A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

前言

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings .Cheng, Cheng,Ma, Guijun,Zhang, Yong .IEEE/ASME Transactions on Mechatronics.2020.影响因子 5.673

DEI-Degradation energy indicator.
HHT Hilbert-huang transform.

研究问题

轴承的寿命预测

摘要

1、首先使用希尔伯特-黄变换来处理以构造可用作训练标签的新型非线性退化能量指标
2、使用CNN来识别提取的退化能量指标和训练轴承的原始振动之间的隐藏模式
这使得自动估计测试轴承的退化程度成为可能。
3、最后，利用ε-support向量回归模型预测了试验轴承的磨损量。

本文贡献

1)根据轴承部件的固有频率，提出的方法成功地提取了一个新的非线性退化能量指标(见图1，与线性时间退化指标相比)来描述训练轴承的退化趋势；
2)所提出的CNN体系结构对于相似的运行条件是通用的和鲁棒的，它可以在不改变CNN超参数和层数的情况下，转移到另一个处于不同运行状态的轴承上，获得良好的预测结果；
3)提出的振动指标是关于不同轴承之间的最大振动水平的综合指标，它其考虑了滚动元件轴承上所有可能的检测。这是一个更现实的指标，因为在实际的工业应用中，局部缺陷并不是一开始就存在的，这意味着必须考虑所有类型的缺陷
4)CNN将训练方位和测试轴承的所有指标尺度化为一致的潜在空间。因此，训练和测试可以共享相同的故障阈值failure threshold (FT)

图1线性时间退化指示器(蓝色)与非线性DEI(黑色)，作为网络训练的标签。非线性DEI在接近轴承寿命结束时经历了长时间的平坦曲线，然后出现急剧的退化趋势，这反映了大多数机械系统的真实退化过程。随着不同轴承部件的损伤在接近使用寿命结束时的累积，简单的时间退化指标对于RUL估计不如DEI有效。

本文方法介绍

本文利用神经网络技术估计轴承的RUL，作为一个预测问题，根据原始振动数据和提取的标签来了解非线性退化行为。**本文建立的神经网络模型不是利用神经网络技术进行时间序列预测，而是充分利用神经网络在自动特征提取方面的优势，揭示振动数据与训练轴承的退化指标之间的隐含依赖关系。
**
本文方法步骤
1、从传感器采集的原始振动信号使用HHT方法进行处理，构造了一个新的时间序列退化指标
2、训练从输入的原始振动特征到训练轴承上的DEI标签的CNN模型，并用于预测测试轴承的DEI
3、使用ε-SVR预测轴承失效前的退化过程

退化指标训练和RUL预测算法

RUL预测的总体框架可分为三个部分。整体框架示意图如图2所示。
这项工作的主要挑战包括:获得代表退化行为的DEI；
I建立一个CNN模型，将原始振动信号映射到DEI；
构建一个ε-SVR来预测RUL。
因此，在以下小节中，将在第II-A节、第II-B节和第II-C节中导出退化特征提取、CNN模型和ε-SVR预测模型的显式表达式

图2 数据驱动的RUL预测框架。
该框架包括三个阶段:
(1)特征提取阶段，旨在提取退化指标。利用经验模态分解、高阶统计量和边际希尔伯特谱来提取微分方程。DEI值也与不同轴承部件的固有频率有关；
2)模型训练阶段，基于训练数据训练CNN模型，发现DEI 和原始振动数据之间的隐藏模式；
(3)预测阶段根据训练好的CNN模型和ε-SVR预测模型预测RUL。

退化指标提取

经验模态分解是一种自适应方法，通常用于分析非平稳和非线性信号。
它将原始振动数据分解成n个IMF，说明从快到低振动的自然振动模式。

DEI模式学习

在这项工作中，具有重复组件的层堆叠在CNN架构中，包括卷积层、池层、完全连接层和回归层

RUL预测-- ε-SVR

l是采样窗口大小，s是滑动大小，xgs是每个采样窗口的平均值和方差