基于退化特征空間重構的多軸承健康壽命協同預測方法研究

鄭凱 江偉 包從望

摘 要：為順應現代制造業發展要求，做到視情科學維修，延長設備健康壽命。針對傳統方法預測準確率較低的問題，采用多個軸承全生命周期數據為實驗數據集，并選取均方根、峰值因子、峭度、頻譜分區求和四個特征作為預測模型的輸入值。另外，采用卷積神經網絡構建預測模型，訓練模型時采用學習率衰減機制，提高訓練效率。實驗表明，該方法相較于其他傳統方法具有較高的預測準確率，可以對軸承健康壽命進行有效預測。

關鍵詞：多軸承;退化特征;空間重構;卷積神經網絡

1 緒論

軸承是機電裝備的關鍵零部件之一，其健康狀況很大程度上決定著整個設備是否能夠安全持續運行[1]。目前，軸承壽命預測多采用數據驅動方法，其核心思想是分析軸承的當前運行狀態，試圖找出運行狀態與剩余壽命之間的非線性關系[2]。王璽等采用粒子濾波的方法進行壽命預測研究[3];石婷婷等基于RF算法進行回歸預測，豐富了模型的多樣性，提高了泛化能力[4];本文提出了一種基于退化特征空間重構的多軸承健康壽命協同預測的方法，并通過對比實驗證明該方法的有效性。

2 退化特征選擇及空間重構

2.1 實驗數據及平臺

本文采用IEEE PHM 2012提供的軸承全生命周期的數據進行實驗分析，數據集來源于PRONOSTIA實驗平臺[5]（如圖1）。該平臺從水平和垂直兩個方向采集軸承從運行到報廢整個過程中的數據。實驗假定當加速度信號連續超過20g就認為軸承失效[5]。

2.2 特征選擇

本文使用均方根，峰值因子、峭度和頻譜分區求和[5]（Frequency Spectrum Partition Summation，FSPS）為退化特征，其特征參數計算如下：

上式中，sj是將振動信號經傅里葉變換而獲得的頻譜;k=1，2…n;K是經驗參數，本文令K=6，故XFSPS（k）由6個元素組成的一維向量[5]。

采用最大-最歸一化法分別對四個退化特征值進行處理，將其值轉化到[0，1]區間，以此消除不同參數之間的數值差異，將水平和垂直兩個方向特征進行歸一化處理，最終在每個采樣點得到一組18維退化特征。

2.3 退化特征空間重構

由嵌入理論可知[6]，單變量時間預測的方法不僅會造成預測誤差的累積，而且忽略變量之間的相互影響，導致預測精度低。因此我們將退化特征進行空間重構，嵌入多維特征變量，采用多變量時間預測模型進行剩余壽命預測。

上式中，m代表嵌入的維數，N代表退化特征指標的數量[7];若yi表示軸承剩余壽命，則x1…xN就是和yi存在非線性函數關系的退化特征。

本文采用一種重疊取樣的方式，根據原始振動信號的每組數據采集樣本構造72維的輸入特征向量，這72個特征向量是由4個18維（垂直和水平方向上的均方根、峰值因子、峭度、FSPS構成）退化指標拼接而來，如下圖所示：

3 多軸承健康壽命協同預測模型

3.1 多軸承協同預測

多軸承健康壽命協同預測旨在根據軸承本身可用監測數據以及相同類型和工作條件的其他軸承的監測數據來預測剩余使用壽命[5]。本文從數據集中隨機選取4個軸承的數據，分別用軸承1、軸承2、軸承3和軸承4表示，并為測試數據集，其余軸承數據為訓練集，采用5折交叉驗證進行模型訓練[6]。

3.2 卷積神經網絡預測模型訓練

卷積神經網絡模型的訓練過程分為兩個部分。第一部分是輸入特征矩陣從低層網絡到高層網絡的前向傳播階段，即輸入層→卷積層→池化層→全連接層→輸出層，并獲取輸出預測值。第二部分是根據輸出預測值與真實值之間的損失函數，將誤差沿著高層網絡向著低層網絡進行反向傳播訓練，并不斷的更新權重矩陣和偏置值，直到獲取理想的期望值才會停止訓練[7]。

3.3 模型參數的設置

首先初始化CNN網絡的權值，ReLu作為中間層的激活函數，最后一層用Sigmoid函數作為激活函數，因Sigmoid函數的輸出范圍在0到1之間，能很好的匹配標準化后的剩余壽命值。另外，選擇均方誤差MSE作為優化目標，并選用Adam為優化算法，采用dropout預防過擬合[7]。

4 實驗結果與分析

針對測試數據集中4組軸承數據，采取基于退化特征空間重構的多軸承健康壽命協同預測方法與SVR方法、LASSO方法進行比較。

5 結論

本文提出的基于退化特征空間重構的多軸承健康壽命協同預測方法可以從振動信號中獲取軸承的高質量退化信息，選用四個退化特征并進行空間重構。利用IEEE PHM 2012數據集評估了新方法的性能，并與LASSO方法和SVR方法進行了比較。實驗結果表明，從RMSE和MAE兩個方面，本文的新方法具有明顯的有效性和優越性。

參考文獻：

[1]王付廣，李偉，鄭近德，等.基于多頻率尺度模糊熵和ELM的滾動軸承剩余壽命預測[J].噪聲與振動控制，2018，38（01）：188-192.

[2]趙申坤，姜潮，龍湘云.一種基于數據驅動和貝葉斯理論的機械系統剩余壽命預測方法[J].機械工程學報，2018，54（12）：115-124.

[3]王璽，胡昌華，張建勛，裴洪，劉軒，熊薇.基于粒子濾波的非線性退化設備剩余壽命自適應預測[J/OL].兵器裝備工程學報，1-8.

[4]石婷婷.基于隨機森林算法的短期負荷預測研究[D].2017，鄭州大學.

[5]Ren L，Cui J，Sun Y，Cheng X.Multi-bearing remaining useful life collaborative prediction：A deep learning approach[J].Journal of Manufacturing Systems，2017.43：S0278612517300262.

[6]Takens F.Detecting strange attractors in turbulence[J].Lecture Notes in Mathematics Berlin Springer Verlag，1981.898：366-381.

[7]鄭凱.基于數據驅動的機電裝備典型零部件健康壽命預測技術研究[D].貴州大學，2019.

課題項目：貴州省礦山裝備數字化技術工程研究中心（黔教合[2017]026號）;貴州省教育廳創新群體重大研究項目（黔教合KY字[2017]029）

作者簡介：鄭凱（1992-），碩士研究生，講師，主要從事故障預測和健康管理研究。