[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

说明书

本发明涉及一种基于改进残差网络和WGAN的轴承剩余寿命预测方法，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；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；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；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。本发明可以在变工况和强噪声干扰下，实现对滚动轴承振动特征的有效提取和迁移学习，从而实现对轴承剩余寿命的准确预测。

技术领域

本发明涉及设备智能测控技术领域，尤其是指一种基于改进残差网络和WGAN的轴承剩余寿命预测方法。

背景技术

滚动轴承作为机械传动领域重要的部件，其性能的好坏往往决定了整个机械系统的使用寿命。因其重要性和故障率高的原因，近些年来关于如何对滚动轴承进行故障诊断和剩余寿命预测成为研究的热点。当前主流的剩余寿命RUL预测的方法有两类，一类是基于模型的，另一类是基于数据驱动的。基于模型的方式需要建立极为精确的数学或者物理模型来模拟轴承的退化趋势，因其建模的困难程度高，数据驱动的方式成为一种重要的RUL手段。

数据驱动的深度学习RUL预测方式通过获取数据、预处理数据、特征提取、模型训练等步骤建立起监测数据和剩余寿命之间的模型。基于深度学习的RUL预测主要有如下两点问题：一、由于滚动轴承其严峻的工作环境，往往监测的振动数据中掺杂着许多冗余的噪声信号，这对有效提取轴承本身振动信号的关键特征造成了很大的难度。二、现有的大多数研究，都是在轴承采集的故障数据充足，训练和测试数据独立同分布的前提下，但实际的工程环境下变工况的滚动轴承无法满足以上两点假设。因此，寻找一个有效信息丰富，泛化能力强的特征集，是基于深度学习的滚动轴承剩余寿命预测的一个长久的挑战。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中基于深度学习的轴承寿命预测存在的问题，本发明提供了一种基于改进残差神经网络和生成对抗WGAN的轴承剩余寿命预测，可以在变工况和强噪声干扰下，实现对滚动轴承振动特征的有效提取和迁移学习。

为解决上述技术问题，本发明提供了一种基于改进残差网络和WGAN的轴承剩余寿命预测方法，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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：