康守強 邢穎怡 王玉靜 王慶巖 謝金寶 MIKULOVICH Vladimir Ivanovich

滾動軸承是易受損部件之一[1],其剩余使用壽命(Remaining useful life,RUL)與設備運行狀態(tài)息息相關,通過對滾動軸承進行壽命預測能夠避免因軸承失效導致的停機維修、人員傷亡等問題,具有重要意義[2-3].

剩余壽命預測是指根據設備的歷史退化趨勢,預測出設備從當前時刻到最終失效的時間間隔[4].現(xiàn)有的設備剩余壽命預測方法可分為3 類[5]: 基于機理模型的方法、數據驅動的方法和兩種方法相結合的方法.文獻[6]利用Paris-Erdogan 模型描述滾動軸承性能退化趨勢,獲得較好效果.然而,在實際工作中滾動軸承工況會隨著時間發(fā)生變化,很難建立精確的機理模型.采用數據驅動的方法建立預測模型可直接從歷史輸入數據中提取有用的信息構建模型,受其他因素影響較小,是一種較為有效的建模方法.

現(xiàn)階段,基于數據驅動預測剩余使用壽命的方法主要分為基于退化趨勢建模及建立回歸模型.文獻[7]利用全參數動態(tài)學習深度信念網絡對滾動軸承進行剩余壽命預測,具有較高的預測精度.文獻[8]利用皮爾遜相似度法對軸承數據進行相似度分析,并采用改進隱馬爾科夫退化模型完成滾動軸承自適應預測,具有較小的預測誤差.文獻[9]利用卷積神經網絡級聯(lián)Catboost 構建改進的深度森林,完成滾動軸承剩余壽命預測,很好地表征了軸承的退化過程.上述數據驅動方法需要找到剩余壽命和性能退化過程之間的對應關系,但在實際工作中,剩余壽命預測對象一般具有多退化量及非線性退化過程,較難找到準確對應關系,導致很難構建健康指標、準確設定失效閾值,使得剩余壽命預測方法的結果受到較大影響.

假若先進行狀態(tài)識別則可避免上述問題.目前,已有許多學者針對滾動軸承狀態(tài)識別方法進行研究.文獻[10-11]分別提出多目標優(yōu)化改進經驗模態(tài)分解、階數統(tǒng)計濾波器結合快速奇異頻譜分解提取淺層故障特征的方法,有效地解決了軸承狀態(tài)識別問題.淺層特征提取方法已廣泛應用在滾動軸承狀態(tài)識別等方面,但依賴信號預處理技術及專家經驗.

深度學習網絡可自動提取高維數據的深層特征,近幾年在機械狀態(tài)識別領域得到了廣泛應用[12].文獻[13]利用深度學習中的去噪堆疊式自動編碼器進行特征提取,實現(xiàn)軸承故障診斷,獲得了較好效果.文獻[14]利用集合經驗模態(tài)分解-希爾伯特包絡譜結合深度信念網絡,有效實現(xiàn)變負載下滾動軸承故障診斷.文獻[15]提出多輸入層卷積神經網絡,可將譜分析數據在模型任意位置輸入,有效解決了滾動軸承故障診斷問題.

在實際工作中,滾動軸承的工況常常是變化的,帶有標簽的樣本數據量過少,同時訓練數據與測試數據分布不一定相同,導致基于深度學習的狀態(tài)識別方法效果并不理想.遷移學習可以解決樣本數據不充裕及數據分布不同的問題,故在機械狀態(tài)識別領域得到一定應用.文獻[16]提出一種利用域自適應模塊輔助狀態(tài)識別模塊學習域不變特征的方法,取得了較好的軸承故障分類效果.文獻[17]提出一種深度域適應方法,有效地解決了齒輪在多種工作條件下的故障診斷問題.然而,域適應方法存在特征映射困難的問題,導致分類效果不理想,而模型遷移不存在此類問題.模型遷移是通過參數傳遞的形式將源域中的相關知識遷移到目標領域的方法.文獻[18]提出一種基于神經網絡的智能故障診斷方法,首先從大量數據中學習特征并調整源域網絡的參數,得到預訓練模型,然后將預訓練模型中參數傳遞給目標域網絡,實現(xiàn)不同工作條件下滾動軸承故障診斷,并獲得較高的準確率.模型遷移方法一般只使用傳統(tǒng)預訓練特征且只考慮高級特征,但并不是所有高級特征都對目標域訓練起到積極作用,而模型的梯度則可能包含有用的特征信息,因此將模型的梯度作為一種“特征”并傳遞給目標域,理論上可提升模型遷移的效果.

然而,在實際生產中有些數據集缺少甚至沒有標簽,導致很難建立有效模型,為了克服這種局限性,可使用狀態(tài)退化嚴重性信息(例如健康、輕度、中度等)標記未標記的原始數據.文獻[19]提出一種基于狀態(tài)持續(xù)時間的轉轍機故障預測方法,利用K-means 聚類方法對轉轍機健康狀態(tài)進行劃分.但聚類算法的劃分結果實質上是隨機的,且機械設備的工作環(huán)境對劃分結果影響較大[20].文獻[21]提出一種離線和在線機器健康評估方法,利用自下而上(Bottom-up,BUP)的時間序列分割方法劃分所選特征序列,以區(qū)分轉轍機的健康狀態(tài).

綜上,針對滾動軸承工況種類繁多且某種工況數據不含標簽導致壽命預測誤差大的問題,對傳統(tǒng)剩余使用壽命預測方法進行改進,提出一種新的智能壽命預測方法.

1 )該方法引入自下而上時間序列分割算法,將均方根(Root mean square,RMS)特征分割為不同退化狀態(tài)子序列,同時在快速傅里葉變換(Fast Fourier transform,FFT)幅值序列上標記退化狀態(tài)信息,構建不同域數據集.

2 ) 利用新增卷積層的全卷積神經網絡(Full convolutional neural network,FCN)訓練源域數據以獲取預訓練模型,同時提出將模型的梯度“特征”及傳統(tǒng)預訓練模型特征傳遞到目標域數據(無標簽)訓練過程中,以達到改進無監(jiān)督深度模型遷移策略及構建狀態(tài)識別模型的目的.

3 )提出將狀態(tài)概率估計法與狀態(tài)識別模型相結合構建預測模型,無需構建健康指標即可實現(xiàn)無監(jiān)督條件下不同工況滾動軸承的剩余壽命預測.

1 自下而上分割算法理論

時間序列分割是將序列分解成具有相似特征子序列的過程.BUP 時間序列分割算法是分段線性逼近技術,由分割和合并兩步完成.首先,將長度為T的時間序列數據點兩兩連接,劃分成不重合的T/2個初始分段,并計算合并相鄰段的擬合代價(擬合誤差).然后,循環(huán)地從中選擇最小的擬合代價,如果該最小值小于設定的分段閾值,則合并對應的兩個分段,并計算新分段與其前后分段的擬合代價.重復該過程,直到所有的擬合代價均不小于分段閾值,分段結束.最佳分段閾值借助變化率 (RoC) 和變異系數 (CV) 確定,具體計算過程為

式中,DFSi是第i個特征片段 (FSi) 內的測量變量,diff(DFSi) 是變量差值,LFSi是時間指數,CVs是第s個RoC的誤差.

算法1.自下而上分割算法

由于BUP 將給定的序列分解為特征相似的子序列,因此,可以將每個分段視為具有不同劣化程度的機械設備健康狀態(tài).

2 FCN 網絡及新增卷積層的FCN

2.1 FCN 網絡

FCN 是以卷積神經網絡為基礎進一步發(fā)展的神經網絡,其采用反卷積層對最后一個卷積層的特征圖進行上采樣,對每個特征點進行預測,保留原始輸入空間信息,具有更好的分類效果.網絡結構如圖1 所示.

圖1 FCN 網絡結構Fig.1 FCN network structure

FCN 主要由輸入層、卷積層、池化層、輸出層組成.

1 )輸入層: 數據的輸入.

2 )卷積層: 卷積層的每個卷積核以固定大小與該卷積層中的數據進行卷積并產生相應的特征.同時采用非線性激活函數加強泛化能力,防止梯度消失.卷積運算為

3 )池化層: 采用最大池化算子對特征進行稀疏化處理,降低運算量.最大池化算子的函數表示為

4 )輸出層: 對最后一個池化層的輸出進行首尾全連接操作,然后使用softmax 分類器完成多分類過程,該模型可用式(6)進行描述

式中,fv表示特征矢量;bo和ωo分別代表偏差向量和權值矩陣.

2.2 新增卷積層的FCN 網絡

FCN 網絡通過堆疊多個濾波器對輸入樣本數據進行逐層卷積操作,完成輸入數據的深層特征自動提取.從每層卷積層中提取出蘊含在樣本數據中的特征,隨著卷積層數加深,所提取到的特征會變得更抽象.因此,能否更好地提取數據深層特征與FCN 網絡的卷積層數息息相關.

當樣本數據分布差異較大時,為更好地降低樣本數據間的特征差異,可加深FCN 網絡的卷積層數,更好地挖掘樣本數據之間的關系.增加卷積層數能夠改善分類結果,但可能造成特征信息丟失,二者存在相互制衡問題.因此,通過增加一層卷積層構建新的FCN 網絡,使其具有更好的特征提取效果,并且新增卷積層參數需根據輸入數據大小及卷積計算公式確定.新增卷積層的FCN 網絡結構如圖2 所示.

圖2 新增卷積層的FCN 網絡Fig.2 FCN network with new convolutional layer

新增卷積層的FCN 網絡理論上分為以下兩步:

1 )前向傳播

在訓練數據集中隨機抽取樣本數據并逐層傳送到輸出層,計算相應的實際輸出,其過程可描述為

式中,a為相應的輸入數據流,w和b為相應層神經元的權重與偏置,f代表一系列的池化、歸一化、激活函數操作.

2 )后向傳播

后向傳播即誤差傳播階段,計算理想輸出差異,即代價函數為

式中,m為類別數量,hw,b表示權重與偏置的函數.利用隨機梯度下降的方法尋找最佳的w和b,使得代價函數最小.

3 加入梯度特征的無監(jiān)督模型遷移

3.1 基于梯度的表示學習

模型遷移由預訓練和遷移訓練組成.傳統(tǒng)的預訓練模型的使用,基本遵循以下原則:

1 )獲得預訓練模型fθ;

2 )將預訓練模型用于新的學習任務,相當于將預訓練模型的參數θ復制給新學習任務,并將其作為目標域網絡的初始化參數;

3 )目標域網絡在新的學習任務上基于θ進行訓練,得到新的.

通常,復制參數時選擇固定某一些網絡層,因為預訓練模型提取的特征一般分為低級特征與高級特征.通常認為低級特征是所有學習任務都具備的,而高級特征則需要針對不同的學習任務進行學習.此時需要根據經驗選擇需要固定的網絡層,然后基于這些特征構建新的網絡,但是這種做法存在無法確定傳遞的參數對新任務是否有積極的影響以及參數數量是否充足的問題.因此將梯度也作為一種“特征”傳遞給目標域網絡,增加參數量.

假設預訓練模型參數為θ,預訓練模型相當于一種特征提取器,提取激活特征(x),模型的權重為

此時將梯度看作另一種預訓練特征,求解方法為

式中,(x) 是預訓練模型參數θ所對應的的雅克比矩陣,ω代表特征向量權重,F代表網絡.

最終,傳遞給目標域網絡的特征變?yōu)?(x)(x)),網絡的學習目標為

3.2 參數傳遞

傳統(tǒng)機器學習要求訓練數據與測試數據同分布且需要足夠的數據標注來訓練模型,然而在實際生產中很難滿足這一條件.無監(jiān)督模型遷移方法可解決上述問題,其過程如圖3 所示.

圖3 無監(jiān)督模型遷移過程示意圖Fig.3 Schematic diagram of unsupervised model transfer process

首先使用有標簽源域數據集進行預訓練,然后使用無標簽目標域數據集(無監(jiān)督) 對預訓練形成的模型進行遷移訓練,也就是微調的過程.具體為給預訓練模型做一個“換頭術”,即切掉最后的softmax 層,然后接上一個新的參數隨機初始化后的softmax 層,即完成模型遷移的過程.

深度模型遷移方法中l(wèi)ogits (softmax 層的輸入)訓練過程如圖4 所示.在此過程中,僅初始化logits 層參數,參數更新過程為

圖4 logits 層訓練框圖Fig.4 Block diagram of logits layer training

式中,ωj和bj分別是第j層神經元的權值和偏置,Δ代表增量符號.

利用式(14)和式(15)計算圖4 中卷積層和logits 層的第j層輸出:

遷移訓練過程中,只有l(wèi)ogits 層進行參數更新,卷積層僅計算輸出.計算交叉熵函數,函數表示為

式中,C表示分類數,yc表示真實標簽,表示logits 層輸出.

使用自適應矩估計(Adaptive moment estimation,Adam)優(yōu)化算法提高收斂速度[22],其思想是將動量與均方根傳遞(Root mean square prop,RMSProp)優(yōu)化算法相結合,表示為

4 剩余壽命預測

根據時間序列屬于不同退化狀態(tài)的概率Pi,采用狀態(tài)概率估計法進行剩余壽命預測.狀態(tài)概率估計法是指根據狀態(tài)分類器得到的時間序列分屬于不同退化狀態(tài)的概率,以及由歷史數據(訓練樣本)確定的每種退化狀態(tài)對應的剩余使用壽命,進而得到當前狀態(tài)剩余壽命的方法.某時刻剩余壽命的計算過程為

式中,Dui表示由歷史數據(訓練樣本)得到的設備在第i(i=1,2,···,C) 個狀態(tài)時的駐留時間.k表示當前狀態(tài)駐留時間系數,用于調整剩余壽命預測準確度,C代表狀態(tài)類別.RULi表示由訓練樣本得出的設備處于第i個退化狀態(tài)時的剩余壽命.P(Xt=i) 代表序列Xt處于第i個退化狀態(tài)的概率,與式(14)中的Pt含義相同.

5 滾動軸承RUL 預測方法

基于無監(jiān)督模型遷移和狀態(tài)概率估計法的滾動軸承剩余壽命的預測流程如圖5 所示.

圖5 滾動軸承剩余壽命預測流程框圖Fig.5 Block diagram of remaining life prediction process of the rolling bearing

具體過程為:

1 )數據預處理

獲取某種工況下全壽命的滾動軸承振動信號,將其視為源域(有標簽),非全壽命的滾動軸承振動信號作為目標域(無標簽).對軸承原始振動信號源域數據求時域RMS 特征并做歸一化處理,然后分別對源域、目標域滾動軸承原始振動信號做快速傅里葉變換,得到頻域幅值序列.

2 )分割并標記滾動軸承退化狀態(tài)

引入自下而上算法對滾動軸承源域數據的RMS 特征進行分割,分別為正常期、退化期和衰退期[23].將劃分好的滾動軸承退化狀態(tài)類別對應標記在經過快速傅里葉變換后的幅值序列上.

3 )深層特征提取

利用新增卷積層的FCN 具有更好挖掘高維數據特征的能力,以及在空間和時間上具有更強魯棒性的特點,對變工況下滾動軸承源域數據和目標域數據的頻域幅值序列進行特征提取,得到滾動軸承深層特征.

4 )多狀態(tài)識別

將快速傅里葉變換后得到的幅值序列(有標簽)輸入新增卷積層的FCN 網絡中進行預訓練,得到包含梯度特征的預訓練模型.將預訓練模型除分類層的參數傳遞給目標域網絡,利用目標域數據(無標簽)對softmax 層進行參數初始化并重新訓練,完成參數傳遞的過程.經過多次迭代尋優(yōu),建立滾動軸承多狀態(tài)分類模型,實現(xiàn)無監(jiān)督條件下滾動軸承狀態(tài)識別,得到多分類結果(概率).

5 )剩余壽命預測

利用多狀態(tài)識別結果,即滾動軸承分屬于每種退化狀態(tài)的概率Pi,以及由歷史全壽命數據確定的每種退化狀態(tài)對應的剩余使用壽命 (RULi),根據式(20)和式(21)計算滾動軸承剩余使用壽命.通過預測的剩余壽命 (RUL) 與真實壽命(ActRUL)之間的誤差EJ來反映模型剩余壽命預測性能的好壞.預測誤差如式(22)所示,即

6 應用與分析

6.1 實驗數據

采用IEEE PHM 2012 Data Challenge 軸承數據對本文提出的基于深度遷移學習的滾動軸承狀態(tài)識別與壽命預測進行實驗驗證[24].數據集是在PRONOSTIA 實驗平臺上得到的,在不同操作條件下對滾動軸承進行加速退化實驗,當振動信號的振幅超過20 g (g 表示重力加速度)時,測試即停止.振動信號分為水平方向和垂直方向,每10 s 記錄一次數據,記錄時間為0.1 s,采樣頻率為25.6 kHz,即每次采集2 560 個數據點.本文使用水平方向振動數據完成實驗.

本文利用軸承1_1、1_2、2_1、2_2、3_1 和3_2 共6 個軸承進行訓練(源域數據、有標簽),分別對軸承1_3、1_4、1_5、1_6、1_7、2_3、2_4、2_5、2_6、2_7 和3_3 (目標域數據、無標簽)共11 個軸承進行狀態(tài)識別和剩余壽命預測,此種情況符合無監(jiān)督實驗要求.表1 為實驗數據描述,表2為不同工況描述.

表1 PHM 2012 數據描述Table 1 PHM 2012 data description

表2 三種工況描述Table 2 Description of the three working conditions

根據本文所提出的滾動軸承狀態(tài)識別問題,采用1_1→2_3,1_1→2_4,1_1→2_5,1_1→2_6,1_1→2_7,1_1→3_3,1_2→2_3,1_2→2_4,1_2→2_5,1_2→2_6,1_2→2_7,1_2→3_3 等遷移任務來驗證所提方法的有效性,以此類推,工況2 及工況3 的實驗任務與工況1 的類似.其中1_1→2_3 代表源域數據集1_1 的知識遷移到目標域數據集2_3.由以上遷移任務可知,同一測試軸承具有6 個實驗結果,將其平均值作為狀態(tài)識別準確率.

6.2 數據預處理及結果

首先對軸承1_1、1_2、2_1、2_2、3_1 和3_2,共6 組數據進行快速傅里葉變換,同時提取6組數據的RMS 特征并進行歸一化處理.然后利用自下而上算法對RMS 特征進行分割,得到滾動軸承的退化狀態(tài)類別(正常期、退化期、衰退期)及駐留時間Dui,并計算出不同狀態(tài)的分割點.將滾動軸承的退化狀態(tài)類別標記在經快速傅里葉變換后的幅值序列上,將其作為源域數據集.以軸承1_1 為例,圖6 和圖7 分別為軸承1_1 時域振動信號及FFT后的頻域幅值圖,圖8 為分割軸承1_1 RMS 特征后的結果圖,其中三角形符號代表退化狀態(tài)拐點.

圖6 軸承1_1 原始數據時域信號Fig.6 Time domain raw signal of bearing 1_1

圖7 軸承1_1 頻域幅值信號Fig.7 Frequency domain amplitude signal of bearing 1_1

圖8 軸承1_1 RMS 特征的分割結果Fig.8 Segmentation results of bearing 1_1 RMS features

6.3 無監(jiān)督條件下滾動軸承多狀態(tài)識別過程及結果

6.3.1 所提方法各部分改進前后對比實驗

本節(jié)對模型遷移前后以及FCN 新增卷積層前后以及利用梯度特征前后進行對比實驗.實驗中采用TensorFlow 作為學習的框架.根據多次實驗結果及經驗,學習率統(tǒng)一設為0.01,迭代次數為200,初始權重為0.9.為減小隨機初始化待訓練參數對所提方法的狀態(tài)識別結果的影響,每次實驗重復驗證10 次.

在使用新增卷積層的FCN 前提下,對模型遷移前后進行對比實驗分析.實驗任務以1_1→2_7為例,實驗結果分別如圖9 和圖10 所示.

圖9 軸承2_7 遷移之前訓練及測試損失值Fig.9 Training and testing loss values for bearing 2_7 before transferring

圖10 軸承2_7 遷移之后訓練及測試損失值Fig.10 Training and testing loss values for bearing 2_7 after transferring

比較圖9 和圖10 可以看出,使用模型遷移方法,訓練損失值變化不大,測試損失值波動較小且收斂穩(wěn)定.由此可證明模型遷移相對于深度學習更適合解決變工況滾動軸承狀態(tài)識別問題,這與深度模型遷移可提高分類效果的理論也是相符的.

在使用深度模型遷移及梯度特征的前提下,修改FCN 網絡的卷積層數目,對修改前后進行比較,根據多次實驗可以確定最適合的卷積層數目為4.實驗任務以1_1→2_7 為例,結果如表3 所示.

表3 卷積層數修改前后實驗結果Table 3 Experimental results before and after modification of the number of convolutional layers

由表3 可以看出,修改卷積層數目后,狀態(tài)識別準確率明顯提高.其原因是修改深層卷積網絡的卷積層數目相當于加深網絡,可以提取到更多的深層特征,表達更多信息.

在使用新增卷積層的FCN 及采用深度模型遷移的前提下,將梯度特征傳遞給目標域網絡,實驗結果對比如表4 所示.

表4 傳遞梯度特征前后實驗對比結果Table 4 Experimental comparison results before and after transferring gradient features

從表4 可以看出,在傳統(tǒng)預訓練特征基礎上將預訓練模型梯度特征也傳遞給目標域網絡時,準確率相對于只傳遞傳統(tǒng)預訓練特征時至少提高6.9%,且平均準確率達到99.43%,驗證了模型遷移時將梯度特征傳遞給目標域網絡可以提高分類效果,同時說明沒有負遷移現(xiàn)象的產生.

6.3.2 與其他算法對比實驗

為進一步說明本文提出的方法在狀態(tài)識別上具有更好的效果,將其與新增卷積層的FCN 深度模型、新增卷積層的FCN 遷移模型(只傳遞傳統(tǒng)預訓練特征)、文獻[16]及文獻[17]進行對比實驗研究.實驗過程中使用相同的源域及目標域數據集,對比結果如圖11 所示.

圖11 所提方法與其他方法的對比結果Fig.11 Comparison of the proposed method with other methods

由圖11 可以看出,遷移后的模型要比沒有遷移的模型效果好,同時傳遞梯度特征可提高分類效果,且本文所提方法的準確率要高于文獻[16]及文獻[17] 所用的域適應遷移方法,平均準確率達到99%,相比對比方法提高10%.

6.4 預測RUL 過程及結果

1 )建立預測模型: 以軸承1_1 為例,將全壽命1_1 數據集中的前75%數據取出作為驗證集對模型進行驗證,得到多狀態(tài)識別結果.利用分類結果Pi以及每種退化狀態(tài)對應的駐留時間Dui,由式(20)和式(21)建立數學模型,得到三種退化狀態(tài)對應的RUL.對軸承1_1 來說,Dui為各個狀態(tài)所持續(xù)的時間,k為測試樣本與訓練樣本數據點數之比.同理,對軸承1_2、2_1、2_2、3_1 和3_2 進行驗證,共得到6 個軸承的各退化狀態(tài)對應的RUL,并以此作為測試軸承剩余使用壽命的計算依據.

2 )計算剩余壽命: 以訓練軸承1_1、測試軸承2_7 為例,已知全壽命軸承1_1 各退化狀態(tài)對應的RUL,利用非全壽命軸承2_7 與全壽命軸承1_1樣本數據點數之比,得到當前狀態(tài)駐留時間系數k,得出軸承2_7 各退化狀態(tài)對應的RUL,并由式(20)和式(21)計算軸承2_7 的RUL.同理,利用其他5 個訓練集進行訓練,共可得到軸承2_7 的6組RUL結果.以單獨訓練集數據點數在整個訓練集數據點數中的占比對所得6 個結果進行加權,得到軸承2_7 的最終剩余壽命.以同樣方法計算其他10 個測試軸承的剩余壽命.

為了證明本文所提方法的有效性,利用IEEE PHM 2012 軸承數據庫的剩余壽命預測精度評分標準,對滾動軸承RUL 預測進行評價,如式(23)和式(24)所示.利用本文預測方法進行預測的結果和誤差如表5 所示.

表5 不同軸承RUL 預測誤差結果對比Table 5 Comparison of RUL prediction error results of different bearings

由實驗結果可以看出,軸承1_5、2_5 的剩余壽命預測誤差較大,軸承1_6、2_4、2_6、3_3 預測誤差較小,且平均誤差為19.37%.為更好地證明所提方法的有效性,與其他方法預測誤差結果進行對比,其中,方案1 是新增卷積層的FCN 深度模型與狀態(tài)概率估計法相結合,方案2 是新增卷積層的FCN 遷移模型與狀態(tài)概率估計法相結合,具體結果如表6 所示.

表6 與其他方法預測誤差結果對比Table 6 Comparison of prediction error results with other methods

從上述實驗結果可以看出,利用本文方法所得RUL 平均預測誤差為19.37%,與方案1 平均誤差31.33%、方案2 平均誤差28.76%、文獻[25]平均誤差32.48%、文獻[26]平均誤差53.24%相比,平均預測誤差更小.綜上,可證明所提方法在滾動軸承RUL 預測方面的有效性且相對于其他方法更具有優(yōu)勢.

7 結束語

1 )針對傳統(tǒng)聚類方法的劃分結果受機械設備工作環(huán)境影響較大的問題,本文引入一種新的自下而上時間序列分割算法,對滾動軸承特征序列進行分割,將特征序列劃分為具有相似特征的子序列,保證了滾動軸承退化狀態(tài)劃分的準確性.

2 )滾動軸承因受環(huán)境、工況等因素影響,難以獲取到大量有標簽的數據,本文利用新增卷積層的FCN 網絡進行特征提取,并將梯度作為另一種“特征”傳遞給目標域,完成對不同工況滾動軸承的無監(jiān)督狀態(tài)識別,解決了有標簽訓練數據少、訓練與測試數據分布差異大導致分類準確率低的問題,平均準確率達到99.43%,相對于其他方法平均準確率提高至少10%.

3 )針對滾動軸承剩余壽命預測中健康指標難構建以及壽命預測誤差大的問題,本文結合無監(jiān)督模型遷移及狀態(tài)概率估計法對滾動軸承剩余壽命進行預測,避免了構建健康指標,預測誤差至少提高13%且多數軸承為超前預測,具有更好的預測效果.

在驗證本文所提方法有效性的過程中,對PHM 2012 數據庫中的振動數據進行了充分實驗驗證,但尚未對此數據庫之外的實際滾動軸承數據進行剩余使用壽命預測的實驗,這將是今后的重要研究內容.