基于InfoLSGAN和AC算法的轴承寿命预测方法.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CN110909509A(43)申请公布日2020.03.24(21)申请号201911189955.5(22)申请日2019.11.28(71)申请人哈尔滨理工大学地址150080黑龙江省哈尔滨市南岗区学府路52号(72)发明人于军(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图2页(54)发明名称基于InfoLSGAN和AC算法的轴承寿命预测方法(57)摘要本发明公开了一种基于InfoLSGAN和AC算法的轴承寿命预测方法。所述方法包括如下步骤，步骤一：将SDAE、InfoGAN和LSGAN相结合，构建InfoLSGAN，自动地从噪声数据中提取可解释的鲁棒特征，解决梯度消失问题；步骤二：采用基于AC的训练算法训练InfoLSGAN，减少训练时间，加快收敛速度；步骤三：根据训练后的InfoLSGAN，利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。实施例的结果表明本发明具有较强的噪声适应能力，并能在小样本情况下准确地预测风电齿轮箱轴承的剩余寿命。CN110909509ACN110909509A权利要求书1/1页1.基于信息最小二乘生成对抗网络(Informationleastsquaresgenerativeadversarialnetwork,InfoLSGAN)和行动者-评论家(Actor-critic,AC)算法的轴承寿命预测方法包括以下步骤：步骤一、将堆叠降噪自动编码器(Stackeddenoisingautoencoder,SDAE)、信息生成对抗网络(Informationmaximizinggenerativeadversarialnetwork,InfoGAN)和最小二乘生成对抗网络(Leastsquaresgenerativeadversarialnetwork,LSGAN)相结合，构建InfoLSGAN，自动地从噪声数据中提取可解释的鲁棒特征，解决梯度消失问题；步骤二、采用基于AC的训练算法训练InfoLSGAN，减少训练时间，加快收敛速度；步骤三、根据训练后的InfoLSGAN，利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。2.根据权利要求1所述的基于InfoLSGAN和AC算法的轴承寿命预测方法，其特征在于所述步骤一中InfoLSGAN由生成器G、判别器D和softmax分类器组成。真实数据x为输入样本。不可压缩的噪声z'和隐变量编码c为生成器G的输入。生成器G由一个SDAE构成。生成样本G(z',c)应服从真实数据x的分布Pdata(x)。判别器D判断输入样本是真实数据x还是生成样本G(z',c)。判别器D由一个SDAE构成。softmax分类器的输出为预测结果。该结果用于计算奖励，并反馈给生成器G。3.根据权利要求1所述的基于InfoLSGAN和AC算法的轴承寿命预测方法，其特征在于所述步骤二中采用基于AC的训练算法训练InfoLSGAN；具体步骤为：步骤二一、设置噪声比例，折扣因子γ，并初始化状态s0和动作a0；步骤二二、执行动作a0，观察环境新状态si+1，计算累积折扣奖励，公式为：其中，γ∈(0，1]为折扣因子，rt'为t'时刻的奖励；步骤二三、训练判别器D，其目标函数定义为：其中，λ为超参数，VLSGAN(D)为LSGAN中判别器D的目标函数，LI(G,Q)为InfoGAN中生成器G和判别器D的互信息；步骤二四、训练生成器G，其目标函数定义为：其中，VLSGAN(G)为LSGAN中生成器G的目标函数；步骤二五、根据公式(4)和(5)，更新InfoLSGAN的值函数参数θv和策略函数参数θπ：其中，R为状态si下智能体执行动作ai的期望回报；步骤二六、对下一时刻重复步骤二二至步骤二五,直到判别器D和生成器G达到纳什均衡。2CN110909509A说明书1/5页基于InfoLSGAN和AC算法的轴承寿命预测方法技术领域[0001]本发明涉及一种轴承寿命预测方法，尤其涉及基于信息最小二乘生成对抗网络(Informationleastsquaresgenerativeadversarialnetwork,InfoLSGAN)和行动者-评论家(Actor-critic,AC)算法的轴承寿命预测方法。背景技术[0002]为应对气候变化和能源短缺问题，风能已受到世界各国的广泛关注。然而，复杂恶劣的工作环境导致风电齿轮箱的故障率相对较高。对于地处偏僻地区的风力发电机而言，任何难以预料的故障均会导致较高的维护成本或巨大的经济损失。据最新研究表明，风电齿轮箱故障主要是其内部轴承引起的。因此，风电齿轮