一种旋转机械剩余使用寿命预测方法、装置及终端设备与流程

1.本发明涉及旋转机械监测技术领域，尤其涉及一种旋转机械剩余使用寿命预测方法、装置及终端设备。


背景技术：

2.交通运输、采矿、石油化工、能源电力、国防工业等都是依靠多种机械设备同时协调运转而进行工程作业，其中旋转机械的使用最为广泛，约占工业系统总设备数量的80％左右。旋转机械会不断退化，也即旋转机械是具有使用寿命的，因此，对于旋转机械的预测性维护，从而及时更换、维修避免造成巨大的经济损失和人员事故。
3.目前，对于旋转机械的rul(remaining useful life，旋转机械剩余使用寿命)预测方法可分为模型驱动方法、数据驱动方法和两者混合构成的混合驱动方法。其中，模型驱动方法根据设备的失效机理建立数学或物理模型来描述设备退化信息，但该方法需要深入了解设备的内部结构及机理特性，难度较大，混合驱动方法也具有同样的问题；数据驱动方法通过借助传感器来监测设备的运行情况，从而获取大量反映设备健康信息的数据来构建模型，具有无需考虑机械结构、工况以及失效机理等优势，极大程度上提高剩余寿命预测的精确度。数据驱动方法中，利用holt dem来预测旋转机械的rul，具有结构简单、消耗时间和内存较少、对硬件要求较低的特点，但holt dem存在超参数难以确定的问题，使其难以投入长期变化的预测场景中。


技术实现要素：

4.本发明的主要目的在于提出一种旋转机械剩余使用寿命预测方法、装置及终端设备，解决传统的holt dem超参数难以确定，使其难以投入长期变化的预测场景中的问题。
5.为实现上述目的，本发明实施例第一方面提供了一种旋转机械剩余使用寿命预测方法，包括：
6.基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据；
7.将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测；
8.其中，改进holt dem包括：采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值。
9.可选地，所述基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，包括：
10.对所述状态监测原始数据添加hi标签，获得状态监测标签数据；
11.将所述状态监测标签数据输入drsn网络进行特征提取，获得所述hi数据。
12.可选地，对所述状态监测原始数据添加hi标签之后，包括：
13.对添加hi标签后的状态监测原始数据进行批标准化和批归一化处理，获得所述状态监测标签数据。
14.可选地，所述apcssa中发现者的位置更新公式为：
[0015][0016][0017][0018]
其中，r1和r2为自适应递变因子，为位置更新公式，fg为当前最优适应度值；fw为当前最差适应度值；
[0019]
所述apcssa中追随者的位置更新公式为：
[0020][0021]
其中，x
p
为发现者占据的最佳位置；xw为当前最劣位置，a为一行多维的矩阵，其中每个元素随机赋值为1或-1，n为麻雀种群数量。
[0022]
可选地，麻雀意识到危险时，预警者发出预警信号，预警者的位置更新公式为：
[0023][0024]
其中xb为当前的全局最优位置；β为步长控制参数，其为服从均值为0，方差为1的正态分布的随机数；k∈[-1,1]是一个随机数；fi为当前麻雀的适应度值；fg和fw分别为当前全局最佳和最差的适应度值；ε为最小的常数。
[0025]
可选地，所述平滑处理为高斯平滑处理。
[0026]
可选地，基于深度残差收缩网络重构目标旋转机械的状态监测原始数据之前，包括：
[0027]
根据旋转机械种类及旋转机械数据集特点，对旋转机械数据集进行筛选获得特征数据作为原始数据。
[0028]
本发明实施例第二方面提供了一种旋转机械剩余使用寿命预测装置，包括：
[0029]
hi数据构建模块，用于基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据；
[0030]
剩余使用寿命预测模块，用于将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测；
[0031]
其中，改进holt dem包括：采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值。
[0032]
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在
上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
[0033]
本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
[0034]
本发明实施例提供的旋转机械剩余使用寿命预测方法，采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值，进而通过改进的holt dem对目标旋转机械的剩余使用寿命进行预测，解决了传统的holt dem超参数难以确定，使其难以投入长期变化的预测场景中的问题。
附图说明
[0035]
图1为本发明实施例提供的旋转机械剩余使用寿命预测方法的实现流程示意图；
[0036]
图2为本发明实施例构建的hi曲线；
[0037]
图3为本发明实施例提供的apcssa优化holt dem具体流程；
[0038]
图4为本发明实施例使用apcssa对观测加权参数和趋势平滑参数进行寻优定值的效果；
[0039]
图5为本发明实施例以轴承数据为例的旋转机械剩余使用寿命预测结果；
[0040]
图6为本发明实施例以航空发动机数据为例的旋转机械剩余使用寿命预测结果；
[0041]
图7为本发明实施例提供的旋转机械剩余使用寿命预测装置的组成结构示意图。
[0042]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0043]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0044]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0045]
在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
[0046]
如图1所示，本发明实施例提供一种旋转机械剩余使用寿命预测方法，包括但不限于如下步骤：
[0047]
s101、基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据。
[0048]
在具体应用中，针对不同旋转机械种类，旋转机械的状态监测数据具有的不同特点，因此，本发明实施例根据旋转机械种类及旋转机械数据集特点，对旋转机械数据集进行筛选获得特征数据作为原始数据。例如，对于轴承数据集，监测数据仅有振动信号，且数据未经处理，尺寸无法与网络匹配，这时需要对其尺寸进行调整，特征数据就选取振动信号数据作为构建hi的原始数据即可；对于航空发动机数据，监测数据为来自21个不同传感器的
信号，这时就要进行特征的选取作为构建hi的原始数据。
[0049]
在一个实施例中，上述步骤s101的使用深度残差收缩网络进行重构的实现步骤包括：
[0050]
s1011、对所述状态监测原始数据添加hi标签，获得状态监测标签数据；
[0051]
s1012、将所述状态监测标签数据输入drsn网络进行特征提取，获得所述hi数据。
[0052]
在具体应用中，为加快网络收敛速度，上述步骤s1011中对所述状态监测原始数据添加hi标签之后，还包括：
[0053]
对添加hi标签后的状态监测原始数据进行批标准化和批归一化处理，获得所述状态状态监测标签数据。
[0054]
示例性的，将状态监测原始数据表示为：
[0055][0056]
其中e表示第一个时序序列的元素个数，s表示时序序列的总数。
[0057]
设q∈[1,s]，则对其添加hi标签之后，第q个时序序列的hi标签l如式(1)所示。然后，对训练集和测试集分别根据公式(2)和(3)作批标准化和归一化处理，并根据数据集特点重塑数据尺寸，加快网络收敛速度，使得其与drsn输入层网络相匹配。
[0058][0059][0060][0061]
其中，x
bn
表示经批标准化后的数据；μ表示数据样本的均值；σ表示数据样本的标准差；x
nl
表示数据归一化后的数值大小，x
max
和x
min
分别为每个采样周期中的最大值和最小值。
[0062]
将经过批标准化和归一化处理后的测试集数据输入深度残差收缩网络，其输出经高斯平滑后即为hi，表示为时间序列(m1,m2…ms
)。以滚动轴承和航空发动机为例，本发明所构建的hi曲线如图2所示，包括(a)滚动轴承的hi曲线图，以及(b)航空发动机的hi曲线图，(a)的横轴表示时间，单位为10s，纵轴表示hi数据；(b)的横轴表示时间，单位为圈，纵轴表示hi数据，(a)和(b)中，点表示平滑处理前的数据，线表示平滑处理后的数据。
[0063]
需要说明的是，深度残差收缩网络需要进行预训练，其预训练过程示例性的为：首先获取训练集数据和测试集数据，其中，训练集数据也经过上述的hi标签添加、批标准化即批归一化处理，然后通过处理后的训练集数据和测试集数据训练初始的深度残差收缩网络，获得本发明实施例中的深度残差收缩网络。
[0064]
初始的深度残差收缩网络由1个卷积层、4个残差块、1个批标准化(bn)层、1个relu激活层、1个全局平均池化层和1个全连接层构成。卷积核大小为3x3、移动步长为2，卷积核个数为64。示例性的，初始的深度残差收缩网络选用adam优化器，最小批次设置为64，训练次数设置为100，损失函数选择为如式(4)所示的均方误差：
[0065][0066]
其中，为第q个样本的预测值，yq为第q个样本的真实值，s为总样本个数。
[0067]
示例性的，初始的深度残差收缩网络的参数设置如下表1所示。
[0068][0069]
表1
[0070]
s102、将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测。
[0071]
在上述步骤s102中，改进的holt dem对目标旋转机械的剩余使用寿命进行预测，。示例性的，以轴承作为目标旋转机械，其在起始预测时刻剩余使用寿命为18010s，预测值达到阈值1时对应时刻剩余使用寿命为23790s，则轴承的剩余使用寿命为23790-18010＝5780s。
[0072]
在上述步骤s102中，改进的holt dem通过采用apcssa对观测加权参数和趋势平滑参数进行寻优定值，解决超参数难以确定的问题。
[0073]
在实际应用中，旋转机械退化趋势具有长期趋势但不具有季节效应，因此，holt dem适用于进行旋转机械的剩余使用寿命预测。而在holt dem中，两个平滑参数决定了预测结果的准确度，即观测加权参数和趋势平滑参数，本发明实施例示例性的以下述公式(5)-(7)，表示有趋势的时间序列数据预测：
[0074]st
＝αx
t
+(1-α)(s
t-1
+t
t-1
)
ꢀꢀ
(5)
[0075]
t
t
＝β(s
t-s
t-1
)+(1-β)t
t-1
ꢀꢀ
(6)
[0076][0077]
其中，s
t
为在时间t处的平滑项，x为真实值，t为趋势项，为预测值，α为过去观测加权的参数，用于估算序列的水平需求，β为趋势平滑的参数，用于估算序列的增长趋势，并且，(0＜α＜1，0＜β＜1)。
[0078]
本发明实施例通过apcssa对上述的观测加权参数和趋势平滑参数进行寻优定值。
[0079]
需要说明的是，apcssa是基于ssa的改进算法，其通过模拟麻雀觅食并躲避捕食者的行为等过程实现对模型参数的优化搜索。在传统ssa中，选取适应度值最佳的前20％的麻雀作为觅食范围广的发现者，其位置更新规则如下：
[0080][0081]
其中，t为当前迭代次数，t为总的迭代次数，表示在第t次迭代时第i只麻雀在第d维中的位置信息，α∈(0,1]是一个随机数，r2∈[0,1]表示预警值，st∈[0.5,1]表示安全值，q是服从标准正态分布的随机数，l是一行多维的全一矩阵。
[0082]
在实际应用中，发现者作为麻雀种群的开拓者和领导者，其寻优的结果将会最大程度的影响整个算法的效果。在传统ssa的发现者位置更新公式中，当r2＜st时麻雀处于安全区域，而其下一时刻位置为当前位置与一个随机数的乘积，且同样，当r2＞st时麻雀处于危险位置，而其下一时刻位置为当前位置与一个随机数之和。原式中随机取值的不确定性过于占据主导，而且并没有体现出位置更新与适应度值的紧密关系，这会使得麻雀探索的空间有所限制，可能会陷入局部最优解的情况。由此，本发明实施例引入自适应递变因子r1和r2来改进原式，本发明实施例提供的发现者的位置更新公式为：
[0083][0084][0085][0086]
其中，fg为当前最优适应度值；fw为当前最差适应度值。
[0087]
在改进后的公式中，当r2＜st时，前期r1较小，麻雀个体搜索能力加强，后期r1较大，能扩大后期搜索范围，跳出局部最优，使得发现者在安全范围内能充分探索。当r2＞st时，发现者处于危险位置，前期r2较大，可使麻雀较为迅速地逃离危险，回到群体安全范围，后期r2较小，使得麻雀在安全范围内探索充分，并提高寻优整体速度。
[0088]
除了发现者，剩余的麻雀均作为追随者，本发明实施例提供的追随者的位置更新公式为：
[0089][0090]
其中，x
p
为发现者占据的最佳位置；xw为当前最劣位置，a为一行多维的矩阵，其中每个元素随机赋值为1或-1，n为麻雀种群数量。
[0091]
在一个实施例中，麻雀意识到危险时，预警者发出预警信号，预警者的位置更新如式(13)所示：
[0092][0093]
其中xb为当前的全局最优位置；β为步长控制参数，其为服从均值为0，方差为1的正态分布的随机数；k∈[-1,1]是一个随机数；fi为当前麻雀的适应度值；fg和fw分别为当前全局最佳和最差的适应度值；ε为最小的常数，以避免分母出现零。
[0094]
因此，本发明实施例通过apcssa对上述的观测加权参数和趋势平滑参数进行寻优定值，实际为使用上述的发现者的位置更新公式和追随者的位置更新公式，对holtdem的观测加权参数和趋势平滑参数进行寻优定值，基于此，apcssa优化holtdem具体流程如图3所示，具体步骤如下：
[0095]
s1、初始化apcssa和holtdem的参数，包括麻雀种群数量、最大迭代次数、寻优维度，holtdem待优化参数α，β。
[0096]
s2、采用holtdem的预测值和实际值的均方根误差作为适应度函数，并计算初始值。
[0097]
s3、计算预警值，以预警值大小为依据，根据式(11)更新发现者位置。
[0098]
s4、根据式(12)更新追随者的位置。
[0099]
s5、根据式(13)更新部分警戒者的位置。
[0100]
s6、计算麻雀个体新位置的适应度值，将更新后的适应度值与原来的最优值进行比较，并更新全局最优信息。
[0101]
s7、重复步骤(2)到步骤(6)，至迭代次数达到终止条件，输出holt dem最优参数。
[0102]
为检验本发明实施例所提供的使用apcssa对观测加权参数和趋势平滑参数进行寻优定值的改进效果，选取基准测试函数schwefel，将apcssa与其他算法，包括gwo、pso、gsa、ssa、cssa、fassa进行仿真对比实验。
[0103]
其中，基准测试函数schwefel如下式(14)所示：
[0104][0105]
需要说明的是，结果取最优值、最差值、平均值、标准差以及平均时间作为算法性能的评判标准，所有计算过程重复进行30次，实验的集成开发环境为matlab(r2020a)。设置每种算法的迭代次数为1000，种群初始数量为100，空间维度为30。基于此，本发明实施例使用apcssa对观测加权参数和趋势平滑参数进行寻优定值的效果，通过图4所示的(a)schwefel函数三维图(b)收敛曲线对比图进行展示，(a)schwefel函数三维图包括x1轴、x2轴和f2轴，(b)收敛曲线对比图的横轴表示迭代次数，纵轴表示合适度；而基准函数优化结果如下表2所示：
[0106][0107][0108]
表2
[0109]
如图5和图6所示，本发明实施例还分别以轴承和航空发动机数据为例，示出了使用上述步骤s101和步骤s102对目标旋转机械进行剩余使用寿命预测所获得的预测结果，其具体数值及指标对比分别如表3和表4所示。其中，图5为轴承的预测结果，横轴表示时间，单位为10s，纵轴表示hi数据；图6为航空发动机的预测结果，横轴表示时间，单位为圈，纵轴表示hi数据。示例性的，图5中，轴承起始预测时刻为18010s，预测值达到阈值1时对应时刻为23790s，则rul为23790-18010＝5780s。
[0110]
如图7所示，本发明实施例还提供一种旋转机械剩余使用寿命预测装置，包括：
[0111]
hi数据构建模块71，用于基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据；
[0112]
剩余使用寿命预测模块72，用于将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测；
[0113]
其中，改进holt dem包括：采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值。
[0114]
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例中所述的旋转机械剩余使用寿命预测方法中的各个步骤。
[0115]
本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述实施例中所述的旋转机械剩余使用寿命预测方法中的各个步骤。
[0116]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种旋转机械剩余使用寿命预测方法，其特征在于，包括：基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据；将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测；其中，改进holt dem包括：采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值。2.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，包括：对所述状态监测原始数据添加hi标签，获得状态监测标签数据；将所述状态监测标签数据输入drsn网络进行特征提取，获得所述hi数据。3.如权利要求2所述的旋转机械剩余使用寿命预测方法，其特征在于，对所述状态监测原始数据添加hi标签之后，包括：对添加hi标签后的状态监测原始数据进行批标准化和批归一化处理，获得所述状态监测标签数据。4.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述apcssa中发现者的位置更新公式为：现者的位置更新公式为：现者的位置更新公式为：其中，r1和r2为自适应递变因子，为位置更新公式，f
g
为当前最优适应度值；f
w
为当前最差适应度值；所述apcssa中追随者的位置更新公式为：其中，x
p
为发现者占据的最佳位置；x
w
为当前最劣位置，a为一行多维的矩阵，其中每个元素随机赋值为1或-1，n为麻雀种群数量。5.如权利要求4所述的旋转机械剩余使用寿命预测方法，其特征在于，麻雀意识到危险时，预警者发出预警信号，预警者的位置更新公式为：
其中x
b
为当前的全局最优位置；β为步长控制参数，其为服从均值为0，方差为1的正态分布的随机数；k∈[-1,1]是一个随机数；f
i
为当前麻雀的适应度值；f
g
和f
w
分别为当前全局最佳和最差的适应度值；ε为最小的常数。6.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述平滑处理为高斯平滑处理。7.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，基于深度残差收缩网络重构目标旋转机械的状态监测原始数据之前，包括：根据旋转机械种类及旋转机械数据集特点，对旋转机械数据集进行筛选获得特征数据作为原始数据。8.一种旋转机械剩余使用寿命预测装置，其特征在于，包括：hi数据构建模块，用于基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得hi数据；剩余使用寿命预测模块，用于将所述hi数据平滑处理后，通过改进的holt dem对所述目标旋转机械的剩余使用寿命进行预测；其中，改进holt dem包括：采用apcssa对holt dem的观测加权参数和趋势平滑参数进行寻优定值。9.一种终端设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的旋转机械剩余使用寿命预测方法中的各个步骤。10.一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的旋转机械剩余使用寿命预测方法中的各个步骤。

技术总结
本发明适用于旋转机械监测技术领域，提供了一种旋转机械剩余使用寿命预测方法、装置及终端设备。方法包括基于深度残差收缩网络重构目标旋转机械的状态监测原始数据，获得HI数据；将HI数据平滑处理后，通过改进的HoltDEM对目标旋转机械的剩余使用寿命进行预测。本发明采用APCSSA对HoltDEM的观测加权参数和趋势平滑参数进行寻优定值，解决了传统的HoltDEM超参数难以确定，使其难以投入长期变化的预测场景中的问题。景中的问题。景中的问题。


技术研发人员：朱冬 方向明 宋雯 张建 唐国梅
受保护的技术使用者：七腾机器人有限公司
技术研发日：2023.04.19
技术公布日：2023/8/21