基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置

摘要

本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。

说明书

技术领域

本发明涉及机械性能衰退预测预测领域，特别是涉及基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置。

背景技术

现在伴随着科技技术愈来愈成熟，科技竞争力愈发增大，而工业技术的发展与国家的科技是密不可分的。而在科技发展的同时，机械设备正在向智能化、精密化方向发展。随着旋转机械运行时间增加，其性能衰退将会加快，其发生损坏的概率将会大大提高。因此，对机械设备的性能衰退预测是非常必要的。性能衰退预测是预知性维修不可或缺的重要部分组成之一，其对维护机械设备的寿命、健康状态和整个生产线安全运行有着非凡的意义。

机械设备内部机构复杂多样且工况未知，若在高负载工况下，轴承等易损部件将会受到不同程度的冲击，久而久之，将会导致滚动轴承等部件发生故障。通常情况下，性能衰退预测对于检测设备的性能状态非常重要，其能够检测和隔离早期故障并确定设备的性能状态。

目前，对于机械设备的性能衰退预测方法分为两类：基于模型驱动和数据驱动的方法。驱动方法主要的针对于设备的物理信息的变化来判断机械设备的性能衰退情况，其方法主要基于力学、应力、应变以及其他方法。Lei预测机器的使用寿命，使用一种随机过程模型的方法进行预测。Cubillo等人提出了一种物理的模型来预测旋转机械的性能衰退情况。虽然基于模型的方法可以分析其本质和准确的预测旋转机械性能衰退趋势，但是在很多工程应用中很难建立一些规定的物理模型且增加了预测难度。基于数据驱动的方法可以对所关注的机械设备实时监控，而且很容易对模型参数和设备的性能衰退下降趋势进行更新和调整。Liu等人对于由滚动轴承的运行状态所引起的一系列问题，使用基于模型的粒子滤波方法监测滚动轴承性能衰退情况，可见基于模型驱动的预测方法虽然能够有效的预测旋转机械的性能衰退趋势，但是对高维数据处理困难以及需要一定的人工经验这样将会造成预测精度低、处理时间长等问题。人工智能的方法可以自适应在未知机械设备状态的情况下建立模型，通过反复训练模型，来提高模型的预测精度。其中循环神经网络、长短期记忆(Long Short Term Memory，LSTM)等常用于机械设备性能衰退预测。Feng Li等人对于传统神经网络在预测旋转机械性能衰退精度低等情况下，提出一种量子递归编码器-解码器神经网络来预测机械设备的性能衰退趋势。Qiaoping Tian等人对于轴承运行的状态对机械设备的运行及维护成本等影响，提出了基于LSTM预测模型来对轴承性能衰退状态进行监测，进而预测其剩余使用寿命，经过实验证明该模型预测精度明显提高。Mengfu He等人对轴承运行状态影响机械系统正常运行等问题，提出LSTM模型来预测轴承的性能衰退情况。深度学习算法拥有强大的时间序列处理能力以及预测模型可以自适应的调整自身参数并达到最优化，在旋转机械设备的性能衰退预测方面应用较为广泛。但这些模型存在梯度消失和在处理时间序列时由于数据量大、模型记忆能力有限而无法长期记忆更长的时间序列，从而降低了对机械设备性能衰退的预测精度。因此，为了满足对所监测的滚动轴承性能变化趋势的需求，需要使用一种预测精度高且泛化能力强的预测方法对其进行预测。

发明内容

为了解决上述问题，本发明提供了基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置，实现滚动轴承性能衰退情况的准确预测。

本发明一方面提供了基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法，包括如下步骤：

S1、获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；

S2、将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；

S3、将融合后的特征指标输入TCN-Attention模型中，得到滚动轴承性能衰退趋势。

进一步的，所述原始信号振动信号数据进行降噪和特征提取的方法：

S11、采用CEEMDAN方法将原始振动信号数据分解成若干IMF分量；

S12、设定相关系数阈值r

S13、将步骤S12降噪后的IMF分量与相关系数数值小于等于相关系数阈值r

S14、根据所述时域信号数据和频域信号数据得到时域特征衰退指标和频域特征衰退指标。

进一步的，所述时域特征衰退指标类型包括有量纲指标和无量纲指标，有量纲指标包括均值、方差、均方根值、方根幅值、峭度、峰峰值、偏斜度和峰值，无量纲指标包括波形指标、峭度指标、峰值指标、裕度指标、偏斜度指标和脉冲指标。

进一步的，所述SAE模型包括输入层、第一隐含层、第二隐含层和输出层。

进一步的，所述SAE模型的激活函数为Sec函数，具体为：

其中，f

进一步的，所述TCN-Attention模型包括输入层、TCN层、Attention层、全连接层和输出层。

进一步的，所述Attention层计算TCN层输出的的权重值，权重计算方法包括：

通过权重打分函数e

e

其中：h

计算当前时刻隐藏层所占的总比重

通过加权计算下一时刻的特征向量

本发明第二方面提供了基于SAE与TCN-Attention模型的滚动轴承性能衰退预测装置，包括：

指标获取单元，获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；

融合单元，将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；

预测单元，在融合后的特征指标中筛选优良特征指标，将所述优良特征指标输入TCN-Attention模型中，得到滚动轴承性能衰退趋势。

如上所述，本发明与现有技术相比，具有如下效果：

1、本申请采用了SAE融合方法实现滚动轴承各特征指标的融合，通过改进的激活函数克服了传统神经网络所存在的梯度消失问题。

2、本申请采用TCN-Attention预测模型用以滚动轴承性能衰退预测，衰退预测模型，采用Attention模型可以对重要信息赋予相应的加权，提高了该模型对故障信息的敏感度，同时选取不同的模型参数降低外来因素的影响，建立了网络模型。通过两个公开数据集验证并与多层感知器、LSTM、TCN、Attention-LSTM进行对比，TCN-Attention模型预测精度高，该模型对故障信息较为敏感。

3、本发明的Attention层通过权重打分函数计算TCN模型中间输出状态权重，增加对重要信息的加权，提高预测精度。

附图说明

图1为本发明具体实施例的滚动轴承性能衰退预测方法流程图；

图2为本发明具体实施例的原始信号振动信号数据进行降噪和特征提取的方法流程图；

图3为本发明具体实施例的原始振动信号，图3a为时域图，图3b为频域图；

图4为本发明具体实施例的原始振动信号经CEEMDAN分解后得到10个IMF分量；

图5为本发明具体实施例的经过CEEMDAN-WSST降噪后的信号，图5a时域图，图5b为频域图；

图6为本发明具体实施例的降噪后的信号经特征提取得到的有量纲指标和无量纲指标，图6a为均值指标，图6b为方差指标，图6c为绝对平均值指标，图6d为偏斜度指标，图6e为最小值指标，图6f为峭度指标，图6g为均方根指标，图6h为峰峰值指标，图6i为裕度指标，图6j为波形指标，图6k为峭度指标，图6l为峰值指标，图6m为偏斜度指标，图6n为脉冲指标，图6o为平均频率，图6p为标准差频率，图6q为均方根频率，图6r为中心频率；

图7为本发明具体实施例的SAE网络的原理结构示意图；

图8为本发明具体实施例经SAE模型融合后的特征指标；

图9为本发明具体实施例的滚动轴承性能阶段划分图，图9a为趋势曲线，图9b为残差曲线；

图10为本发明具体实施例的TCN-Attention预测模型的原理结构图；

图11为本发明具体实施例的TCN-Attention模型、多层感知器、LSTM神经网络、TCN神经网络、Attention-LSTM模型的预测效果图，图11a为TCN-Attention模型的预测效果图，图11b为多层感知器的预测效果图，图11c为LSTM神经网络的预测效果图，图11d为TCN神经网络的预测效果图，图11e为Attention-LSTM模型的预测效果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在一具体实施例中，一种基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法，如图1所示，包括如下步骤：

S1、获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；

在一具体实施例中，所述原始振动信号的时域图和频域图如图3所示，所述原始振动信号通过加速度传感器采集，在采集过程中会受到不同程度工况下的干扰，使采集的信号中含有干扰信号，现有的信号降噪方法在降噪过程中会出现模态混叠和提取价值信息丢失的问题，为了解决上述问题，在一具体实施例中，采用原始信号振动信号数据进行降噪和特征提取的方法如图2所示，可以极大程度完整保留信号中的有效信息的完整，并且具有较高的信噪比和较小的均方根误差，上述降噪和特征提取方法包括：

S11、采用效应等问题，提出基于完备集合经验模态分解(CEEMDAN)方法将原始振动信号数据分解成若干IMF分量，通过经过CEEMDAN分解可以避免信号重构带来的误差；

本实施例中，将原始振动信号分解成10个IMF分量，如图4所示。

S12、设定相关系数阈值r

所述相关系数r为Pearson相关系数，通过Pearson相关系数r的大小可以判断每个IMF含有噪声成分比重，当相关系数r值越大，表明含有的噪声信号越多，通过相关系数r筛选出噪声成分较高的IMF分量进行进一步降噪，以使有效信息完整保留。本实施例中，设定相关系数阈值r

表1各IMF相关系数值

S13、将步骤S12降噪后的IMF分量与相关系数数值小于等于相关系数阈值r

由表1可见，IMF1与IMF2的相关性系数高于0.6，使用小波半软阈值将相关性系数值大于0.6的IMF进一步降噪，然后并将降噪后的IMF与其他IMF进行重构并完成信号的降噪过程，得到降噪后的额信号如图5所示，由图5可见，降噪后的信号高频部分降噪效果非常明显，大量噪声被剔除，而有效价值信息被保留，达到了理想的剔除噪声的效果。

S14、根据所述时域信号数据和频域信号数据得到时域特征衰退指标和频域特征衰退指标。

所述原始振动信号包括时域特征衰退指标和频域特征衰退指标，所述时域特征衰退指标类型包括有量纲指标和无量纲指标，有量纲指标包括均值、方差、均方根值、方根幅值、峭度、峰峰值、偏斜度和峰值，无量纲指标包括波形指标、峭度指标、峰值指标、裕度指标、偏斜度指标和脉冲指标，所述时域特征衰退指标和频域特征衰退指标如图6所示，如图6可见，上述指标所反映的滚动轴承性能状态不是很明显。其中，方差、峰峰值和方根幅值具有良好的单调性且对滚动轴承后期故障表征明显，但是对轴承早期故障未能很好的表达；裕度指标、偏斜度指标、标准差频率以及中心频率等指标存在大量冗余信息且信息杂乱；而其余性能衰退指标对于滚动轴承整个全生命周期均不能很好的表征其运行状态且含有大量的冗余信息。可见，单一指标不能很好的表征轴承的性能变化状态，需要通过SAE模型将上述指标进行融合。

S2、将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；

滚动轴承监测所采集到的信号内容丰富，信号之间相互联系且掺杂着不定因素的影响。对于轴承的故障形式可以用每个特征指标进行表征，但是其故障形式多种多样，不同特征指标表征轴承的运动状态互异，因此如何使用一个综合性能好的特征指标表征轴承性能变化趋势是特征融合的一个关键技术问题。目前，常见的特征融合的方法由小波变换融合法、证据理论、卡尔曼滤波法、主成分分析、核主成分分析(Kernel Principal ComponentAnalysis，KPCA)、局部线性嵌入(Locally Linear Embedding，LLE)等方法。但现有融合算法用于非线性数据融合效果不佳且受制于数据的分布、参数的选取以及对噪声敏感。栈式自动编码器(Stacked Auto-encoder，SAE)作为深度学习的一种模型，属于无监督学习的一种，可实现大量无标签数据特征的有效表达。SAE处理高维数据时可以在重要信息不丢失的情况下提取到高价值信息进而实现信息融合。

在一具体实施例中，所述SAE模型的结构如图7所示，包括输入层、第一隐含层、第二隐含层和输出层。

现有技术中，SAE模型通常采用sigmoid函数作为激活函数，这样处理长时间序列时极易出现梯度消失的问题，影响特征提取的效果，进而不能很好的表征滚动轴承的性能变化趋势。为了解决该问题，在一具体实施例中，激活函数为Sec函数，具体为：

其中，f

所述Sec函数的导数最小值为0.5，从而不会因出现零而导致SAE训练过程出现梯度消失问题；并且Sec函数没有幂运算，将会大大缩短计算时间，使之收敛加快；Sec函数的输出平均值为零，将会减少对后续神经网络输出的影响。

所述SAE模型进行特征融合的方法包括：

S21、搭建如图2所示的SAE模型；

S22、对所述时域特征指标和频域特征指标进行归一化处理，归一化处理后的数据为输入层数据；

S23、输入层的数据输入至第一个隐藏层中，用于参数训练并计算该层输出；

S24、将第一个隐藏层输出作为第二个隐藏层输入，用于训练参数，从而得到该层的输出；

S25、使用反向传播算法重复S22-S23使得所有层中的参数得以优化并是结果达到最佳，完成SAE的T次迭代；

S26、通过将所有层的权重的训练结果得以保留，并设置权重阈值τ，将高于阈值τ进行连接，抛弃其他的连接；

S27、通过分析该神经网络的所有输出结果，得到最终的神经元权重矩阵；

S28、通过分析保留的神经元连接，得到相应的特征。

经SAE模型融合后的特征指标如图8所示，可见融合后的特征曲线具有一定的单调性，能够较好的反映滚动轴承的性能衰退趋势，尤其可以清晰的看出早期异常情况。

滚动轴承的性能变化趋势是一个随机的过程，在正常状态情况下，轴承运动性能平稳且振动信号幅值波动较小。一旦轴承出现损伤，轴承在该阶段下其运动状态是不稳定的，而且无法把握轴承在每个阶段运行趋势是如何变化的，需要一个综合性能好的特征指标表征轴承在每个阶段变化情况。综合性能好的特征指标应具备与机械设备性能衰退的统一性，普适性以及抗干扰的泛化能力，本实施例通过相关性、单调性和鲁棒性三个评价指标的线性加权进行综合性能的评价，综合性能好的特征指标为优良特征指标。所述线性加权算法为：

maxE＝e

其中：E代表三个评价指标的线性加权值，Corr(X)为代表相关性，Mon(X)代表单调性，Rob(X)代表鲁棒性，e

所述相关性是指通过获取机械设备的健康监测序列与该设备的性能变化趋势呈现出的相关程度，公式为：

所述单调性是指对机械设备性能衰退趋势的一致性，任何机械设备在使用过程中其性能衰退过程都是无法避免的，所以获取的特征指标应具有单调变化的趋势，公式为：

所述鲁棒性是指特征指标在异常状态下的容忍性，其公式为：

其中：K代表采样点总数目，x

每一个特征指标的本质是不尽相同的，同时也有不同的属性权重。为了避免外界的干扰选择赋权公式方法来计算权重，计算方法如下：

其中：w

将上述实施例的时域评价指标、频域评价指标和融合后的特征指标分别进行综合性能计算，根据最终的加权计算结果也可知经过SAE模型融合的特征指标的综合性能最好，即融合后得到的特征指标包含的价值信息也就最多。

滚动轴承性能衰退的过程是一个随机过程，同时性能衰退指标序列也具有随机性。为了避免这些随机性的发生，需要对融合后的状态检测特征指标进行平滑趋势分析，将融合后的状态检测特征指标曲线分解为相应的特征指标序列的趋势序列和残差序列，更好地分析滚动轴承性能状态的变化情况。

融合后特征指标序列是由趋势序列和残差序列组成的，具体公式如下：

X＝X+X

其中：X＝(x

采用固定窗均值化方法对融合后特征序列处理，得到如图9所示的趋势曲线和残差曲线，，本实施例中窗口ΔT的大小，得出该时刻前后r单位时间段的值，即为该时刻的趋势值；

ΔT＝2r

其中：x

根据所示趋势曲线和残差曲线可以准确地将滚动轴承全生命周期划分为四个阶段。第一阶段为正常运行阶段，在该阶段轴承性能运行良好；第二阶段，轴承出现轻微损伤，趋势值和残差值增加，从残差值看出系统出现波动，轴承运行不稳定；第三阶段为亚健康平稳运行阶段，系统具有自我调节能力，从趋势值和残差值来看，轴承运行趋于平稳；第四阶段轴承损伤严重，无法到达稳定运行状态，轴承失效。

S3、将融合后的指标输入TCN-Attention模型中，得到滚动轴承性能衰退趋势。

时序卷积神经网络(Temporal convolutional network，TCN)是在卷积神经网络的基础上提出的一种序列预测模型，旨在学习输入序列中的时间依赖性，将卷积网络视为序列建模任务的自然起点。而TCN模型拥有强大的感受野，能够有效的处理上述出现的问题，但在输出层对重要信息赋予相同的权重容易造成重要信息遗忘，进而导致模型预测精度较低。注意力机制(Attention)最早出现于视觉领域中，在一具体实施例中将Attention机制结合TCN神经网络进行轴承性能衰退趋势预测，中可以增加处理长时间序列复杂问题的能力和泛化能力。

如图10所示，本实施例的所述TCN-Attention模型包括输入层、TCN层、Attention层、全连接层和输出层。

本实施例中的TCN层包括WeightNorm模块、ELU模块和Dropout模块，WeightNorm模块用以在计算中增加计算效率，Dropout模块可以对网络正则化和防止在运行过程中网络出现过拟合现象，并且在残差模块中设置了1×1卷积就是防止在处理输入输出过程中出现序列维度的变化。

所述Attention层计算TCN层输出的权重值，用以解决TCN层输出时相应的权重分配问题，Attention层的输入对应着TCN预测模型的输出，Attention层包括Permute层、Dense层和Multiply层，Permute层的目的就是进行相应的维度变换，Multiply层就是将Attention层计算出的权重与TCN层输出进行相应的相乘，从而实现了相应权重的分配和加权过程。

所述Attention层计算TCN层输出的权重值的方法包括：

通过权重打分函数e

e

其中：h

计算当前时刻隐藏层所占的总比重

通过加权计算下一时刻的特征向量

所述全连接层用以对Attention的输出进行处理，实现对滚动轴承的性能衰退预测，所述输出层用以输出预测结果。

所述TCN-Attention预测模型的构建方法包括：

S31、搭建如图4所示的TCN-Attention模型；

S32、将TCN-Attention模型的权重进行初始化，设置迭代次数、膨胀系数、卷积核大小等参数如表2所示。

表2 TCN-Attention预测模型参数

S33、将训练集输入TCN-Attention模型中，得到输出误差，将误差反向传播更新网络参数；

S34、重复步骤三，直到网络参数更新达到最优化要求，完成训练。

S35、将测试集输入到TCN-Attention模型中，对滚动轴承性能衰退趋势的预测结果进行验证。

本实施例中，将步骤S2得到的融合后数据作为预测及用以验证本实施例的预测效果，将融合后的数据的序列的钱67％的数据长度作为训练集，将后33％的数据长度作为测试集，分别输入TCN-Attention模型、多层感知器、LSTM模型、TCN模型和Attention-LSTM模型中，得到预测曲线的效果如图11所示。图11中，各图中深色线条为滚动轴承的实际趋势曲线，浅色线为训练集和测试集的趋势曲线，其中，竖直的分割线的左侧为训练集曲线，右侧为测试集趋势曲线。从图11可以看出，多层感知器、LSTM与TCN模型预测曲线都出现了一定程度的偏差。尤其多层感知器预测结果误差较大，从图中可以明显看出预测曲线偏离真实曲线较多。Attention-LSTM预测模型相比于以上三种预测效果较好，但后期其预测曲线与真是曲线出现明显的拟合度不足。TCN-Attention在轴承每个阶段预测效果良好，预测曲线与真实曲线吻合度较好，尤其全生命周期后期趋势预测最好，该模型具有一定的预测稳定性以及鲁棒性。

通过计算各个预测模型的误差MAE和RMSE数值，如表3所示，可见，多层感知器的预测误差最大，模型性能不稳定，而基于TCN-Attention模型的预测误差最小，预测精度高，能够准确地预测出滚动轴承性能衰退趋势。

表3模型预测结果

由于上表可见，本实施例的TCN-Attention预测模型在预测效果上表现最佳，同时泛化能力强。在同一数据集下TCN-Attention模型预测结果的e

在一具体实施例中，提供了一种基于SAE与TCN-Attention模型的滚动轴承性能衰退预测装置，包括：

指标获取单元，获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；

融合单元，将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；

预测单元，将融合后的特征指标输入TCN-Attention模型中，得到滚动轴承性能衰退趋势。

所述预测装置中的各个单元可以采用硬件模块实现，也可以采用软件程序实现，或采用软硬件结合的方式实现，指令获取单元、融合单元和预测单元的具体工作过程如上述实施例所述，在此不再赘述。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。