一种基于INFO的轴承剩余寿命预测方法

摘要

本发明涉及深度学习技术领域，尤其涉及一种基于INFO的轴承剩余寿命预测方法，包括对数据进行预处理，利用INFO‑VMD方法先对振动数据进行分解，对分解后的数据提取特征组成特征集；对特征集进行特征降维；将训练集的退化数据输到入至INFO‑DELM模型进行训练，得到DELM的训练参数，设置DELM训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据；首先利用移动平均滤波器对预测数据进行滤波；然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命。本发明解决大型机械设备剩余寿命预测准确性问题，防止故障的发生，降低由设备故障引发的事故风险，从而节约维护成本，提高生产效率。

说明书

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于INFO的轴承剩余寿命预测方法。

背景技术

深度的学习与自我维护是智能制造的技术特征之一；通过在实践中的不断地学习来充实其知识库，智能制造系统的典型特征是具有按一定逻辑结构的深度自学习功能。伴随智能制造技术的深入推进，轴承寿命预测的功能根据用户业务需求在不断拓展。滚动轴承是旋转机械中应用最广泛的一部分，也是关键部件之一。轴承运行出现问题容易导致机械故障，轻则造成生产停产经济损失，重则发生人员安全事故，所以轴承的安全稳定运行对旋转机械至关重要，因此对轴承进行剩余寿命预测研究具有重要意义和现实价值。

随着信息技术和制造业水平的不断发展，大型机械设备不断朝着高精、高效及工况多样复杂化发展；大型机械设备在极端条件(高温、超负荷)下工作，容易发生故障，造成严重的经济损失；剩余寿命预测是保障运行设备可靠性、安全性和经济性的重要技术手段，防止故障的发生，降低由设备故障引发的事故风险，从而节约维护成本，提高生产效率。

发明内容

针对现有算法的不足，本发明针对轴承振动数据复杂度高、VMD参数选择困难等问题提出INFO-VMD方法，利用INFO对VMD的最优层数k和惩罚系数α寻优；针对特征差异性较大、预测准确度较低的问题，提出预测模型，包括特征降维、INFO-DELM训练模型和数据拟合三个部分组成。

本发明所采用的技术方案是：一种基于INFO的轴承剩余寿命预测方法包括以下步骤：

步骤一、对数据进行预处理，利用INFO-VMD方法先对振动数据进行分解，对分解后的数据提取特征组成特征集；

进一步的，具体包括：

S11、利用VMD分解振动数据，对分解的模态提取最小包络熵作为INFO算法的适应度函数；

S12、初始化INFO的参数，设置最大迭代次数、种群大小；

S13、用INFO算法对VMD进行迭达寻优，得到最优层数k和惩罚系数α；

S14、用最优层数k和惩罚系数α设置VMD的分解参数，分解振动数据得到k层模态分量；对分成k层的模态分别提取时域和频域特征。

步骤二、对特征集进行特征降维；

具体包括：

S21、利用随机森林和单调算法相结合的方法对特征进行筛选，通过重要度和增减性排序得到优选特征子集；

进一步的，随机森林的重要度评估指标用GI作为来衡量，计算出每个特征的GI

其中，m表示特征个数，H表示组数据共有H类，P

进一步的，单调算法的公式为：

其中，n为测试组的采集点数，l是对象个数；i表示测试组中特征的组数，j表示单组特征中特征的个数；

S22、利用主成分分析对优选特征子集进一步降维，得到多个主成分分量，采用第一个主成分分量作为退化指标；

步骤三、将训练集的退化数据输入INFO-DELM模型进行训练，得到DELM的训练参数，设置DELM训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据。

进一步的，具体包括：

S31、初始化INFO和DELM的参数，将测试集退化指标导入DELM模型中进行训练，通过INFO确认最佳矢量；

S32、利用INFO中的更新规则、矢量组合和本地搜索三个步骤来寻找最佳矢量，若没有完成遍历则继续更新规则直至完成；在每组迭达的遍历完成情况下，再进入下一轮迭达，重新开始更新规则，直至全部迭达完成，在迭代完成后若有更佳的矢量出现则更新最佳矢量；

S33、通过INFO算法对DELM的输入层权值和隐藏层阈值进行迭代寻优后得到最优输入层权值和最优隐藏层阈值；将DELM参数设置为最优参数，测试集退化指标导入至DELM模型中得到预测数据。

步骤四、首先利用移动平均滤波器对预测数据进行滤波；然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命；

进一步的，预测寿命的多项式表达式为：

y＝a

其中，w取值为正整数，a

本发明的有益效果：

1、INFO-VMD方法与EMD、VMD等传统预处理方法相比，具有精度高、收敛快和鲁棒性好等特点；

2、与经典预测模型对比，本发明预测模型的精度更高。

附图说明

图1是本发明的基于INFO的轴承剩余寿命预测方法流程图；

图2是本发明的INFO-VMD优化流程图；

图3是本发明的INFO-DELM优化流程图；

图4是INFO算法与现有算法收敛曲线对比图；

图5是INFO-VMD算法与现有算法收敛曲线对比图；

图6是PCA的四个主成分对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

数据集“IEEE PHM 2012数据挑战赛”包括3种工况下测试数据，分别为工况1：负载4000N，转速1800转；分别为工况2：负载4200N，转速1650转；分别为工况3：负载5000N，转速1500转。该数据集所有实验组采样频率都为25.6kHz，每隔10秒记录一次，每次记录时间为0.1秒，数据集中共有3种不同工况的实验组，其中1_1、1_2、2_1、2_2、3_1和3_2作为训练集，1_3、1_4、1_5、1_6、1_7、2_3、2_4、2_5、2_6、2_7和3_3作为测试集。

如图1所示，一种基于INFO的轴承剩余寿命预测方法包括以下步骤：

步骤一、对数据进行预处理，利用INFO-VMD方法先对振动数据进行分解，对分解后的数据提取特征组成特征集。

对训练集和测试集分别用INFO-VMD特征提取方法提取特征组成特征集，其中，向量平均算法(weIghted meaN oF vectOrs,INFO)、变分模态分解(Variational Mode De-composition,VMD)；特征提取流程如图2所示，利用VMD分解振动数据，对分解的模态提取最小包络熵作为INFO优化算法的适应度函数；初始化INFO的参数，最大迭代次数设置为9，种群大小设置为30；用INFO算法对VMD进行迭达寻优，得到最优层数k和惩罚系数α；用最优层数k和惩罚系数α设置VMD的分解参数，分解振动数据得到k层模态分量；对分成k层的模态分别提取时域和频域特征。

本实施例中共提取16种时域特征和9种频域特征；INFO与SOA、WHO和SSA对比如图4所示，对比的适应度函数采用单峰测试函数，四种优化算法初始化参数设置相同，种群个数为30，迭代次数为500；从图4中可以看出INFO比SOA、WHO和SSA的收敛速度更快，与SOA和SSA相比迭代速度大幅提高。

使用INFO-VMD分别与GWO-VMD、WOA-VMD和POA-VMD进行实验对比，以3_3数据集为例，群体个数设置为30，最大迭代次数设置为30，从图5中看出，INFO-VMD在迭第5次时达到最优适应值，速度快于WOA-VMD的6次，大幅快于GWO-VMD的18次和POA-VMD的24次，验证了INFO对VMD具有较快速度的收敛特性。

步骤二、对特征集进行特征降维；

通过步骤一得到特征集合，首先利用随机森林和单调算法相结合的方法对特征进行筛选，通过重要度和增减性排序得到优选特征子集；

然后利用主成分分析对优选特征子集进一步降维，得到多个主成分分量，采用第一个主成分分量作为退化指标；随机森林的重要度评估指标用GI作为来衡量，现在要计算出每个特征的GI

单调算法指标的取值范围是[0,1]，指标越接近1的特征就代表它的表征能力越好；

其中，n为测试组的采集点数，l是对象个数，l取值为1；i表示测试组中特征的组数，j表示单组特征中特征的个数；

如图6所示为提取的四个主成分，各个主成分的单调性指标分别为0.1453、0.0085、0.0199和0.0028，从数据上可以得出第一主成分的单调性大幅高于其他主成分，具有单调性较强的退化趋势，将第一主成分作为退化指标。

步骤三、模型训练，将训练集的退化数据输到入至INFO-DELM模型进行训练，深度极限学习机(Deep Extreme Learning Machines DELM)得到DELM的最佳训练参数，将DELM设置为最优训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据；

在本实施例中，INFO优化参数的最大迭代次数设置为20，种群大小设置为50；分别将每组训练集的退化数据输到入至INFO-DELM模型进行训练，得到DELM的最佳训练参数。将DELM设置为最优训练参数，然后把测试集和训练集的退化指标数据输入至DELM模型中得到预测数据；为了验证INFO-DELM模型的准确性，将其与其他三种模型进行对比(SVR、LSSVM和ELM)，得到的误差分数进行对比，对比验证采用Bearing3_3实验组数据，误差对比如表1所示，从表1中可以看出本发明的误差值都是最低的，验证INFO-DELM模型的准确度是比较高的。

如图3为INFO-DELM模型流程图，包括：

step1：初始化INFO和DELM的参数，将测试集退化指标导入DELM模型中进行训练，通过INFO确认最佳矢量；

step2：利用INFO中的更新规则、矢量组合和本地搜索三个步骤来寻找最佳矢量，若没有完成遍历则继续更新规则直至完成；在每组迭达的遍历完成情况下，再进入下一轮迭达，重新开始更新规则，直至全部迭达完成，在迭代完成后若有更佳的矢量出现则更新最佳矢量；

step:3：通过INFO算法对DELM的输入层权值和隐藏层阈值进行迭代寻优后得到最优输入层权值和最优隐藏层阈值；将DELM参数设置为最优参数，测试集退化指标导入至DELM模型中得到预测数据。

表1本实例中提出的模型与其他模型误差率的对比

步骤四、数据拟合预测，首先利用移动平均滤波器对预测数据进行滤波，然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命采用的多项式表达式如下：

y＝a

其中，w取值为正整数，a

其中，ActRUL

其中，A

式中：Er

与LSTM和GRU的预测结果对比如表2所示，从表2中可以看出用本发明的预测模型测试11组数据中1-3、1-4、1-5、1-7、2-3、2-6、2-7和3-3实验组预测误差都低于对比模型，本发明模型均值误差为12.15％，低于基于LSTM方法的22.10％和基于GRU方法的32.48％，同时本发明预测模型总得分为0.62，比基于LSTM方法的得分高0.31，比基于GRU方法的得分高0.36，通过实验验证了本发明对剩余寿命预测的有效性，并具有较高的预测精度。

表2预测结果对比

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。