一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114186500A(43)申请公布日2022.03.15(21)申请号202210140860.XG06N3/04(2006.01)(22)申请日2022.02.16G06N3/08(2006.01)G06K9/00(2022.01)(71)申请人华中科技大学G06F119/02(2020.01)地址430074湖北省武汉市洪山区珞喻路G06F119/04(2020.01)1037号申请人中国船舶重工集团公司第七一九研究所(72)发明人万一鸣朱坤范可森陈朝旭周宏宽柯志武肖颀魏志国苟金澜柯汉兵陈凯李邦明(74)专利代理机构华中科技大学专利中心42201代理人尹丽媛(51)Int.Cl.G06F30/27(2020.01)权利要求书3页说明书12页附图14页(54)发明名称一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法(57)摘要本发明公开了一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，属于机械部件耗损检测技术技术领域，该方法包括：训练CNN老化模型和基于LSTM神经网络的多时窗预测模型；将待预测轴承的振动信号输入CNN老化模型以判断轴承是否发生了早期故障；若发生早期故障后，将振动信号对应的多种预设长度窗口的CNN深度特征输入多时窗预测模型，得到多种预设长度窗口各自对应的寿命预测值；融合多个寿命预测值以获取待预测轴承的目标预测寿命；本发明采用多种预设长度窗口融合的方法来解决单一窗口难以适应多种退化模式的问题，基于LSTM神经网络的多时窗预测模型估计待预测轴承的剩余使用寿命，预测准确率高。CN114186500ACN114186500A权利要求书1/3页1.一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，应用于船用动力系统，包括：S1：将待预测轴承的当前振动信号输入CNN老化模型，以使所述CNN老化模型输出所述待预测轴承的退化状态信号；S2：当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将所述当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；S3：将所述故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入所述CNN老化模型，使其特征层输出多种所述预设长度窗口各自对应的CNN深度特征；S4：将多种所述预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种所述预设长度窗口各自对应的寿命预测值；融合多个所述寿命预测值以获取所述待预测轴承的目标预测寿命。2.如权利要求1所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S1之前，所述方法还包括：S01：采集多个轴承从正常到失效全周期对应的原始振动信号，标注所述原始振动信号中轴承的早期故障时刻；S02：从所述原始振动信号中提取时域特征以获取各个轴承全周期下的有效值RMS曲线，从而确定各个轴承的参考寿命及其对应的退化状态；S03：将采样时刻的所述振动信号作为输入、各个轴承对应的退化状态作为输出，对原始卷积神经网络CNN模型进行训练得到CNN老化模型；S04：将所述原始振动信号中的源域振动信号和目标域振动信号在故障时刻前预设长度窗口的振动数据输入所述CNN老化模型得到其特征层输出的故障CNN深度特征；将所述故障CNN深度特征作为输入、所述原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练，得到所述预设长度窗口对应的长短期记忆相关对齐LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个所述LSTM_CORAL预测模型；S05：基于各个所述LSTM_CORAL预测模型的预测误差获取各自对应的权重，利用其权重融合多个所述LSTM_CORAL预测模型得到所述多时窗预测模型。3.如权利要求2所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S02包括：S021：从所述原始振动信号中提取时域特征，获取各个轴承全周期下的有效值RMS曲线；将所述RMS曲线中尾部的预设数目的点推至寿命终点阈值，从而确定各个轴承的参考寿命；S022：利用公式获取所述退化状态。4.如权利要求2所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S04包括：S041：将所述原始振动信号中缓慢退化的振动信号作为所述源域振动信号，将所述原始振动信号中快速退化的振动信号作为所述目标域振动信号；2CN114186500A权利要求书2/3页S042：利用相关对齐法将所述源域振动信号中的源域特征映射至目标域，再输入所述CNN老化模型使其特征层输出源域和目标域各自对应CNN深度特征；S043：将所述源域和目标域各自对应的