本發(fā)明屬于機械設(shè)備狀態(tài)監(jiān)測和壽命預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法。

背景技術(shù)：

在現(xiàn)代工業(yè)生產(chǎn)中，機械設(shè)備越來越復(fù)雜，機械零部件間的聯(lián)系越來越緊密，由于工作環(huán)境復(fù)雜多變，機械零部件極易發(fā)生不同程度的故障，進而導(dǎo)致整個機械裝備無法工作，甚至造成難以估量的經(jīng)濟損失和重大事故。因此，通過機械零部件狀態(tài)監(jiān)測實現(xiàn)工作狀態(tài)的有效識別，進一步實現(xiàn)剩余壽命的精確預(yù)測，據(jù)此確定機械設(shè)備的最優(yōu)維護時機，使其在發(fā)生故障前得到有效預(yù)防，延長機械零部件的使用壽命顯得十分重要。健康指標(biāo)的構(gòu)造是機械零部件狀態(tài)監(jiān)測和壽命預(yù)測中至關(guān)重要的一環(huán)，健康指標(biāo)的好壞直接影響后期壽命預(yù)測的準確性。

傳統(tǒng)的健康指標(biāo)構(gòu)造主要使用現(xiàn)代信號處理方法從原始信號中提取得到，在物理意義上與機械零部件的退化過程密切相關(guān)，比如均方根值、峰峰值等。通常健康指標(biāo)的取值范圍受工況影響較大，增大了變工況下機械零部件失效閾值確定的難度；單一的健康指標(biāo)往往對機械零部件的特定衰退階段敏感，無法在全壽命周期內(nèi)表現(xiàn)出良好的趨勢性。同時，由于機械零部件振動信號具有復(fù)雜多變性，直接使用傳統(tǒng)的健康指標(biāo)難以有效地反映機械零部件的衰退過程。上述缺點可能會導(dǎo)致機械零部件狀態(tài)監(jiān)測過程中早期故障難以被及時發(fā)現(xiàn)，繼而影響壽命預(yù)測的精度。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法，通過信息融合的方法將多種健康指標(biāo)融合為一個，充分挖掘機械零部件振動信號中的狀態(tài)信息，實現(xiàn)退化過程的準確表達，同時可以將健康指標(biāo)的取值控制在恒定范圍內(nèi)，便于失效閾值的確定。

為了達到上述目的，本發(fā)明采取的技術(shù)方案為：

一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法，包括以下步驟：

1)獲取機械零部件振動信號，計算振動信號時域特征，得到機械零部件時域特征序列f1＝(f1¹,f1²,...,f1¹¹)，其中f1¹，f1²，…，f1¹¹分別為均值、均方根值、峰峰值、方差、熵、峭度指標(biāo)、偏斜度指標(biāo)、波峰指標(biāo)、波形因子、脈沖指標(biāo)和裕度指標(biāo)；對振動信號進行傅里葉變換，得到一個全局譜特征序列f2，并對全局譜特征序列進行平均分割，得到由低頻到高頻的四個子譜特征序列f3、f4、f5、f6；

2)將步驟1)中得到的六個特征序列依次帶入式(1)計算得到機械零部件的相似性特征：

其中，k為特征序列長度，和分別為初始時刻和t時刻下特征序列的均值，和ftⁱ分別為初始時刻和t時刻下特征序列第i個分量的值，得到的相似性特征依次記為f1，f2，f3，f4，f5，f6；

3)對振動信號進行三層小波包變換，依據(jù)式(2)計算得到八個頻帶能量比特征：

其中ei(i＝1，2，...，8)為小波包各個頻帶的能量值，為全部小波包頻帶的能量和，得到的頻帶能量比特征依次記為f7，f8，f9，f10，f11，f12，f13，f14；

4)依據(jù)式(3)分別計算機械零部件的六個相似性特征和八個頻帶能量比特征f1～f14的綜合評價指標(biāo)：

式中：

其中，fl和tl分別是第l個觀測點的特征值和時間，和分別是全壽命周期內(nèi)特征序列和時間序列的均值，l是全壽命周期內(nèi)特征序列的長度，ε(x)是單位階躍函數(shù)，corr衡量的是特征序列與時間序列的線性相關(guān)程度，mon衡量的是特征序列的單調(diào)性；

5)將計算得到的十四個特征的綜合評價指標(biāo)cri進行標(biāo)準化得到cri'，選取cri'＞0.5的特征作為機械零部件退化過程的敏感特征集；

6)利用全壽命數(shù)據(jù)集對循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，其中xt∈r^n×1為t時刻的敏感特征集，yt∈[0,1]是相應(yīng)時刻機械零部件真實退化率，yt＝0代表機械零部件處于完全健康狀態(tài)，yt＝1代表處于完全故障狀態(tài)，循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的代價函數(shù)如式(6)所示：

其中，為循環(huán)神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，yt為真實退化率；

7)測試階段，將計算得到的敏感特征集作為訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，得到新的機械零部件健康指標(biāo)rnn-hi。

本發(fā)明的有益效果為：

本發(fā)明構(gòu)造了新的相似性特征，用來表征機械零部件偏離正常狀態(tài)的程度，通過特征的綜合評價指標(biāo)篩選出機械零部件退化過程的敏感特征集，利用循環(huán)神經(jīng)網(wǎng)絡(luò)充分融合與提取敏感特征集中的狀態(tài)信息，得到新的機械零部件健康指標(biāo)rnn-hi，能夠很好地反映機械零部件的退化趨勢，將得到的健康指標(biāo)用于壽命預(yù)測，提高了預(yù)測結(jié)果的準確度。

附圖說明

圖1為本發(fā)明方法的流程圖。

圖2為由譜特征序列得到的相似性特征示意圖。

圖3為長短時記憶模型的結(jié)構(gòu)示意圖。

圖4為滾動軸承bearing1_1和滾動軸承bearing2_6的全壽命振動信號。

圖5為標(biāo)準化后的綜合評價指標(biāo)。

圖6為滾動軸承bearing2_6的壽命預(yù)測結(jié)果。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明做進一步闡述。

參照圖1，一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法，包括以下步驟：

1)獲取機械零部件振動信號，計算機械零部件振動信號時域特征，得到機械零部件時域特征序列f1＝(f1¹,f1²,...,f1¹¹)，其中f1¹，f1²，…，f1¹¹分別為均值、均方根值、峰峰值、方差、熵、峭度指標(biāo)、偏斜度指標(biāo)、波形指標(biāo)、波形因子、脈沖指標(biāo)和裕度指標(biāo)；對振動信號進行傅里葉變換，得到一個全局譜特征序列f2，并對全局譜特征序列進行平均分割，得到由低頻到高頻的四個子譜特征序列f3、f4、f5、f6；

2)將步驟1)中得到的六個特征序列依次帶入式(1)計算得到機械零部件的相似性特征：

其中，k為特征序列長度，和分別為初始時刻和t時刻下特征序列的均值，和ftⁱ分別為初始時刻和t時刻下特征序列第i個分量的值，得到的相似性特征依次記為f1，f2，f3，f4，f5，f6，如果兩時刻機械零部件狀態(tài)接近，則相似性特征近似于1，反之近似于0，圖2是由譜特征序列得到的相似性特征示意圖；

3)對振動信號進行三層小波包變換，依據(jù)式(2)計算得到八個頻帶能量比特征：

其中ei(i＝1，2，...，8)為小波包各個頻帶的能量值，為全部小波包頻帶的能量和，得到的頻帶能量比特征依次記為f7，f8，f9，f10，f11，f12，f13，f14；

4)依據(jù)式(3)分別計算機械零部件的六個相似性特征和八個頻帶能量比特征f1～f14的綜合評價指標(biāo)：

式中：

其中，fl和tl分別是第l個觀測點的特征值和時間，和分別是全壽命周期內(nèi)特征序列和時間序列的均值，l是全壽命周期內(nèi)特征序列的長度，ε(x)是單位階躍函數(shù)，corr衡量的是特征序列與時間序列的線性相關(guān)程度，mon衡量的是特征序列的單調(diào)性；

5)將計算得到的十四個特征的綜合評價指標(biāo)cri進行標(biāo)準化得到cri'，選取cri'＞0.5的特征作為機械零部件退化過程的敏感特征集；

6)利用全壽命數(shù)據(jù)集對循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，其中xt∈r^n×1為t時刻的敏感特征集，yt∈[0,1]是相應(yīng)時刻機械零部件真實退化率，yt＝0代表機械零部件處于完全健康狀態(tài)，yt＝1代表處于完全故障狀態(tài)，循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的代價函數(shù)如式(6)所示：

其中，為循環(huán)神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，yt為真實退化率，使用的是改進的循環(huán)神經(jīng)網(wǎng)絡(luò)—長短時記憶模型，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)中的梯度爆炸與消失問題，圖3為長短時記憶模型的結(jié)構(gòu)示意圖，最大的特點就是在循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上添加了各層的閥門節(jié)點，用于判斷記憶單元中的信息是否加入到該層的計算中，按照計算順序給出每個部分的計算公式：

gt＝φ(wgxxt+wghht-1+bg)(7)

it＝σ(wixxt+wihht-1+bi)(8)

ft＝σ(wfxxt+wfhht-1+bf)(9)

ot＝σ(woxxt+wohht-1+bo)(10)

其中，wgx、wix,、wfx和wox分別是t時刻輸入層xt和輸出層ht之間的權(quán)值，wgh、wih、wfh和woh是隱藏層t時刻和t-1時刻之間的權(quán)值，bg、bi、bf和bo是偏差，ht-1前一時刻隱藏層的輸出值，gt,，it，ft和ot分別是輸入節(jié)點、輸入門、忘記門和輸出門的輸出值，st和st-1分別是內(nèi)狀態(tài)在t時刻和前一時刻的值，σ(x)是門激活函數(shù)，φ(x)是輸入激活函數(shù)，h(x)是輸出激活函數(shù)；

7)測試階段，將計算得到的敏感特征集作為訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，得到一種新的機械零部件健康指標(biāo)rnn-hi。

為了進一步證明基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法的有效性，使用pronostia試驗臺的滾動軸承加速壽命實驗數(shù)據(jù)進行驗證。

pronostia試驗臺提供了滾動軸承從正常狀態(tài)到完全失效的全壽命周期數(shù)據(jù)，實驗中所用的滾動軸承沒有設(shè)置初始故障，通過氣缸向滾動軸承外圈提供壓力使其在幾個小時內(nèi)就可以加速完成整個退化過程，并且每個退化滾動軸承可能包含任何一種故障形式，使用加速度傳感器在滾動軸承外圈的豎直和水平方向進行數(shù)據(jù)采集。實驗過程中，采樣頻率為25600hz，采樣點數(shù)為2560，每次采樣時間為0.1s，兩次采樣的時間間隔為10s。三組實驗數(shù)據(jù)分別對應(yīng)不同的轉(zhuǎn)速和負載，bearing1_1～bearing1_7的轉(zhuǎn)速為1800rpm，負載為4000n；bearing2_1～bearing2_7的轉(zhuǎn)速為1650rpm，負載為4200n；bearing3_1～bearing3_3的轉(zhuǎn)速為1650rpm，負載為4200n，每組實驗數(shù)據(jù)又分為訓(xùn)練集和測試集。圖4所示為用于訓(xùn)練的滾動軸承bearing1_1和用于測試的滾動軸承bearing2_6的全壽命振動信號。

對訓(xùn)練集的滾動軸承振動信號進行特征提取，得到特征集f1～f14，計算相應(yīng)的綜合評價指標(biāo)，標(biāo)準化后的綜合評價指標(biāo)cri'如圖5所示?？梢钥闯?，f1、f2、f3、f9、f10、f11、f12和f14標(biāo)準化后的綜合評價指標(biāo)大于0.5，應(yīng)該作為敏感特征集，其中f1，f2和f3為提出的相似性特征，證明了相似性特征在描述退化過程上的有效性。提取訓(xùn)練集數(shù)據(jù)的敏感特征集對循環(huán)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到相應(yīng)的健康指標(biāo)rnn-hi，為了與之對比，提取了huang提出的基于自組織神經(jīng)網(wǎng)絡(luò)的健康指標(biāo)som-hi，其中rnn-hi的綜合評價指標(biāo)為0.7474，som-hi的綜合評價指標(biāo)為0.6877，二者在描述滾動軸承的退化趨勢上均具有較好的效果，然而som-hi在三種工況下沒有恒定的失效閾值，rnn-hi的失效閾值均近似于1，可以看出rnn-hi的效果要優(yōu)于som-hi。

為了驗證rnn-hi在滾動軸承壽命預(yù)測中的有效性，使用基于粒子濾波的雙指數(shù)壽命預(yù)測模型進行壽命預(yù)測，雙指數(shù)模型如下式所示：

y＝ae^bt+ce^dt

式中，y為滾動軸承健康指標(biāo)rnn-hi，t為時間，a，b，c和d均為模型參數(shù)，使用粒子濾波方法進行參數(shù)更新。如圖6所示，以測試滾動軸承bearing2_6為例，預(yù)測的剩余壽命中間值1470s，置信度為0.95的置信區(qū)間為[720s,1690s]。

測試集所有滾動軸承的壽命預(yù)測結(jié)果如表1所示，壽命預(yù)測精度通過平均百分誤差來衡量：

其中，actruli和ruli分別是第i個測試軸承的實際剩余壽命和預(yù)測剩余壽命。同時作為對比，將som-hi用于滾動軸承剩余壽命預(yù)測，表1中給出了相應(yīng)的預(yù)測結(jié)果，可以看出rnn-hi的平均百分誤差為32.48％，som-hi的平均百分誤差為53.24％，基于循環(huán)神經(jīng)網(wǎng)絡(luò)融合的機械零部件健康指標(biāo)構(gòu)造方法在剩余壽命預(yù)測中具有更高的精度。

表1