[发明专利]基于改进FPA-DBN的轴承剩余寿命预测方法

说明书

本发明公开了基于改进FPA‑DBN的轴承剩余寿命预测方法，首先从已知的轴承数据集中选取一部分轴承作为训练集，一部分作为测试集。之后对训练集和测试集轴承分别进行特征提取和降噪。将DBN各中间层神经元作为种群个体，并初始化DBN模型和改进FPA算法的相关参数，同时将训练集轴承的特征输入到模型中。根据训练集轴承的均方根误差选出当前最优个体并记录其位置。按照改进的FPA算法进行寻优迭代，每次迭代后对历史最优解进行更新。当达到设定的最大迭代次数后，停止迭代，输出全局最优解，即训练优化完毕。之后将测试集轴承特征代入到训练好的DBN模型中，进行预测。本发明所提的方法在进行轴承剩余寿命预测时，性能优于传统的算法。

技术领域

本发明属于机械设备状态监测与故障诊断领域，尤其涉及一种基于改进FPA-DBN的轴承剩余寿命预测方法。

背景技术

滚动轴承是机械系统的重要支撑部件，其性能和可靠性对整台设备的稳定运行具有重要作用。在轴承的设计阶段，通常都已考虑额定使用寿命问题，但由于实际工况的差异，额定寿命只能作为参考指标，并不能作为设备管理与维护的主要依据。尽管轴承的退化过程具有一定的内在规律，但若要完成精确的理论建模难度极高。因此基于设备的状态监测数据，构建适合滚动轴承的状态评价指标，完成轴承的实时剩余寿命预测具有重要意义。

目前，以维纳模型为代表的基于模型的方法，在滚动轴承的寿命和趋势预测中已取得了不错的应用效果，但整体而言，由于轴承的结构形式和运行工况比较复杂，退化模型的准确性和普适性都难以保证。因此，利用一定的信号处理技术，从轴承的监测数据中提取健康指标，通过机器学习方法实现趋势和寿命预测，具有更为广阔的应用前景。

机器学习模型分为两种，即浅层学习和深度学习模型。以BP、ELM等模型为代表的的浅层学习模型因结构简单、参数少和运行速度快被广泛使用。此类模型通常具备三层，分别为输入层、隐藏层和输出层。其中输入层和隐藏层分别对应于输入样本和目标结果，隐藏层负责提取输入层的特征并将其传递给输出层。而相比于浅层学习模型，深度学习模型因具备多个隐藏层使得非线性运算水平较高，因此输入样本的信息提取与特征挖掘能够高效进行，目标函数的逼近能力有很大提升。在工作时，每个低层的输出都被传送到其紧邻的高层作为输入，最终由顶层负责输出最终结果并反向传播误差，对各非线性处理层的权重和偏差进行修正。

常用于故障诊断与趋势预测的深度学习模型主要以下几种，分别是卷积神经网络(CNN)、堆叠式自动编码器(SAE)和深度信念网络(DBN)。相比于其他深度学习模型，DBN对输入信号没有周期性要求，对数据的适应性强，处理高维度和非线性数据的能力较强，故本发明采用DBN进行轴承剩余寿命预测。

DBN由若干个受限波尔兹曼机(RBM)和顶层连接层组成，通过多个RBM的隐藏层，对输入样本集进行大量非线性运算，从而完成特征提取。其核心在于通过逐层贪婪算法来优化各层之间的权重和偏差，训练时通过前向无监督学习算法有效地挖掘原始信号中的状态特征，之后自上而下进行误差的反向传播，并对各层的权重和偏差进行修正，从而实现预测结果与真实值的高度拟合。但DBN的缺点在于可调参数过多，过于依赖于人工经验，一旦参数选取不合理，便会削弱泛化能力并降低预测精度。因DBN对权重和偏差、学习率等参数已有较好的参数调整机制，故本发明将DBN隐藏层神经元个数作为优化目标。

目前受自然界生物的生存行为的启发，元启发算法因此诞生并被广泛应用于目标函数优化。常见的元启发算法包括蝙蝠算法、粒子群算法、鱼群算法等，但每种优化算法的适用模型和情景各不相同，故需要针对具体问题选择合适的算法进行优化。

花粉算法因具有结构简单、控制参数少、易改进的优点，适用于优化较为复杂的模型；但其存在局部搜索能力较差、收敛速度慢的缺点。如果能够通过合理的调整策略，使得花粉算法高效地对DBN模型进行参数寻优，进而提升DBN的预测精度极其重要。

发明内容