[发明专利]基于隐马尔科夫模型和迁移学习的轴承寿命预测方法

说明书

本发明公开一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，包括步骤(1)采集滚动轴承的全寿命原始信号；并提取包含时域、时频域和三角函数特征的特征集合；(2)将特征集合输入隐马尔科夫模型预测隐状态，获取故障发生时刻；(3)将来自所有源域和部分目标域的特征集合组成训练集输入构建的多层感知机模型，通过优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；(4)将剩余的目标域特征集输入神经网络寿命预测模型，根据输出值预测轴承的剩余寿命。本发明利用隐马尔科夫模型自动检测出故障发生时刻，之后采用基于多层感知器的迁移学习来解决不同工况条件造成的源域和目标域的分布差异。

技术领域

本发明涉及滚动轴承的运行状态、寿命预测技术领域，具体涉及一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法。

背景技术

滚动轴承是航天航空、电力、石化、冶金以及机械等工业部门中使用最广泛，也是最容易损伤的部件之一。旋转机械的工作状态与滚动轴承有密切关系，据统计，在使用滚动轴承的旋转机械设备中，约30％的机械故障是与轴承损伤有关联的。轴承寿命预测对保证正常生产进程和避免经济损失具有重大意义。

寿命预测方法通常分为4种类别：基于物理模型的方法，基于统计模型的方法，基于人工智能的方法和混合方法。其中基于人工智能的方法，由于其强大的建模能力能够直接从采集得到的状态监测数据推断出剩余寿命，所以一直成为研究的热点。从传统的浅层模型诸如人工神经网络，支持向量机，关联向量机和随机森林到深度学习模型诸如卷积神经网络，自编码，受限玻尔兹曼机和循环神经网络都被应用于寿命预测。

但是目前的寿命预测方法通常存在两点缺陷：1)故障发生时刻(FOT)被忽视或者通过经验决定。然而准确确定FOT很重要因为故障无关的信息诸如噪声被抑制同时重要的故障退化信息被保留。2)源域和目标域的样本必须服从相同的数据分布。但是由于工况的不同，分布差异存在于源域和目标域导致模型推广能力下降。

发明内容

本发明实施例提供一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，利用隐马尔科夫模型自动检测出故障发生时刻，之后采用基于多层感知器的迁移学习来解决不同工况条件造成的源域和目标域的分布差异，以提高滚动轴承寿命预测的准确性和有效性。

为了解决上述技术问题，本发明提供了一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，包括以下步骤，

(1)采集滚动轴承运行的全寿命原始信号；

(2)从原始信号中提取时域特征、时频域特征和三角函数特征，形成特征集合；

(3)将特征集合转成观测序列输入隐马尔科夫模型，通过无监督方式预测隐状态，获取故障发生时刻；

(4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测：根据迁移学习框架构建多层感知机模型，将来自所有源域和部分目标域的特征集合组成训练集输入多层感知机模型，通过所提的优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；

(5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型，根据输出值预测该轴承的剩余寿命。

本发明一个较佳实施例中，进一步包括所述多层感知机模型具有输入层、两个隐层HL1、HL2、输出层；取隐层HL2的输出为域适应目标构建域适应模块，用以减少不同域之间的差异获得域不变特征。

本发明一个较佳实施例中，进一步包括所述域适应模块包括特征挖掘器和域分类器，所述域分类器具有隐层HL3和域判别输出层；所述特征挖掘器和域分类器之间通过生成对抗网络的方式来对齐特征，获得域不变特征。

本发明一个较佳实施例中，进一步包括所述域适应模块包括域分布差异度量，所述域分布差异度量采用最大均值差异来度量。