[发明专利]多层双向门控循环单元网络的旋转机械剩余寿命预测方法

说明书

本发明公开了多层双向门控循环单元网络的旋转机械剩余寿命方法，包括振动信号采集；健康指标的构建；网络训练集的构建；多层双向门控循环单元网络的构建；多层双向门控循环单元网络的训练；网络测试和剩余寿命的估计及置信区间的获取；剩余寿命预测评价。本发明结合深度学习强大特征提取能力的优势，利用双向门控循环单元神经网络进行了回归预测，通过Bootstrap方法获取剩余寿命的置信区间。针对循环神经网络模型在训练过程中模型精度对学习率的取值较为敏感，过高和过低都会影响模型的预测性能的问题，利用自然指数衰减学习效率高效训练神经网络。本发明能准确预测旋转机械剩余寿命和置信区间,可以大幅减少昂贵的计划外维修，避免大灾难的发生。

技术领域

本发明涉及旋转机械剩余寿命预测技术，特别是一种多层双向门控循环单元网络的旋转机械剩余寿命预测方法。

背景技术

由于先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法在机械设备剩余寿命预测中得到了广泛的应用，因为它们能够利用状态监测数据来量化退化过程，而不是建立一个不容易获得的精确系统模型。

故障预测与健康管理包括故障检测、故障诊断、剩余寿命预测和健康管理四个阶段。当故障被发现或诊断时，通常会尽快关闭机器以避免灾难性的后果。执行这样的行动通常发生在不方便的时间，通常会造成大量的时间和经济损失。因此，必须以预测的方式而不是诊断的方式来安排维护策略。考虑有效的机械预测维护的准确剩余寿命预测，从而减少昂贵的非计划的机械维修。从这个角度出发，考虑有效的机械预测维护的剩余寿命预测至关重要。工业现场中常见的旋转零部件，如轴承、齿轮、转子等，是旋转机械设备中的重要组成构件，它的健康状况直接影响旋转机械能否正常运转。这些关键部件损坏严重会导致生产停工，带来巨大经济损失，因此，对机械设备剩余寿命准确预测对于设备安全可靠运行具有重要意义。

现有的剩余寿命预测方法主要存在以下问题：(1)深度学习方法能有效挖掘传感器数据的隐藏特征，为剩余寿命预测提供了更好的点估计。由于测量噪声和模型参数的原因，预测结果通常变化很大。仅进行剩余寿命的点估计是不能满足实际要求的。为表达预测结果的不确定性，不仅要计算确定的剩余寿命预测值，还需要计算剩余寿命的置信区间；(2)用深度学习方法进行剩余寿命预测是采用固定学习效率训练网络，效率较低；(3)基于模型的方法试图建立描述机械退化过程的数学或物理模型，并利用实测数据更新模型参数，实际中很难找到一个精确的模型来描述旋转机械的退化过程。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种多层双向门控循环单元网络的旋转机械剩余寿命预测方法，该多层双向门控循环单元网络的旋转机械剩余寿命预测方法能够提高预测的精度，有效获取剩余寿命的置信区间，进而为机械设备的运行维护提供可靠的建议，避免灾难性的后果。

为解决上述技术问题，本发明采用的技术方案是：多层双向门控循环单元网络的旋转机械剩余寿命预测方法，包括如下步骤：

步骤1，采集振动信号：对旋转机械的关键部件的振动信号进行采集。

步骤2，健康指标的构建：构建描述旋转机械关键部件退化过程的健康指标。

步骤3，利用滑动窗技术构建训练和测试数据集。

步骤4，构建网络：由单个双向GRU网络堆叠构建MBi-GRU神经网络。

步骤5，通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达。模型的输入输出就是步骤(3)获取的数据。

步骤6，训练网络：整个模型的训练通过误差反向传递来来最小化损失函数来训练，本发明提出用自然衰减学习效率来训练MBi-GRU神经网络。

步骤7，剩余寿命均值和置信区间的获取：将测试集的数据输入到步骤(5)训练好的网络中，测试集对应的输出就是想要得到的剩余寿命预测值和置信区间。