一种基于GA-SSA-BiLSTM模型的轴承性能预测方法

技术领域

本发明属于轴承性能预测技术领域，具体涉及一种基于GA-SSA-BiLSTM模型的轴承性能预测方法。

背景技术

滚动轴承作为机械设备的重要零部件，由于其所处的工作环境大都较为恶劣致使其容易损坏，并且滚动轴承的性能和使用寿命直接影响着轴承转子系统乃至整套机械设备的可靠性和安全性根据统计。因此，监测轴承的运行状况，通过对轴承历史数据进行分析，准确预测轴承未来性能变换趋势具有重要意义。

近年来，国内外诸多学者研究轴承性能预测问题。赵佳俊以滚动轴承全生命周期振动信号为研究对象，针对基于循环神经网络(RNN)及其变体的预测模型仅能对数据时间特征进行处理，忽略了特征间空间相关性的问题，提出一种基于时间图卷积神经网络(T-GCN)的滚动轴承性能衰退预测方法。该方法通过门控循环单元(GRU)构建时间相关性模型，图卷积神经网络(GCN)和路图拓扑结构构建空间相关性模型，以此为基础搭建基于T-GCN的滚动轴承性能衰退预测模型。通过实验验证，并与GRU模型和GCN模型预测模型进行对比，T-GCN预测曲线拟合度最好，评价指标结果更优。杨超楠以滚动轴承全生命周期振动信号为研究对象，逐一进行了信号降噪、特征融合及性能衰退阶段划分和性能趋势预测多个方面的研究。李刘斌以滚动轴承为研究对象，提出了基于磷虾群算法参数优化混合核函数支持向量回归机模型和深度置信网络与极限学习机融合模型的滚动轴承性能退化预测方法研究。童清俊提出一种基于信息理论度量学习的滚动轴承性能退化状态识别方法，该方法采用变分模态分解提取轴承振动信号各本征模态函数的奇异值、相对能量等特征，引入信息理论度量学习算法，通过构建样本对约束对特征空间中的距离度量进行学习，利用所学度量矩阵对原始特征进行特征变换，并通过K近邻分类器实现轴承性能退化状态识别，增强了轴承退化敏感程度。

轴承性能数据具有非线性、随机性及突发性。小波变换能够将时间序列分解成不同尺度上的分量，并根据不同分量的特点分别建立预测模型。双向长短期记忆神经网络通过在正向和反向上运行两个LSTM隐藏层，可以将过去和未来的上下文信息整合在每个时间步上，更好地捕捉时间序列中的长期依赖关系，进一步提升模型的预测精度。遗传算法和麻雀搜索算法优化神经网络模型的初始权值阈值和超参数，可以高效地探索复杂的参数组合，找到性能最佳的模型配置，并且可以克服模型预测过程易陷入局部最优解及收敛速度慢的问题。综上，提出一种基于遗传算法、麻雀搜索算法和双向长短期记忆神经网络的方法，预测轴承性能数据的变化趋势。

发明内容

本发明的目的是提供一种基于GA-SSA-BiLSTM模型的轴承性能预测方法。解决了传统的预测方法对波动较大的轴承性能时间序列数据预测精度不高的问题。

基于GA-SSA-BiLSTM模型的轴承性能预测方法，所述方法包括以下步骤：

步骤1，收集轴承性能时间序列数据；

步骤2，对获取的轴承性能时间序列数据进行预处理操作；

步骤3，根据预处理后所得数据，建立基于BiLSTM的轴承性能预测模型；

步骤4，利用遗传算法GA优化基于BiLSTM的轴承性能预测模型的初始权值阈值；

步骤5，利用麻雀搜索算法SSA优化基于BiLSTM的轴承性能预测模型的超参数；

步骤6，利用优化后的基于BiLSTM的轴承性能预测模型对未来轴承性能数据进行预测。

进一步地，所述步骤2中，利用小波变换对原始轴承性能序列数据进行特征提取，采用db3小波函数进行分解，分解层数为3，分解后得到1个近似分量和3个细节分量，分别对各个分量进行建模预测，最后进行小波重构得到最终的轴承性能数据预测结果；

进一步地，其特征在于，所述利用小波变换对原始轴承性能序列数据进行特征提取的具体步骤为：对轴承性能时间序列数据进行预处理，采用小波变换进行特征提取，并进行数据归一化，提高预测模型的泛化能力，具体步骤为：

步骤2.1，利用小波变换对原始数据进行特征提取，基于轴承性能时间序列数据的离散性，选择离散小波进行数据分解，对于一维离散信号x(n)，其小波变换可以表示为：

其中W(a,b)是小波系数，表示了在尺度a和位移b下的信号成分，x(n)是原始轴承性能时间序列数据；ψ

步骤2.2，利用数据归一化对小波分解后轴承性能数据子序列进行预处理，根据轴承性能数据的特点，选择Min-Max归一化方法将每个子序列数据映射到[0,1]区间，具体方法是：先计算每个子序列中数据的最大值和最小值，分别记为Xmax和Xmin，再将子序列数据中的每个数据减去Xmin，再除以Xmax-Xmin，即完成当前子序列的数据归一化。

优选地，对原始轴承性能时间序列数据进行预处理操作，包括小波变换和数据归一化。小波变换能够将轴承性能时间序列数据分解成不同尺度上的信号分量，捕获信号的不同特性，对不同特性的分量分别建立预测模型再进行小波重构，能够有效提升模型的预测精度。数据归一化能够将不同尺度、不同单位和不同范围的数据转换为统一的标准范围，以消除数据之间的量纲差异，从而提升预测模型的收敛速度，增强模型的稳定性。

进一步地，所述步骤3中，针对小波分解后的子序列，分别建立BiLSTM的轴承性能预测模型，BiLSTM神经网络能够同时提取前向与后向信息，更好地挖掘轴承数据的时序特征，网络输出结果由正向输出与反向输出共同决定，计算公式如下：

O

其中，

优选地，基于BiLSTM建立轴承性能预测模型，BiLSTM神经网络由两个LSTM层组成，一个负责正向(从过去到未来)传递信息，另一个负责反向(从未来到过去)传递信息，能够同时捕获过去和未来的信息，使得网络能够更全面地理解分析轴承性能时间序列，充分考虑轴承性能时间序列中的上下文信息，从而提高轴承性能数据的预测精度。

进一步地，所述步骤4中，利用遗传算法对BiLSTM模型的初始权值阈值进行优化，具体方法是：

步骤4.1，对遗传算法中的参数初始化，所述参数初始化的操作包括种群大小、迭代次数、选择概率、交叉概率、变异概率、权值和阈值范围，取一个或多个方法进行参数初始化；

步骤4.2，对权值阈值进行实数编码，将所有的权值阈值按照顺序组成一个染色体，每个染色体代表遗传算法中的一个个体；

步骤4.3，种群初始化，随机生成一组初始染色体，每个染色体代表一个BiLSTM神经网络的参数组合，利用该染色体建立BiLSTM神经网络模型；

步骤4.4，将均方误差MSE作为适应度函数评估每个染色体的性能表现，利用适应度函数计算种群中每个染色体的适应度值；

步骤4.5，遗传算法迭代开始，重复执行选择、交叉和变异操作，来生成下一代的染色体；所述选择操作为选择适应度高的染色体，所述交叉操作为将两个个体的染色体片段交换，所述变异操作为随机改变染色体中的部分基因值；

步骤4.6，达到最大迭代次数或目标适应度值后停止迭代，解码最优染色体并获取优化后的BiLSTM神经网络的初始权值阈值。

优选地，利用遗传算法优化BiLSTM的初始权值阈值，由于BiLSTM神经网络的性能受初始权值和阈值的设置影响很大，遗传算法可以搜索模型参数空间，找到更好的初始参数配置，以改善模型的性能。经遗传算法优化后的初始参数配置可以加速BiLSTM模型的收敛，在相同的迭代次数内能够更快地学习到轴承性能数据的规律，从而提高训练效率。同时，遗传算法具有全局搜索的性质，可以帮助模型避免陷入局部最优解。

进一步地，所述步骤5中，利用麻雀搜索算法SSA优化基于BiLSTM的轴承性能预测模型的超参数，具体方法是：

步骤5.1，确定待优化的超参数为时间窗口和隐藏层神经元数量，对SSA进行参数初始化，包括初始迭代种群、迭代次数、发现者和加入者的比例；

步骤5.2，随机初始化一群麻雀个体，每个个体代表一个BiLSTM模型的超参数组合，并根据个体中的超参数值建立BiLSTM模型；

步骤5.3，将均方误差MSE作为适应度函数，计算每个个体所对应的适应度值；

步骤5.4，迭代开始后，分别更新SSA中发现者、加入者、警戒者的位置，发现者更新公式如下，

加入者更新公式如下，其中Xp是当前最优坐标，Xworst为当前最差坐标，A是由1和-1组成的矩阵，且A+＝AT(AAT)；当i>n/2时，适应度值较低的第i个加入者当前空腹状态，需要改变自己当前的空间坐标信息以改变现在空腹状态；

警戒者更新公式如下，β是不确定数值常量，且β∈[0,1]；K是不确定常量，表示麻雀改变当前坐标的方向以及作为控制参量数值用于补充过程，K∈[-1,1]，fi是当前第i个体适应度变量；fg和fw分别是种群中最好和最差的适应度变量，ε是不为0的常数。fi>fg表示此时的麻雀极大可能遭受被捕食的风险，fi＝fg表示麻雀存在想要改变坐标以避免被捕食的想法；

步骤5.5，达到最大迭代次数或目标适应度值后停止迭代，解码最优个体并获取优化后的BiLSTM神经网络的超参数。

优选地，利用麻雀搜索算法优化BiLSTM模型的超参数，具体方法是：首先确定待优化的超参数为时间窗口和隐藏层神经元数量，对SSA进行参数初始化，包括初始迭代种群、迭代次数、发现者和加入者的比例等；接着随机初始化一群麻雀个体，每个个体代表一个BiLSTM模型的超参数组合，并根据个体中的超参数值建立BiLSTM模型；算法迭代开始后，分别更新麻雀搜索算法中发现者、加入者、警戒者的位置；达到最大迭代次数或目标适应度值后停止迭代，解码最优个体并获取优化后的BiLSTM神经网络的超参数。

本发明的有益效果是：本发明不仅解决了传统的预测方法对波动较大轴承性能时间序列数据预测精度不高的问题，并且利用小波变换对原始轴承性能数据进行特征提取，从不同尺度上的近似分量和细节分量捕获信号的不同特性；分别利用遗传算法和麻雀搜索算法优化BiLSTM神经网络的初始权值阈值和超参数，克服了模型预测过程中易陷入局部最优解、收敛速度慢且不稳定的问题，进一步提高模型鲁棒性和预测精度。该预测方法能够提取轴承性能数据的特征变化，最终实现了对轴承性能时间序列数据的高准确率预测并分析，更精确地预测轴承性能的变换趋势。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法的流程图；

图2为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法中的小波变换分解树示意图；

图3为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法中的BiLSTM网络结构图；

图4为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法中的轴承性能时序数据图；

图5为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法中的小波变换结果图；

图6为本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法中的预测结果图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明基于GA-SSA-BiLSTM模型的轴承性能预测方法，方法流程图如图1所示。包括以下步骤：

步骤1，收集轴承性能时间序列数据；

步骤2，对步骤1获取的轴承性能时间序列数据进行预处理操作；

步骤3，根据步骤2所得数据，建立基于BiLSTM的轴承性能预测模型；

步骤4，利用遗传算法(GA)优化BiLSTM模型的初始权值阈值；

步骤5，利用麻雀搜索算法(SSA)优化BiLSTM模型的超参数；

步骤6，利用优化后的BiLSTM轴承性能预测模型对未来轴承性能数据进行预测。

步骤2中，对轴承性能时间序列数据进行预处理，采用小波变换进行特征提取，并进行数据归一化，提高预测模型的泛化能力。

步骤2.1，利用小波变换对原始数据进行特征提取。基于轴承性能时间序列数据的离散性，选择离散小波进行数据分解。对于一维离散信号x(n)，其小波变换可以表示为：

其中W(a,b)是小波系数，表示了在尺度a和位移b下的信号成分；x(n)是原始轴承性能时间序列数据；ψ

步骤2.2，利用数据归一化对小波分解后轴承性能数据子序列进行预处理。根据轴承性能数据的特点，选择Min-Max归一化方法将每个子序列数据映射到[0,1]区间，具体方法是：先计算每个子序列中数据的最大值和最小值，分别记为Xmax和Xmin；然后使用子序列数据中的每个数据减去Xmin，再除以Xmax-Xmin，即完成当前子序列的数据归一化。

步骤3中，针对小波分解后的子序列，分别建立BiLSTM的轴承性能预测模型。BiLSTM神经网络能够同时提取前向与后向信息，更好地挖掘轴承数据的时序特征，其网络结构如图3所示。网络输出结果由正向输出与反向输出共同决定，计算公式如下：

O

其中，

步骤4中，利用遗传算法对BiLSTM模型的初始权值阈值进行优化，具体方法是：

步骤4.1，对遗传算法中的参数初始化，包括种群大小、迭代次数、选择概率、交叉概率、变异概率、权值和阈值范围等；

步骤4.2，对权值阈值进行实数编码，将所有的权值阈值按照顺序组成一个染色体，每个染色体代表遗传算法中的一个个体；

步骤4.3，种群初始化，随机生成一组初始染色体，每个染色体代表一个BiLSTM神经网络的参数组合，利用该染色体建立BiLSTM神经网络模型；

步骤4.4，将均方误差MSE作为适应度函数评估每个染色体的性能表现，利用适应度函数计算种群中每个染色体的适应度值；

步骤4.5，遗传算法迭代开始，重复执行选择(适应度高的个体)、交叉(将两个个体的染色体片段交换)和变异(随机改变染色体中的部分基因值)操作，来生成下一代的染色体；

步骤4.6，达到最大迭代次数或目标适应度值后停止迭代，解码最优染色体并获取优化后的BiLSTM神经网络的初始权值阈值。

步骤5中，利用麻雀搜索算法(SSA)优化BiLSTM模型的超参数，具体方法是：

步骤5.1，确定待优化的超参数为时间窗口和隐藏层神经元数量，对SSA进行参数初始化，包括初始迭代种群、迭代次数、发现者和加入者的比例等；

步骤5.2，随机初始化一群麻雀个体，每个个体代表一个BiLSTM模型的超参数组合，并根据个体中的超参数值建立BiLSTM模型；

步骤5.3，将均方误差MSE作为适应度函数，计算每个个体所对应的适应度值；

步骤5.4，迭代开始后，分别更新SSA中发现者、加入者、警戒者的位置，发现者更新公式如下，

加入者更新公式如下，其中Xp是当前最优坐标，Xworst为当前最差坐标，A是由1和-1组成的矩阵，且A+＝AT(AAT)；当i>n/2时，适应度值较低的第i个加入者当前空腹状态，需要改变自己当前的空间坐标信息以改变现在空腹状态。

警戒者更新公式如下，β是不确定数值常量，且β∈[0,1]；K是不确定常量，表示麻雀改变当前坐标的方向以及作为控制参量数值用于补充过程，K∈[-1,1]；fi是当前第i个体适应度变量；fg和fw分别是种群中最好和最差的适应度变量；ε是不为0的常数。fi>fg表示此时的麻雀极大可能遭受被捕食的风险，fi＝fg表示麻雀存在想要改变坐标以避免被捕食的想法。

步骤5.5，达到最大迭代次数或目标适应度值后停止迭代，解码最优个体并获取优化后的BiLSTM神经网络的超参数。

本实施例采用西安交通大学轴承加速寿命试验数据集(XJTU-SY)，该数据集由西安交通大学滚动轴承加速寿命试验室提供，数据集中全部数据均是保存的真实的滚动轴承相关运行数据，具有高度的可靠性，同时也具有高度的准确性。因原数据集过大，因此节选部分时间序列数据如图4所示。选择db3小波函数对其进行小波变换，分解层数为3，其分解结果如图5所示，A1为近似分量，D1、D2和D3分别为细节分量。将数据集以8：2的比例划分为训练集和测试集，基于本方法在测试集上的最终预测结果如图6所示。

尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。