您當(dāng)前的位置：檢測(cè)資訊 > 科研開(kāi)發(fā)
嘉峪檢測(cè)網(wǎng) 2024-08-24 14:17
摘 要
針對(duì)工業(yè)生產(chǎn)中滾動(dòng)軸承剩余使用壽命(RUL)預(yù)測(cè)任務(wù)中數(shù)據(jù)挖掘不足導(dǎo)致預(yù)測(cè)精度低的問(wèn)題,提出了一種多通道融合的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法。
該方法通過(guò)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)對(duì)原始振動(dòng)信號(hào)進(jìn)行降噪化處理和特征增強(qiáng)并將其作為模型輸入;構(gòu)建三通道網(wǎng)絡(luò)模型,引入 3 種不同的神經(jīng)網(wǎng)絡(luò):時(shí)間卷積網(wǎng)絡(luò)( TCN)、卷積長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(ConvLSTM)、雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(Bi-GRU),從時(shí)序、空間、感受野等多維度對(duì)特征進(jìn)行差異化提取;在結(jié)構(gòu)基礎(chǔ)上添加多頭注意力機(jī)制(multi-head attention mechanism,MA),重新調(diào)整網(wǎng)絡(luò)輸出權(quán)重、加快模型收斂速度;最后,設(shè)計(jì)一個(gè)特征融合輸出模塊,實(shí)現(xiàn)對(duì)滾動(dòng)軸承剩余壽命預(yù)測(cè)。在兩種數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證,并與其他文獻(xiàn)中先進(jìn)模型進(jìn)行對(duì)比。
結(jié)果表明,所提模型能夠更準(zhǔn)確地捕捉軸承壽命退化曲線并且在多種評(píng)價(jià)指標(biāo)上均優(yōu)于對(duì)比模型。
引 言
針對(duì)當(dāng)下研究的局限性,提出了一種多通道融合的滾動(dòng)軸承剩余壽命預(yù)測(cè)模型。
主要貢獻(xiàn)有 3 個(gè)方面:
1)引入了一種改進(jìn)的信號(hào)處理方法:互補(bǔ)集合經(jīng)驗(yàn) 分解互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解 (CEEMD)算法,對(duì)振動(dòng)信號(hào) 進(jìn)行模態(tài)分解和降噪。
2)提出了一種多通道網(wǎng)絡(luò)融合框架并引入 3 種傳統(tǒng) 網(wǎng)絡(luò)的改進(jìn)網(wǎng)絡(luò),對(duì)輸入特征通過(guò)時(shí)序、時(shí)間、空間等多 種維度進(jìn)行深度挖掘并自適應(yīng)各自學(xué)習(xí)到的權(quán)重。
3)為了加快模型訓(xùn)練收斂速度,引入一種目前熱門(mén) 的大語(yǔ)言模型 Transfomer 中的注意力機(jī)制:多頭注意 力機(jī)制,將網(wǎng)絡(luò)學(xué)得的多種特征權(quán)重映射到子空間,進(jìn)行 權(quán)重重構(gòu),重點(diǎn)關(guān)注對(duì)于退化趨勢(shì)影響大的特征,找到最 佳的優(yōu)化方案。
為了驗(yàn)證所提方法的有效性,分別通過(guò) PHM2012 公開(kāi)軸承數(shù)據(jù)集和實(shí)驗(yàn)室自采集數(shù)據(jù)集進(jìn)行驗(yàn)證。
1、RUL 預(yù)測(cè)模型
1. 1 預(yù)測(cè)方法整體框架
提出基于多通道融合的滾動(dòng)軸承 RUL 預(yù)測(cè)方法框 架如圖 1 所示：
主要包括數(shù)據(jù)預(yù)處理和網(wǎng)絡(luò)預(yù)測(cè)兩部分。數(shù)據(jù)預(yù)處理包含振動(dòng)信號(hào)時(shí)、頻域分解、互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解、標(biāo)準(zhǔn)化及時(shí)間窗處理,將預(yù)處理后的特征輸入到搭建的多通道融合網(wǎng)絡(luò)中,得到最終的預(yù)測(cè)值。
1. 2 算法介紹
1)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解
CEEMD 信號(hào)分解方法,其主要計(jì)算過(guò)程包括如下3方面:
(1)在原始振動(dòng)序列 C 上添加 a 組互為相反數(shù)的正 負(fù)噪聲對(duì),得到新的序列 I1 、I2 。
2)時(shí)間卷積神經(jīng)網(wǎng)絡(luò)
為了使得神經(jīng)網(wǎng)絡(luò)能夠?qū)π蛄袛?shù)據(jù)進(jìn)行時(shí) 間建模,引入 CNN 的一種變體即 TCN,其由膨脹因果卷 積和殘差模塊組成。在解決時(shí)序問(wèn)題上,需要追溯歷史信息,歷史信息越久遠(yuǎn),隱藏層越多,計(jì)算量越大。為了既能夠增大感受野又不使得隱藏層過(guò)多,膨脹因果卷積引入了一個(gè)新的超參數(shù)—擴(kuò)張率 d ,在不損失信息的情況下,允許模型間隔 采樣。殘差模塊使信息能夠跨越層數(shù)傳遞,從而避免層數(shù)過(guò)多而造成信息損失。
3)卷積長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)
許多研究證明,LSTM 在剩余壽命預(yù)測(cè)領(lǐng)域的有效 性,但是其本身由于復(fù)雜的結(jié)構(gòu)導(dǎo)致計(jì)算復(fù)雜度高并且 對(duì)于更加長(zhǎng)期的關(guān)系依賴建模仍存在不足。因此引入ConvLSTM,在 LSTM 結(jié)構(gòu)的基礎(chǔ)上加入了卷積結(jié)構(gòu),使其不僅有著稀疏連通性和參數(shù)共享的優(yōu)點(diǎn),在計(jì)算速度提 高的同時(shí)還能夠捕獲數(shù)據(jù)長(zhǎng)期依賴關(guān)系。
4)雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)
它在門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(GRU)的基礎(chǔ)上增加了反向循環(huán)機(jī)制,從而實(shí)現(xiàn)雙向時(shí)間 信息的處理。Bi-GRU 能夠同時(shí)考慮前向和后向的隱藏 層信息,比 GRU 具有更強(qiáng)大、更穩(wěn)定的特征學(xué)習(xí)能力。
5)多頭注意力機(jī)制
1. 3 整體網(wǎng)絡(luò)結(jié)構(gòu)
多通道融合網(wǎng)絡(luò)整體結(jié)構(gòu)由三通道網(wǎng)絡(luò)特征提取模 塊、多頭注意力模塊及 FNN 預(yù)測(cè)模塊組成,如圖 2 所示：
3 種網(wǎng)絡(luò)模型利用各自的優(yōu)勢(shì)學(xué)得不同的時(shí)序特征,由 多頭注意力模塊將學(xué)得的特征映射到不同的子空間,重新分配特征權(quán)重,重點(diǎn)關(guān)注對(duì)于退化趨勢(shì)影響大的特征向量,最后將所有特征融合,通過(guò) FNN 模塊將特征映射 輸出得到最終的 RUL 預(yù)測(cè)值。
2、實(shí)例分析
為驗(yàn)證多通道融合的預(yù)測(cè)方法在發(fā)動(dòng)機(jī)剩余壽命預(yù) 測(cè)中的有效性,基于 Python3. 8 和 TensorFlow2. 0 框架進(jìn)行實(shí)驗(yàn)驗(yàn)證。
2. 1 實(shí)例 1:PHM2012 公開(kāi)數(shù)據(jù)集
本實(shí)驗(yàn)采用 PHM2012 數(shù)據(jù)挑戰(zhàn)發(fā)布的軸承完整壽命周期數(shù)據(jù)集。如圖 3 所示,在 PRONOSTIA 實(shí)驗(yàn)平臺(tái)上通過(guò)水平和垂直位置的加速度傳感器來(lái)收集兩個(gè)方向的振動(dòng)信號(hào)。
設(shè)定設(shè)備的采樣頻率為 25. 6 kHz,每間 隔 10 s 記錄一次數(shù)據(jù),每次采集數(shù)據(jù)時(shí)長(zhǎng)為 0. 1 s。從實(shí) 驗(yàn)安全的角度考慮,當(dāng)振動(dòng)數(shù)據(jù)的振幅超過(guò) 20 g(1 g = 9. 8 m / s²)時(shí),停止實(shí)驗(yàn)。
如表 1 所示,數(shù)據(jù)集共采集 3 種工況條件下的 17 組數(shù)據(jù)。
訓(xùn)練集和測(cè)試集包含每個(gè)軸承的全壽命歷史振動(dòng)數(shù)據(jù),每個(gè)采樣周期包含 2560 個(gè)振動(dòng)數(shù)據(jù)。本次實(shí)驗(yàn)對(duì)于同一工況的軸承,采用“留一法”,將目標(biāo)軸承數(shù)據(jù)作為測(cè)試集,將其他軸承數(shù)據(jù)設(shè)為訓(xùn)練集。
如圖 4 所示,將整個(gè)軸承的生命周期定義為從 1 ~ 0 的均勻下降直線并以此作為軸承訓(xùn)練的訓(xùn)練標(biāo)簽。
1)評(píng)價(jià)指標(biāo)
由定義可知,更低的 MAE 和 RMSE 代表更好的預(yù)測(cè) 結(jié)果。
2)參數(shù)設(shè)置
經(jīng)過(guò)多次實(shí)驗(yàn),模型中 TCN 模塊、ConvLSTM、BiGRU 模塊的具體結(jié)構(gòu)和參數(shù)設(shè)置如表 2 所示。
所提模型中的多頭注意力機(jī)制涉及到注意力頭數(shù)的選擇,不同頭數(shù)對(duì)于預(yù)測(cè)精度是有一定影響。
為了探究精度最高的參數(shù)設(shè)置方案,本文設(shè)置不同注意力頭數(shù):1、 2、4、8、16、32、64、128 共 8 種情況。為了防止偶然性,對(duì) 每一種情況運(yùn)行實(shí)驗(yàn) 5 次取平均,得到其預(yù)測(cè)結(jié)果的 MAE 值和 RMSE 值如圖 5 所示：
可以看到,不同注意力 頭數(shù)對(duì)應(yīng)的預(yù)測(cè)精度不同且差異較大,注意力頭數(shù)的增 加與準(zhǔn)確度的提高沒(méi)有正負(fù)相關(guān)性,在本文實(shí)驗(yàn)中,當(dāng)注 意力頭數(shù)為 2 時(shí)的預(yù)測(cè)模型精度最高,因此本文后續(xù)的 實(shí)驗(yàn)都在這個(gè)參數(shù)的基礎(chǔ)上進(jìn)行。
3)消融實(shí)驗(yàn)
為了驗(yàn)證所提多通道融合的預(yù)測(cè)方法相比于原始模 型改進(jìn)的有效性。將本文模型進(jìn)行部分模塊拆解,構(gòu)成4 種消融模型: TCN + MA 模型、 ConvLSTM + MA 模型、 BiGRU+MA 模型、多通道+普通注意力模型。
本文在工況 1 的條件下,測(cè)試 7 個(gè)軸承的 RUL,每個(gè) 軸承的預(yù)測(cè)實(shí)驗(yàn)重復(fù) 5 次并取平均值得到最終的預(yù)測(cè)誤 差。評(píng)價(jià)指標(biāo)對(duì)比結(jié)果如表 3 所示：
如圖 6 所示,為了能夠更加直觀地顯示本文模型相 較于其他消融模型的優(yōu)越性,以軸承 B1-7 為例,對(duì)剩余壽命預(yù)測(cè)進(jìn)行可視化分析。
4)對(duì)比實(shí)驗(yàn)
為了驗(yàn)證本文提出模型的優(yōu)越性,分別構(gòu)建了其他 文獻(xiàn)中提出的 4 種優(yōu)秀深度學(xué)習(xí)方法進(jìn)行對(duì)比:雙通道BiLSTM 模 型 [14]、 CNN-BiLSTM 模 型[20]、 ConvGRU 模 型[21]、多尺度特征模型[22],并從 MAE、RMSE、時(shí)間 3 個(gè) 維度進(jìn)行分析。在 FD001 測(cè)試集上進(jìn)行誤差比較,以軸 承 1-3 為例,所得結(jié)果如表 4 所示
2. 2 實(shí)例 2:實(shí)驗(yàn)室自采集數(shù)據(jù)集
為了驗(yàn)證本文提出的多通道壽命預(yù)測(cè)模型的泛化性能,運(yùn)用實(shí)驗(yàn)室軸承壽命預(yù)測(cè)實(shí)驗(yàn)平臺(tái)對(duì)測(cè)試軸承進(jìn)行全壽命周期振動(dòng)信號(hào)的數(shù)據(jù)采集并用于壽命預(yù)測(cè)。
實(shí)驗(yàn)平臺(tái)如圖 7 所示,該平臺(tái)由變速驅(qū)動(dòng)電機(jī)、軸承、齒輪箱、軸、偏重轉(zhuǎn)盤(pán)和調(diào)速器等組成。
選取軸承型 號(hào)為 N205,數(shù)字信號(hào)的采樣頻率為 12 kHz,間隔 10 s 采 樣,每次采樣 0. 1 s。實(shí)驗(yàn)安全的角度考慮,當(dāng)振動(dòng)數(shù)據(jù) 的振幅超過(guò) 20 g(1 g = 9. 8 m / s2)時(shí),停止實(shí)驗(yàn)。
在上述工作條件下,共采得 5 組軸承全周期壽命振 動(dòng)數(shù)據(jù),如表 5 所示。本實(shí)驗(yàn)對(duì)數(shù)據(jù)集的劃分以及標(biāo)簽 處理與前文實(shí)驗(yàn)相同。
對(duì) 5 個(gè)測(cè)試軸承進(jìn)行剩余壽命預(yù)測(cè),其可視化結(jié)果 如圖 8 所示：
為了能夠更加直觀地顯示本文模型相較于其他對(duì)比 模型的優(yōu)越性,以軸承 5 為例,對(duì)剩余壽命預(yù)測(cè)進(jìn)行可視化分析。如圖 9 所示：
3、結(jié) 論
針對(duì)現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)方法在滾動(dòng)軸承剩余壽命預(yù)測(cè)中 對(duì)振動(dòng)信號(hào)特征挖掘深度不足導(dǎo)致預(yù)測(cè)精度不高的問(wèn) 題,提出了一種基于多頭注意力機(jī)制和多通道模型融合 的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法。
首先將原始振 動(dòng)信號(hào)進(jìn)行時(shí)、頻域分解并運(yùn)用 CEEMD 將特征信號(hào)進(jìn) 行降噪、 增強(qiáng)。
然后, 構(gòu)建三通道網(wǎng)絡(luò)結(jié)構(gòu): TCN、ConvLSTM、BiGRU,對(duì)特征信號(hào)從時(shí)間、空間、時(shí)序等多個(gè)維度進(jìn)行深度挖掘,提取其高維退化特征。
最后結(jié)合 多頭注意力機(jī)制,將高維特征映射到子空間進(jìn)行權(quán)重調(diào) 整和融合,最終實(shí)現(xiàn)對(duì)滾動(dòng)軸承剩余壽命的回歸預(yù)測(cè)。
通過(guò)在 PHM2012 和實(shí)驗(yàn)室平臺(tái)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明, 相比于 ConvGRU、CNN-BiLSTM、雙通道 BiLSTM 等數(shù)據(jù) 驅(qū)動(dòng)方法,本文模型在預(yù)測(cè)精度上有著明顯的提升,在時(shí) 間維度上,相較引文的雙通道、多特征模型也有較大提 升,是一種高效的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法。
雖然經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證,本文模型在多種工況下都有著 良好的預(yù)測(cè)精度,但是并未考慮到 1工況訓(xùn)練、2工況測(cè)試這種跨工況問(wèn)題,這是深度學(xué)習(xí)在滾動(dòng)軸承剩余壽命預(yù)測(cè)領(lǐng)域的難點(diǎn)也是下一步工作應(yīng)該探究的重點(diǎn)。
參考文獻(xiàn)：
車魯陽(yáng),高軍偉,付惠琛.基于多通道融合的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J].電子測(cè)量與儀器學(xué)報(bào), 2023(12).
來(lái)源：滾動(dòng)軸承故障診斷與壽命
關(guān)于我們 聯(lián)系我們 營(yíng)業(yè)執(zhí)照 全國(guó)服務(wù)電話：400-818-0021 嘉峪檢測(cè)版權(quán)所有 備案號(hào)：京ICP備14047019號(hào)-2 
京公網(wǎng)安備11010802046783號(hào)
