[发明专利]一种基于深度梯度下降森林的轴承剩余寿命预测方法

说明书

本发明公开了一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，该方法将梯度下降算法集成至经典深度森林模型中，利用梯度下降算法具有降低模型损失、训练速度快和提高算法收敛速度等优点，提高了深度梯度下降森林模型的收敛速度并具有小样本预测性能；考虑到不同退化状态机械轴承的时间依赖性,采用长短时记忆网络(LSTM)作为前端提取轴承信号特征，挖掘轴承数据的时序性，深度梯度下降森林算法作为后端进行轴承剩余寿命预测，此方法降低了机械轴承剩余寿命预测的误差与预测花销，最大化利用轴承时序信息，其基于树的模型空间复杂度低，可解释性强、鲁棒性好，可以自动学习特征以及小样本预测，所需超参数少，便于操作人员理解与推广。

技术领域

本发明属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能技术领域，尤其涉及一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法。

背景技术

机械轴承是机械设备传动系统中的关键部件，轴承的运行状态正常与否对于保障机械设备安全运行发挥着重要的作用，据相关文献统计，约有30％-40％旋转机械总故障是由轴承故障引起，在感应电机故障中约40％电机故障由轴承故障引发，在齿轮箱这类齿轮故障频发的设备中也约有20％齿轮箱故障由轴承故障产生。然而在实际生产运作中常常会出现一部分超过使用寿命的轴承仍在机械设备中运转，如若不及时更换将引发大面积机械故障。如果能准确识别超过使用寿命的轴承，进行轴承更换，能有效节省维修资金最大力度的保障机械设备的正常运行，为企业的生产运营保驾护航，因此机械轴承剩余寿命预测研究对我国现阶段工业化建设起到重要作用。

随着机械大数据，人工智能，物联网的大规模兴起，机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)进入了飞速的智能化发展时期。机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)是一个集机械、电气、计算机、人工智能等多学科交叉技术。其进行机械轴承故障诊断与健康管理最主要的目的是利用诊断、剩余寿命预测结果指导机械轴承的维修与更换，保证大型机械正常运行，减少或消除机械故障或事故的发生，提高机械设备的利用率，为企业提供更高效的服务。

机械轴承剩余寿命预测是根据轴承当前的健康状态以及合适的状态退化模型，预测轴承的剩余使用寿命。现阶段常用的机械轴承剩余寿命预测主要是基于模型的预测方法、数据驱动的预测方法以及混合预测方法。基于模型的预测方法在实际应用中很难建立精准的数学模型，适用范围较窄而数据驱动的预测方法需要大量的数据去训练，混合预测方法的难度最高，工作量最大。深度梯度下降森林属于数据驱动方法类，具备深度学习模型高精准度的优点而且计算和优化开销成本低、泛化能力强、具有较少的超参数，不需要大量数据集就能达到极佳的诊断与剩余寿命预测效果。进而，深度梯度下降森林的出现为机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)提供了新的方法途径。

深度梯度下降森林(Deep SGD-Forest)是一种有监督的机器学习集成算法，它基于深度森林模型改进而来，借鉴了深度神经网络(Deep Neural Networks,DNN)中Layer-by-Layer结构，用前一层输入的样本数据和输出结果数据做拼接以此作为下一层的输入数据。其模型是一种基于级联森林结构与长短时记忆网络(Long Short-Term Memory,LSTM)结构的深度学习模型。它模型简单，可解释性强，计算开销小，没有正向和反向传播过程，复杂度可以自适应伸缩，具有较强的鲁棒性能和比深度神经网络所需更少的超参数。由于深度梯度下降森林具有高精确度、计算和优化开销成本低、具有较少的超参数，不需要大量数据集就能达到极佳的分类效果，可以适用于不同的工程实际应用，如金融领域中的股票预测、商业领域中的保险购买预测、医学领域中的癌症分类研究、交通运输领域汽车牌照识别、军事领域中的军事目标识别等。

深度梯度下降森林模型的工作原理是：