[发明专利]基于APSO-DBN的滚动轴承剩余寿命预测方法

权利要求书

1.一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：该方法包括以下5个步骤：

(1)利用传感器获得复杂设备在不同健康状态下的时域监测信号；

(2)对时域监测信号进行分段(每段的采样点数一致)，并将数据划分为训练集和测试集；

(3)建立一个多隐含层的DBN模型，根据故障样本维数确定DBN模型的输入层节点数，使用训练集对DBN模型进行无监督逐层训练；

(4)根据数据样本量确定DBN模型的输出层节点数，使用对比散度和自适应PSO算法对DBN模型的权重进行反向微调；结合粒子群算法的非线性寻优能力寻找函数极值，获得全局最优解，即获得最终最小振动值与之相应的相位；

(5)利用训练好的DBN模型对测试集样本数据进行剩余寿命预测。

2.根据权利要求1所述的一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：DBN由多个RBM堆叠而成，训练过程由预训练和微调构成；DBN运用CD算法逐层进行训练，得到每一层的参数W和c用于初始化DBN，之后再用监督学习算法对参数进行微调；DBN训练步骤如下：

(1)预训练：分别单独无监督的训练每一层RBM网络，确保特征向量映射到不同特征空间，都尽可能的保留特征信息；它通过一个非监督贪婪逐层方法预训练获得权重；数据输入到可见层，生成一个向量V，在通过权值w传给隐藏层，得到h，由于隐藏层之间是无连接的，所以可以并行得到隐藏层所有节点值；通过隐层激活单元和可视层输入之间的相关性差别就作为权值更新的依据；

(2)微调：在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器；而且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络；RBM网络训练模型的过程看作对一个深层BP网络权值参数的初始化，使DBN克服BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。

3.根据权利要求1所述的一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下：

但是PSO在整个搜索寻优过程中，由于群体中的各粒子依据自我前进跟随全局最优和粒子本身个体最优，粒子对全局最优的不断追踪使得粒子速度越来越小，易陷入局部最优；为了避免上述情况，采用自适应粒子群优化算法，根据群体早熟收敛程度、多样性以及粒子个体的适应度函数值来自适应地调整粒子飞行的速度；自适应粒子群算法表述为：

φ_j＝b_j*r_j+d_j,j＝1,2

惯性权重调整公式为：

式中：i为当前迭代数；φ为(0,4)间均匀分布随机数，b_j＝1.5,d_j＝0.5，r_j为(0,1)间均匀分布随机数；b_j和d_j共同作用使j在(0.5,2)间随机分布，为是否进行变异的判断标准，i_max为最大迭代数，惯性权重最大值w_max为0.9，最小值w_min为0.4。