[发明专利]基于深度多特征学习的振动部件剩余使用寿命预测方法

说明书

本发明涉及故障预测技术领域，具体为基于深度多特征学习的振动部件剩余使用寿命预测方法，包括以下步骤：对采集到部件原始振动信号进行首次预测时间确定，确定部件的衰退期开始时间；使用滑动窗口沿衰退期滑动取一段时间内的所有振动信号数据进行时频分析，以获取到退化故障的时频域特征信息作为输入；将对输入的时频域信息进一步进行多尺度的特征提取以及结果输出；有益效果为：解决了多种类型工况下部件剩余寿命预测结果不稳定问题；实现提取部件退化机理相关特征的能力强、剩余寿命预测精度高。

技术领域

本发明涉及故障预测技术领域，具体为基于深度多特征学习的振动部件剩余使用寿命预测方法。

背景技术

随着装备的智能化和复杂化不断提升，提高其在服役过程中的可靠性、稳定性以面临着重大挑战，而在服役过程中，装备通常会产生振动。因此，基于振动信号的故障预测与健康管理(PHM)领域关于在装备关键部件及其系统的相关预测性维护，包括故障检测、故障诊断和寿命预测的研究变得愈发重要。作为故障预测与健康管理领域的一个重要研究分支，对部件的剩余寿命估计(RUL)具有极大的工程研究意义。因此，十分需要能够在部件发生故障前，准确地预测出部件的剩余寿命。

现有技术中，基于数据驱动的方法能够挖掘出历史退化数据与系统故障机制的直接联系，从而减少人为因素带来的影响，进而准确地建立起目标系统退化状态与剩余寿命之间的映射关系，正在逐渐成为RUL预测的主流解决方案。近年来，围绕深度学习在PHM中的RUL应用，一些代表性的工作取得了不错的效果。文献[1]X.Li,W.Zhang,and Q.Ding,Deeplearning-based remaining useful life estimation of bearings using multi-scalefeature extraction,Reliability EngineeringSystem Safety,vol.182,pp.208-218,2019,doi:10.1016/j.ress.2018.11.011、[2]J.Zhu,N.Chen,and W.Peng,Estimation ofBearing Remaining Useful Life Based on Multiscale Convolutional NeuralNetwork,IEEE Transactions on Industrial Electronics,vol.66,no.4,pp.3208-3216,2019,doi:10.1109/tie.2018.2844856和[3]B.Liu,Z.Gao,B.Lu,H.Dong,and Z.An,SAL-CNN:Estimate the Remaining Useful Life of Bearings Using Time-frequencyInformation,arXiv preprint arXiv:2204.05045,2022均提出了一种通过时频分析和卷积神经网络结合的RUL估计方法。在获取时间序列退化信号后，利用时频分析技术得到表示部件退化信号的时频表示，使用多个卷积层组成多尺度特征提取器，对每个序列进行多尺度特征提取，然后将不同前馈卷积层的特征图连接起来，以进一步提取更高层级的抽象特征。最后将信息压缩后的特征送入完全连接层，用于RUL估计。

但是，从上面的文献调研结果来看，这些结合了卷积神经网络的方法在处理长序列和过滤无效特征方面存在困难，受限于卷积计算时的感受野有限及全局上下文建模能力弱，导致缺乏在对多尺度特征提取过程中的关联能力，进而全局建模能力不足，不可避免地会随着退化信息越多会忽略重要的退化信息，导致在捕捉长期退化特征之间的关联性方面很低效，而太多的冗余和无效的多尺度退化信息反而妨碍模型学习准确有效的高级表示，从而影响模型泛化能力和预测性能。此外，在工业实际应用中，越来越多的运行条件和故障模式使得退化特征更加复杂，而这些基于卷积神经网络的传统方法在面对这种复杂的工况时，对与剩余寿命预测相关的多尺度特征提取工作推进得十分困难，RUL估计结果不尽人意。

发明内容

本发明的目的在于提供基于深度多特征学习的振动部件剩余使用寿命预测方法，以解决上述背景技术中提出的问题。