基于C-DRGAN和AD的行星轮轴承寿命预测方法.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CN110441061A(43)申请公布日2019.11.12(21)申请号201910744413.3(22)申请日2019.08.13(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号哈尔滨理工大学自动化学院(72)发明人于军(51)Int.Cl.G01M13/04(2019.01)G01M13/045(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于C-DRGAN和AD的行星轮轴承寿命预测方法(57)摘要本发明公开了一种基于C-DRGAN和AD的行星轮轴承寿命预测方法。所述方法包括如下步骤，步骤一：将门控循环单元神经网络与条件生成对抗网络相结合，构建C-DRGAN，从复杂非静态信号中提取故障特征，实现小样本和变工况下行星轮轴承的剩余寿命预测；步骤二：将行星轮轴承剩余寿命预测的训练样本看作C-DRGAN的输入数据，采用基于AD的训练算法训练C-DRGAN，提高收敛速度，降低训练时间；步骤三：根据训练后的C-DRGAN，利用NNBC预测测试样本中行星轮轴承的剩余寿命。实施例的结果表明本发明具有较强的复杂非静态信号处理能力，并能在小样本情况下取得出色的行星轮轴承剩余寿命预测效果。CN110441061ACN110441061A权利要求书1/2页1.基于条件深度循环生成对抗网络(Conditionaldeeprecurrentgenerativeadversarialnetwork,C-DRGAN)和动作探索(Actiondiscovery,AD)的行星轮轴承寿命预测方法包括以下步骤：步骤一、将门控循环单元神经网络与条件生成对抗网络相结合，构建C-DRGAN，从复杂非静态信号中提取故障特征，实现小样本和变工况下行星轮轴承的剩余寿命预测；步骤二、将行星轮轴承剩余寿命预测的训练样本看作C-DRGAN的输入数据，采用基于AD的训练算法训练C-DRGAN，提高收敛速度，降低训练时间；步骤三、根据训练后的C-DRGAN，利用非朴素贝叶斯分类器(Non-naiveBayesianclassifier,NNBC)预测测试样本中行星轮轴承的剩余寿命。2.根据权利要求1所述的基于C-DRGAN和AD的行星轮轴承寿命预测方法，其特征在于所述步骤一中C-DRGAN由生成器G、判别器D和NNBC组成。真实数据x为训练样本。随机噪声z与条件c为生成器G的输入。生成器G由一个门控循环单元神经网络(Gatedrecurrentunitneuralnetwork,GRUNN)构成。生成样本G(c,z)应服从真实数据x的分布Pdata(x)。在条件c的指导下，判别器D判断输入样本是真实数据x还是生成样本G(c,z)。判别器D由一个GRUNN构成。NNBC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C-DRGAN和AD的行星轮轴承寿命预测方法，其特征在于所述步骤二中采用基于AD的训练算法训练C-DRGAN；具体步骤为：步骤二一、设置松弛变量δ，折扣因子γ和学习率α。初始化状态s0，动作a0和动作集A0；步骤二二、执行动作a0，观察环境新状态st+1，计算累积折扣奖励，公式为：其中，γ∈(0，1]为折扣因子，rt+k+1为t+k+1时刻的奖励；步骤二三、计算判别器D的损失函数，公式为：其中，Lc为类标签的损失误差，Ld为真实标签的损失误差，Θ为判别器D的参数集；步骤二四、计算生成器G的损失函数，公式为：其中，Lg为真实标签的损失误差，Θ'为生成器G的参数集；步骤二五、更新当前网络参数集θ和目标网络参数集θ-，更新公式如下：其中，θi为第i次迭代时当前网络Q的参数集，θi+1为第i+1次迭代时当前网络Q的参数集，-θi+C为第i+C次迭代时当前网络Q的参数集，为第i次迭代时当前网络Q的参数集，为参数集θi损失函数的梯度；步骤二六、搜索并评估新动作，更新动作集，公式为：2CN110441061A权利要求书2/2页其中，c为成本函数，为潜在函数，At为t时刻的动作集；步骤二七、对下一时刻重复步骤二二至步骤二六,直到判别器D和生成器G达到纳什均衡。3CN110441061A说明书1/5页基于C-DRGAN和AD的行星轮轴承寿命预测方法技术领域[0001]本发明涉及一种行星轮轴承寿命预测方法，尤其涉及基于条件深度循环生成对抗网络(Conditionaldeeprecurrentgenerativeadversarialnetwork,C-DRGAN)和动作探索(Actiondiscovery,AD)的行星轮轴承寿命预测方法。背景技术[0002]因具有