[发明专利]一种基于时间卷积网络的旋转机械剩余使用寿命预测方法

说明书

本发明属于故障预测与健康管理相关技术领域，其公开了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，该方法包括以下步骤：(1)采集单台或者多台旋转机械在运行阶段的全生命周期的振动信号数据，并从全生命周期的振动信号数据中沿特定的方向提取时域特征、频域特征与时频特征；(2)采用综合评估指标Cri从所提取的特征中选择有效特征；(3)应用t‑SNE算法对选择的有效特征进行压缩，随后运用DBSCAN算法自适应划分旋转机械的退化阶段；(4)建立基于TCN的预测模型并对该预测模型进行训练，采用训练好的预测模型对旋转机械剩余使用寿命进行预测。本发明可更好地捕捉旋转机械的退化过程，显著降低传感器中噪声和波动的影响。

技术领域

本发明属于故障预测与健康管理相关技术领域，更具体地，涉及一种基于时间卷积网络的旋转机械剩余使用寿命预测方法。

背景技术

故障预测与健康管理旨在应用一系列模型与方法对设备或系统的健康状态予以评估，并基于健康状态为企业管理者提供及时有效的维修决策方案，从而提高系统的安全性与可靠性。剩余使用寿命(Remaining useful life，RUL)预测是故障预测与健康管理的核心内容之一，其主要关注利用设备的内部结构与运行过程中所采集的传感器数据等预估系统故障前的健康状态，对避免因突发故障停工扰乱生产计划，杜绝安全隐患与重大事故，降低设备的维修成本，提高企业的生产效率及优化系统的运维管理等意义重大。

旋转机械是众多大型机械设备的重要部件之一，对旋转机械的RUL进行预测对于提高大型机械设备的安全性和可靠性至关重要。一般而言，RUL预测方法主要有以下两类：基于机理模型与基于数据驱动的方法。基于机理模型的方法主要根据设备退化过程建立物理失效模型，其需要丰富的专家经验知识，且具体设备具体分析，导致其泛化能力较差。近年来，人工智能和传感器技术的迅猛发展推动了基于数据驱动的方法的发展。基于数据驱动的方法旨在挖掘系统退化趋势和状态监测数据之间的潜在映射关系，由于其无需丰富的专家经验知识，只需对采集的传感器数据进行加工处理进而提取能表征系统退化的有效特征，因此该类方法泛化能力较强，已被广泛地应用于解决RUL预测问题。深度学习方法具有良好的非线性拟合能力和序列数据处理能力，可在显著降低RUL预测任务复杂性的同时提高预测性能，具有广泛的应用前景。现有的深度学习方法主要从数据采集、数据预处理、模型建立、模型训练和在线预测等方面开展RUL预测工作，主要存在以下不足：首先，建立的全生命周期统一退化模型难以很好地拟合旋转机械退化的全部过程。具体而言，早期旋转机械会平稳运行较长时间，随后以几乎恒定的速率缓慢退化，最后旋转机械进入快速退化阶段，并在短时间内运行到故障。不同的退化模式存在显著差异，因此需针对不同退化模式建立相应的退化模型以更好地拟合旋转机械退化的全部过程；其次，对于旋转机械的不同退化阶段，所提取的特征与健康状态之间的映射关系难匹配；最后，一些常用的深度学习模型在解决RUL预测问题上存在局限性，如卷积神经网络具有良好的特征提取能力，然而由于卷积核大小的限制导致其无法很好地捕捉长期序列依赖关系。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，其解决了RUL预测中的设备退化过程欠拟合、所提取特征与设备健康状态难匹配、特征提取能力与长时序列数据处理能力不兼容等导致的预测精度低问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，所述方法主要包括以下步骤：

(1)采集单台或者多台旋转机械在运行阶段的全生命周期的振动信号数据，并从全生命周期的振动信号数据中沿特定的方向提取时域特征、频域特征与时频特征；

(2)采用综合评估指标Cri从所提取的特征中选择有效特征；其中，综合评估指标Cri为：Cri＝ω₁Corr+ω₂Mon-ω₃Dis，其中Dis、Corr和Mon分别为动态时间规整距离指标、相关系数指标与单调性指标，它们的权重系数分别为ω₃、ω₁与ω₂；