[发明专利]一种基于层叠分离卷积模块的机械设备剩余寿命预测方法

摘要

一种基于层叠分离卷积模块的机械设备剩余寿命预测方法，先获取不同工况下机械设备的原始振动信号，进行预处理，建立基于层叠分离卷积模块的机械设备剩余寿命预测模型；利用层叠分离卷积模块提取原始振动信号中与机械设备健康状况最相关的高层次典型特征；然后将高层次典型特征输入到全连接网络，得到机械设备的剩余寿命预测值；构建剩余寿命预测模型的均方误差目标函数，通过Adam优化算法迭代更新预测模型的待训练参数，获得最优的剩余寿命预测模型；最后输入预处理后的机械设备振动信号，完成机械设备得剩余寿命预测；本发明具有预测精度更高、稳定性更好、鲁棒性更强的优点。

主权项

1.一种基于层叠分离卷积模块的机械设备剩余寿命预测方法，其特征在于，包括以下步骤：1)获取不同工况下机械设备的原始振动信号其中，M是信号样本的个数，N是每个振动信号样本包含的数据点数，C是振动传感器的个数；同时，构建具有深层结构的层叠分离卷积模块预测模型；2)对原始振动信号进行预处理：首先对振动信号xⁱ进行Z‑score归一化处理，然后，通过时间窗嵌入策略把xⁱ之前的有效时间信息数据嵌入到xⁱ中，具体步骤如下：2.1)通过Z‑score对振动信号xⁱ进行归一化处理，获得监测数据Z‑score标准化操作表达式如下所示：式中，x为原始数据；为原始数据的均值；σ为原始数据的标准差；x^*为Z‑score标准化后的数据；2.2)设置时间窗口大小为S，通过时间窗嵌入策略整合数据和其之前的S‑1个振动信号样本，得到数据即3)层叠T个分离卷积模块，从预处理后的原始振动信号中提取与机械设备健康状况最相关的高层次典型特征，具体步骤如下：3.1)输入样本分别利用通道卷积核k_cw和点卷积核k_pw与输入样本进行卷积，获得特征3.2)对特征进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为3.3)将特征输入到层叠T个具有残差连接的分离卷积模块中，提取与机械设备健康状况最相关的高层次典型特征，每个分离卷积模块的具体实现方式如下：(a)首先，利用预激活策略对分离卷积模块的输入进行处理，依次通过批量归一化层和线性整流函数(Rectified linear unit，ReLU)层；批量归一化层操作表达式如下所示：式中，x^l‑1为分离卷积模块的输入；y^l‑1为批量归一化后的输出；μ_B、分别为输入x^l‑1的期望和方差；γ、β为归一化层可学习的重构参数；(b)将步骤(a)中经过预激活操作的数据输入到分离卷积层，提取数据的深层表达特征分离卷积包括通道方向上的卷积和点方向上的卷积，计算表达式如下：式中，为预激活操作后的数据；为通道方向上卷积的输出；为点方向上卷积的输出；k_cw、表示通道方向上的卷积核和偏置；k_pw、表示点方向上的卷积核和偏置；c表示第c个卷积操作的输入通道；n表示第n个卷积操作的输出通道；(c)再次执行步骤(a)和(b)，进一步提取数据的深层表达特征学习不同传感器数据之间的相关性；(d)对提取的深层表达特征进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为(e)将池化后的特征输入到特征校准层，通过压缩操作和自标定操作进行特征响应的再校准，以获取与机械设备健康状态最相关的特征；压缩操作指的是全局平均池化，计算表达式如下所示：式中，H表示压缩激励层输入的全局长度；表示压缩激励层的输入；自标定操作指的是利用自适应门机制估计每个通道的信息量，生成对应通道的权重，计算表达式如下所示：式中，σ(·)、δ(·)分别为Sigmoid和ReLU激活函数；其中r为降维的比率，C为通道数；(f)最后，分离卷积模块采用了残差连接，其输出的计算表达式为：x^l＝x^l‑1+F(x^l‑1,W^l)式中，x^l‑1是第l层的输入，x^l是第l层的输出；F(·)为残差函数，表达式如下：F(x^l‑1):＝H(x^l‑1)‑x^l‑1式中，H(x^l‑1)为期望映射；4)将提取的高层次典型特征输入到全连接网络中，得到机械设备的寿命预测值，具体步骤如下；4.1)对提取的典型特征进行全局平均池化，使输出的特征图都只含有一个元素，获得池化后的特征4.2)将池化后的特征平铺成一维向量利用全连接网络计算机械设备的剩余寿命preRULⁱ；5)基于Adam优化算法，重复步骤3)和4)，设置迭代次数N，迭代更新层叠分离卷积模块和全连接网络的参数，以获得最优的剩余寿命预测模型，即最小化均方误差目标函数：式中，yⁱ为机械设备的实际剩余寿命值；6)将预处理后的机械设备振动信号输入到最优的剩余寿命预测模型中，预测机械设备的剩余寿命。