一种滚动轴承剩余寿命预测方法和系统

本发明属于机械资源预测，尤其涉及一种滚动轴承剩余寿命预测方法和系统。

背景技术：

1、滚动轴承作为工业设备中不可或缺的部件，其健康状态直接关乎到由整个机械系统。因此，准确预测轴承剩余寿命(remaining useful life,rul)对于实现设备预防性维护和提高生产效率至关重要。近些年来，尽管国内外学者对基于机器学习、深度学习等人工智能的轴承剩余使用寿命预测开展大量研究工作，然而，在实际工程中，由于受到变转速、变载荷等因素的影响，每个轴承所处的工况不同导致轴承数据分布的差异导致预测模型的性能急剧下降，限制了深度学习在轴承寿命预测中的应用。

2、为了解决训练样本与测试样本分布不一致导致传统机器学习方法效果严重退化的问题，许多学者采用迁移学习框架下的领域自适应方法通过提取领域不变特征，有效缓解了数据分布之间的差异。然而，这些域适应主要强调目标域和源域之间的相似性，而忽略了目标特定数据的互信息。忽略当前数据与其他数据之间的互信息来构建预测任务可能会导致预测的局限性。同时，忽略了多工况下传输任务中分布距离的未知，存在常用的分布距离度量方法存在梯度信息弱或梯度消失的问题，导致变工况下滚动轴承剩余寿命预测的准确性差，模型可迁移性差。

技术实现思路

1、为解决以上技术问题，提高变工况下滚动轴承剩余寿命预测的精确性，提高预测模型的可迁移性，本发明提出一种滚动轴承剩余寿命预测方法和系统。

2、本发明第一方面提出一种滚动轴承剩余寿命预测方法，该包括：获取待预测的样本数据，将其输入到预训练的剩余寿命预测神经网络中获得输出预测结果；

3、剩余寿命预测神经网络包括特征编码器和回归预测器，所述剩余寿命预测神经网络进行训练的过程包括：

4、获取源域样本数据和目标域样本数据；

5、将所述源域样本数据和目标域样本数据输入时间混合对比域适应训练模块，计算得到对比损失，利用对比损失迭代训练所述特征编码器；

6、将所述源域样本数据和目标域样本数据输入细粒度结构域适应训练模块，分别计算得到域判别损失和源域样本数据和目标域样本数据之间的细粒度匹配程度，利用域判别损失和细粒度匹配程度分别迭代训练所述特征编码器；

7、将所述源域样本数据输入特征编码器，提取源域特征，将源域特征输入回归预测器进行预测，计算得到回归预测损失，利用回归预测损失迭代训练所述回归预测器；

8、当迭代次数达到预先设定的迭代次数时停止迭代，得到训练好的剩余寿命预测神经网络。

9、进一步的，所述时间混合对比域适应训练模块包括特征编码器、跨域时间混合生成模块、动量编码器和投影器，其训练过程包括：将所述源域样本数据和目标域样本数据输入跨域时间混合生成模块，基于跨域时间混合策略生成目标主导域样本数据；利用动量编码器提取目标主导域样本数据的目标主导域特征；利用特征编码器对目标域样本数据提取目标域特征，利用投影器对所述目标域特征进行嵌入，得到嵌入特征；计算所述目标主导域特征与嵌入特征之间的对比损失，根据对比损失反向传播依次迭代训练所述投影器、特征编码器和动量编码。

10、进一步的，生成目标主导域样本数据的过程包括：从多个源域样本中循环移位操作产生聚合的虚拟样本数据，根据所述虚拟样本数据和目标域样本数据，基于跨域时间混合策略生成目标主导域样本数据。

11、进一步的，所述细粒度结构域适应模块包括特征编码器、细粒度计算模块和域鉴别器，其训练过程包括：利用特征编码器对所述源域样本数据和目标域样本数提取源域特征和目标域特征；将源域特征和目标域特征输入域鉴别器，进行对抗训练，混淆源域特征和目标域特征，计算域分类损失，根据域分类损失分别反向传播迭代训练域鉴别器和特征编码器；通过细粒度计算模块计算源域特征和目标域特征之间sinkhorn散度，sinkhorn散度所度量的结果即为源域特征和目标域特征之间的细粒度匹配程度，根据细粒度匹配程度反向传播迭代训练特征编码器。

12、本发明第二方面提出一种滚动轴承剩余寿命预测系统，包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中：

13、输入接口：用于获取训练样本或待检测的样本；

14、存储的程序指令包括：被编程为获取训练样本或待检测的样本的程序指令；

15、程序指令被编程为训练剩余寿命预测神经网络的程序指令，以获得训练好的剩余寿命预测神经网络，所述剩余寿命预测神经网络包括特征提取器和回归预测器；

16、程序指令被编程为利用训练好的剩余寿命预测神经网络进行预测并输出预测结果的程序指令；

17、处理器：调取程序指令对剩余寿命预测神经网络进行训练，得到训练好的剩余预测神经网络；

18、调取训练好的剩余预测神经网络的程序指令，指令特征提取器对所述待检测的滚动轴承振动数据进行特征提取，将提取的特征输入回归预测器进行预测处理，得到预测结果；

19、输出接口：用于输出剩余寿命预测值。

20、进一步的，处理器调取程序指令进行剩余寿命预测神经网络训练，其训练过程包括：

21、初始化系统参数，设置迭代训练次数；

22、通过输入接口获取训练样本数据；

23、处理器调取时间混合对比域适应训练模块的程序指令，指令时间混合对比域适应模块计算得到对比损失，利用对比损失迭代训练所述特征编码器；

24、处理器调取细粒度结构域适应训练模块的程序指令，指令细粒度结构域适应模块分别计算源域样本数据和目标域样本数据之间的细粒度匹配程度和域分类损失，利用细粒度匹配程度和域分类损失分别迭代训练所述特征编码器；

25、处理器特征编码器的程序指令，指令特征编码器提取源域特征，调取回归预测器的程序指令，指令将源域特征输入回归预测器进行预测，计算回归预测损失，通过回归预测损失迭代训练所述回归预测器；

26、当迭代次数达到预先设定的迭代次数时停止迭代，得到训练好的剩余寿命预测神经网络。

27、本发明第一方面和第二方面是基于同一发明构思，其技术特征可以互相引用，对于相同的技术特征将不再赘述。

28、本发明的有益效果：首先，本发明构建剩余寿命预测神经网络，在网络训练时采用搭载时间混合对比域适应训练模块、细粒度结构域适应训练模块进行训练；其次，本发明中的时间混合对比域适应训练模块采用循环移位的方法聚合源域样本获得的虚拟样本，使用固定比例的mixup数据增强方法，对源域和目标域进行跨域时间混合，得到目标主导域样本，通过动量编码器提取目标主导域特征，通过对比动量学习，计算目标域特征和目标主导域特征之间的对比损失，通过对比损失反向传播迭代训练特征编码器，进一步保留目标域的互信息；再次，本发明通过细粒度结构域适应训练模块，实现在对源域特征和目标域特征之间的对抗性训练，计算通过sinkhorn散度实现目标域特征与源域特征细粒度对齐，根据其结果反向传播迭代训练特征编码器，进一步提取源域特征与目标域特征之间的域不变特征；如此，利用本发明所构建的剩余寿命预测神经网络，能够准确提取源域特征与目标域特征之间的域不变特征，并且能充分利用目标域的互信息(即特定信息)，提高剩余寿命预测结果的准确率，也能提高剩余寿命预测模型(即剩余寿命预测神经网络)的可迁移性。

技术特征：

1.一种滚动轴承剩余寿命预测方法，其特征在于，包括：获取待预测的样本数据，将其输入到预训练的剩余寿命预测神经网络中获得输出预测结果；

2.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述时间混合对比域适应训练模块包括特征编码器、跨域时间混合生成模块、动量编码器和投影器，其训练过程包括：将所述源域样本数据和目标域样本数据输入跨域时间混合生成模块，基于跨域时间混合策略生成目标主导域样本数据；利用动量编码器提取目标主导域样本数据的目标主导域特征；利用特征编码器对目标域样本数据提取目标域特征，利用投影器对所述目标域特征进行嵌入，得到嵌入特征；计算所述目标主导域特征与嵌入特征之间的对比损失，根据对比损失反向传播依次迭代训练所述投影器、特征编码器和动量编码。

3.根据权利要求2所述的滚动轴承剩余寿命预测方法，其特征在于，生成目标主导域样本数据的过程包括：从多个源域样本中循环移位操作产生聚合的虚拟样本数据，根据所述虚拟样本数据和目标域样本数据，基于跨域时间混合策略生成目标主导域样本数据。

4.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述细粒度结构域适应模块包括特征编码器、细粒度计算模块和域鉴别器，其训练过程包括：利用特征编码器对所述源域样本数据和目标域样本数提取源域特征和目标域特征；将源域特征和目标域特征输入域鉴别器，进行对抗训练，混淆源域特征和目标域特征，计算域分类损失，根据域分类损失分别反向传播迭代训练域鉴别器和特征编码器；通过细粒度计算模块计算源域特征和目标域特征之间sinkhorn散度，sinkhorn散度所度量的结果即为源域特征和目标域特征之间的细粒度匹配程度，根据细粒度匹配程度分别反向传播迭代训练特征编码器。

5.根据权利要求2所述的滚动轴承剩余寿命预测方法，其特征在于，所述动量编码器的网络结构与特征提取器的网络结构相同，根据特征提取器的参数，并基于动量更新原则更新动量编码器的参数。

6.一种滚动轴承剩余寿命预测系统，其特征在于，包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中：

7.根据权利要求6所述的滚动轴承剩余寿命预测系统，其特征在于，存储的程序指令还包括：

8.根据权利要求7所述的滚动轴承剩余寿命预测系统，其特征在于，处理器调取程序指令进行剩余寿命预测神经网络训练，其训练过程包括：

9.根据权利要求6所述的滚动轴承剩余寿命预测系统，其特征在于，还包括：用于采集滚动轴承振动数据的振动传感器和被编程为对采集的滚动轴承振动数据进行预处理的程序指令，其预处理包括：将采集的滚动轴承振动数划分为全寿命周期的源域样本集和寿命周期数据不完整的目标域样本集，将滚动轴承的剩余使用寿命占全部使用寿命的比值作为源域样本的标签。

技术总结
本发明涉及一种滚动轴承剩余寿命预测方法和系统，该方法包括：获取待预测的样本数据，将其输入到训练好的剩余寿命预测神经网络中获得输出预测结果，剩余寿命预测神经网络包括特征编码器和回归预测器，在其训练过程中，利用特征编码器从源域样本数据中初步提取特征；利用时间混合对比域适应训练模块计算对比损失，利用对比损失迭代训练特征编码器，实现从目标域样本数据特征中进一步提取互信息作为一种高级特征；利用细粒度结构域适应训练模块计算域判别损失和源域样本数据和目标域样本数据之间的细粒度匹配程度，利用域判别损失和细粒度匹配程度迭代训练特征编码器，实现进一步提取源域与目标域之间的域不变特征。该系统包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中，处理器调取程序指令进行剩余寿命预测神经网络训练；调取训练好的剩余预测神经网络的程序指令，指令特征提取器对所述待检测的滚动轴承振动数据进行特征提取，将提取的特征输入回归预测器进行预测处理，得到预测结果。本发明有效地提高滚动轴承剩余使用寿命预测结果的准确率。

技术研发人员：黄庆卿,胡爱林,韩延,张焱,魏旻,王浩,王平,王佩月
受保护的技术使用者：重庆邮电大学工业互联网研究院
技术研发日：
技术公布日：2024/9/23