}{\overset{L}{\Σ}}{(t_l-\tilde{t})}^2}}---\left(4\right)$

$Mon=\frac{|\underset{l=1}{\overset{L-1}{\Σ}}\mathrm{\ϵ}(F_{l+1}-F_l)-\underset{l=1}{\overset{L-1}{\Σ}}\mathrm{\ϵ}(F_l-F_{l+1})|}{L-1}---\left(5\right)$

其中，F_l和t_l分别是第l个观测点的特征值和时间，和分别是全寿命周期内特征序列和时间序列的均值，L是全寿命周期内特征序列的长度，ε(x)是单位阶跃函数，Corr衡量的是特征序列与时间序列的线性相关程度，Mon衡量的是特征序列的单调性；

5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri'，选取Cri'＞0.5的特征作为机械零部件退化过程的敏感特征集；

6)利用全寿命数据集对循环神经网络模型进行训练，其中x_t∈R^N×1为t时刻的敏感特征集，y_t∈[0,1]是相应时刻机械零部件真实退化率，y_t＝0代表机械零部件处于完全健康状态，y_t＝1代表处于完全故障状态，循环神经网络训练过程中的代价函数如式(6)所示：

$C=\frac{1}{2}\underset{t=1}{\overset{T}{\Σ}}\left|\right|y_t-{\hat{y}}_t|{|}_2^2---\left(6\right)$

其中，为循环神经网络模型的输出结果，y_t为真实退化率；

7)测试阶段，将计算得到的敏感特征集作为训练好的循环神经网络的输入，得到新的机械零部件健康指标RNN-HI。