[发明专利]一种基于改进残差网络和WGAN的轴承剩余寿命预测方法

权利要求书

1.一种基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：包括以下步骤：S1、采集轴承在不同工况下的原始振动信号，划分为源域信号和目标域信号；S2、将源域信号和目标域信号发送到改进残差网络中提取深度时序特征；S3、构造WGAN模型，模型包含特征生成器和领域判别器，将改进残差网络作为特征生成器，领域判别器判别特征生成器的输出特征来自的领域，如果领域判别器难以分辨，则说明特征生成器成功地学习到了目标域和源域中序列的共同的特征空间；S4、将共同的特征空间送给全连接神经网络构造轴承剩余寿命预测的模型，实现目标轴承的剩余寿命的预测。

2.根据权利要求1所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：在步骤S1中，将需要预测剩余寿命的轴承记为目标轴承，其中目标域信号为目标轴承工况下其他轴承的振动信号，源域信号为其他工况的轴承信号。

3.根据权利要求1所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：步骤S2中，所述改进残差网络包括标准残差模块和软阈值子网络，所述标准残差模块包括卷积层、激活函数、批标准化和恒等映射，在标准残差模块中引入了软阈值子网络用来抑制噪声在特征集中的表现。

4.根据权利要求3所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：引入软阈值子网络过程包括以下步骤：

S2-1、先将标准残差模块内部两次批标准化、两次Relu激活、两次卷积后的特征图进行取绝对值和全局平均池化处理，最终得到一个一维向量；

S2-2、将一维向量输入到一个全连接网络中，获得一个尺度化的参数向量z，通过sigmoid函数将这个尺度化参数向量控制到0～1的范围内，得到α，再将α尺度化向量乘以特征图绝对值的平均值，作为阈值τ；

S2-3、将学习到的阈值结合特征图x进行软阈值操作：

构建恒等映射，将跨层的输入和上述y作相加操作，最终得到输出特征图。

5.根据权利要求3所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：所述卷积层通过卷积操作对输入信号进行局部特征的提取，卷积层中每一个单元都是网络输入信号的局部窗口卷积的结果，构成一个局部连接，同时不同的卷积核提取不同的特征，构建出特征集的一个多通道的特征空间，每一层通道的特征都能够表征不同的学习方式，多通道则表示了丰富的特征信息。

6.根据权利要求3所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：所述批标准化能够解决数据进入网络中随着一层层的计算，特征的分布在训练过程中出现变化而导致训练困难的问题。

7.根据权利要求3所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：所述恒等映射能够解决在加深网络深度时，网络性能退化的问题。

8.根据权利要求1所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：步骤S3中，所述WGAN模型中用Wasserstein距离来衡量两个特征集之间的分布差异，在领域判别器下优化生成器使得Wasserstein距离缩小，就能有效拉近源域特征分布和目标域特征分布之间的距离。

9.根据权利要求8所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：所述Wasserstein距离和和改进残差网络的目标函数分别为：

特征提取器的优化目标变为最小化领域之间Wasserstein距离衡量的分布差异。

10.根据权利要求8所述的基于改进残差网络和WGAN的轴承剩余寿命预测方法，其特征在于：利用源域提取的深度时序特征构建源域健康指示HI反映退化趋势，作为时序特征和剩余寿命的映射关系，以提取的源域和目标域的退化序列作为迁移对象输入领域判别器，领域判别器用来判别改进残差网络提取的深度时序特征的所属领域，其中领域判别器的目标函数为：

领域判别器的优化目标变为最大化Wasserstein距离衡量的分布差异。