基于云边双数据源融合的轴承剩余寿命预测方法

技术领域

本发明是基于云边双数据源融合的轴承剩余寿命预测方法，属于设备健康管理与维护领域，尤其适用于基于云边双数据源融合的轴承剩余寿命预测。

背景技术

随着科学技术的快速发展以及工程技术的不断革新，目前越来越多的旋转机械设备在生活生产中发挥职能。轴承作为旋转机械中的重要组成部分，广泛应用在航空航天、轨道交通等诸多领域，若轴承出现退化或者损坏的趋势而未进行实时状况监测和处理，往往会造成更严重的设备损伤。另外，伴随着工业物联网技术的蓬勃发展，由旋转机械产生的数据尤为突出，对轴承状态监测所采取的数据占到40％。将如此庞大的数据实时上传给云服务器，不仅会使网络面临巨大的流量压力，同时服务器处理海量数据也很难保证轴承状态监测的时效性。那么，如何实时对旋转机械中的重要轴承进行健康状态监测和剩余寿命预测(Remaining Useful Life,RUL)成为研究领域亟待解决的问题。

传统的轴承RUL方法主要从失效机理与统计概率角度进行预测，两种方法均存在建模困难、训练数据缺失的缺点，因此在轴承RUL方面存在很大的难度。随着人工智能技术的发展，基于数据驱动的信息新技术方法广泛运用到轴承RUL。该方法通过提取表征轴承退化状态的特征值作为预测的协变量，实现对轴承剩余寿命的精确预测。当前基于数据驱动的轴承RUL方法主要有两种形式：①仅将原始信号作为输入，利用时间卷积网络、深度信念网络等模型挖掘深层特征学习退化模式；②从原始信号中提取表征退化趋势的特征，再输入到深度学习模型中进行预测。

上述方法①需要大量数据进行训练与调整，并且难以从原始数据中充分提取退化特征。对于从原始信号提取退化特征，再进行轴承RUL的方法，循环神经网络(RecursiveNeural Network,RNN)以其显著的时序信号处理能力应用到RUL中。但处理时序数据时，RNN串行运行方式严重降低了运算速度，并且RNN对长时序依赖关系的捕捉能力较弱，容易产生梯度消失与梯度爆炸。而Transformer模型通过其位置编码与多头自注意力机制实现了RNN无法做到的并行计算与长距离特征捕捉，在提高预测准确度的同时减少了运算时间。

综上所述，针对当前滚动轴承剩余使用寿命预测准确率不高且未考虑到预测实时性的问题，如何保证实时对轴承进行状态监测与寿命预测是该领域研究的重点和难点。

发明内容

本发明的目的在于提供一种基于云边(Cloud-Edge Collaborative Computing,CECC)双数据源融合(Data Sources Fusion,DSF)的轴承剩余寿命预测方法，旨在利用云端和边缘计算联动的实时性，二维度传感器的可靠性，以及发挥Transformer模型的准确性，以便在提高预测准确度的同时减少了运算时间，解决现有轴承剩余使用寿命预测准确率不高且未考虑到预测实时性的问题。

为达到上述目的，本发明提供如下技术方案：

基于云边双数据源融合的轴承剩余寿命预测方法，由基于云边双数据源融合的轴承剩余寿命预测系统来实现其功能。所述的基于云边双数据源融合的轴承剩余寿命预测系统包括云端服务器、水平方向边缘计算装置、垂直方向边缘计算装置、水平振动传感器、垂直振动传感器，其特征在于，所述的水平振动传感器和垂直振动传感器分别安装在轴承的水平和竖直方向上，用于检测轴承的振动情况；所述的水平方向边缘计算装置、垂直方向边缘计算装置分别与水平振动传感器、垂直振动传感器相连，用于实时获取水平振动传感器、垂直振动传感器上传的振动信号并提取特征；所述的水平方向边缘计算装置、垂直方向边缘计算装置都带有网络通讯模块，可以实现与云端服务器网络相连。

所述的水平方向边缘计算装置和垂直方向边缘计算装置为基于CPU或FPGA且带有内存的计算机。

基于云边双数据源融合的轴承剩余寿命预测方法，其特征在于，包括以下步骤：

步骤一：云端服务器对轴承历史退化数据进行小波去噪处理；

步骤二：云端服务器对去噪信号进行时域、频域退化特征提取并进行特征分析与选择；

步骤三：云端服务器分别将筛选的水平与垂直退化特征构建成水平与垂直训练集；

步骤四：云端服务器将水平与垂直训练集与标签进行归一化操作；

步骤五：云端服务器利用训练集与标签对水平Transformer模型和垂直Transformer模型分别进行训练；

步骤六：水平振动传感器、垂直振动传感器实时采集的振动信号分别传输给水平方向边缘计算装置、垂直方向边缘计算装置；

步骤七：水平方向边缘计算装置、垂直方向边缘计算装置分别对水平与垂直振动信号进行去噪处理与提取退化特征，构建退化特征测试集并实时上传至云端服务器；

步骤八：云端服务器分别将水平与垂直退化特征测试集分别输入训练好的水平与垂直Transformer模型进行水平与垂直信号轴承的剩余寿命预测，并根据双误差加权-DS证据进行融合，得到轴承的剩余寿命预测值。

进一步，所述的步骤一至步骤五可以采用离线的方式进行处理；所述的步骤六至步骤八为在线处理方式，可利用并行计算提升实时性。

进一步，步骤一所述的小波去噪处理为采用的小波阈值去噪方法对历史退化数据进行去噪处理，具体为：对原始含噪信号进行以多贝西四阶小波为母小波的5层离散小波分解，对细节系数进行阈值处理及小波重构，以达到去除噪声及保留能表现退化特征的信息。

进一步，步骤二所述的退化特征提取与选择具体为：从去噪后的信号中提取时域与频域的27个特征参数，再根据专家先验知识得知良好的退化特征应具有良好的单调性、趋势性和鲁棒性等特点，对特征进行单调性、趋势性与鲁棒性分析，选定适合的退化特征参数包含标准差、方差、峰峰值、均方根、最大值、绝对平均值、波形因子、裕度因子、频率均方根、频率均值十项退化特征。

进一步，步骤四所述的训练集归一化采用最大最小值归一化；所述的标签归一化为将剩余使用寿命与全寿命比值，满足与轴承运行时间的一次函数关系。

进一步，所述的水平Transformer模型和垂直Transformer模型由位置编码、多头注意力机制等模块组成，以均方误差作为损失函数，选用Adam优化器对模型进行训练和优化，设置学习率为0.0001。

进一步，步骤八所述的双误差加权-DS证据的融合具体为：

(1)分别计算水平信号剩余寿命预测结果和垂直信号剩余寿命预测结果的均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)；

(2)以均方根误差为依据，计算均方根误差初始权重

(3)以平均绝对误差为依据，计算均方根误差初始权重

(4)利用双误差加权-DS证据计算水平、垂直的融合权重

(5)融合证据得到轴承的剩余寿命预测值pred

本发明的有益效果：本发明提出基于云边双数据源融合的轴承剩余寿命预测方法，该方法结合边缘计算的实时性高、人工智能技术的高效处理数据能力以及多传感器技术的高可靠性来实现RUL预测的准确性与时效性等特性，能够有效解决现有轴承剩余使用寿命预测准确率不高且未考虑到预测实时性的问题，保障对轴承的实时状态监测与寿命预测。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明提供的基于云边双数据源融合的轴承剩余寿命预测系统框架图；

图2为本发明基于云边双数据源融合的轴承剩余寿命预测方法流程图；

图3为本发明实施例1中LSTM的预测结果；

图4为本发明实施例1中基于云边双数据源融合的轴承剩余寿命预测方法的预测效果。

具体实施方式

以下通过特定的具体实例阐述本发明的实验实施方式，本领域技术人员可根据本说明书内容轻易地了解本发明的优点。本发明还可通过其他不同的具体案例加以实施，本说明书中的各项细节也可以基于不同观点，在没有背离本发明的精神下进行各种修饰或改变。

实施例1：IEEE可靠性协会和FEMTO-ST研究所组织了IEEE PHM 2012年数据挑战赛。挑战的重点是估计剩余使用寿命轴承，这是一个关键问题，因为大多数旋转机器的故障都与这些组件极大地影响了机械设备的可用性、安全性和成本效益电力和交通等行业的系统和设备。

针对PHM2012数据集，本发明提供一种“基于云边双数据源融合的轴承剩余寿命预测方法”，由基于云边双数据源融合的轴承剩余寿命预测系统来实现，结合图1，所述的基于云边双数据源融合的轴承剩余寿命预测系统包括：云端服务器(1)、水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)、水平振动传感器(4)、垂直振动传感器(5)，其特征在于，所述的水平振动传感器(4)和垂直振动传感器(5)为两个相互定位为90°的微型加速度计组成，分别沿径向安置在轴承外圈的垂直轴与水平轴上，信号采样频率设置为25.6kHz，采样间隔为10s，每次采样时间为0.1s，即一次采样采集2560个振动数据。所述的水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)分别与水平振动传感器(4)、垂直振动传感器(5)相连，用于实时获取水平振动传感器(4)、垂直振动传感器(5)上传的振动信号并提取特征；所述的水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)都带有网络通讯模块，可以实现与云端服务器(1)网络相连。所述的水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)使用AMD Ryzen 5 3600 6-Core Processor(主频3.6GHz)64位操作系统，内存为8GB；所述的云端服务器(1)为超级计算机，Inter Xeon Gold 6330 28Core(主频2.0GHz)56线程，内存为6TB。

本实施例是在基于Tensorflow深度学习框架下进行实现的。

结合图2，所述的方法包括以下步骤：

S1：云端服务器(1)对轴承历史退化数据进行小波去噪处理；

S2：云端服务器(1)对去噪信号进行时域、频域退化特征提取并进行特征分析与选择；

S3：云端服务器(1)分别将筛选的水平与垂直退化特征构建成水平与垂直训练集；

S4：云端服务器(1)将水平与垂直训练集与标签进行归一化操作；

S5：云端服务器(1)利用训练集与标签对水平Transformer模型和垂直Transformer模型分别进行训练；

S6：水平振动传感器(4)、垂直振动传感器(5)实时采集的振动信号分别传输给水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)；

S7：水平方向边缘计算装置(2)、垂直方向边缘计算装置(3)分别对水平与垂直振动信号进行去噪处理与提取退化特征，构建退化特征测试集并实时上传至云端服务器(1)；

S8：云端服务器(1)分别将水平与垂直退化特征测试集分别输入训练好的水平与垂直Transformer模型进行水平与垂直信号轴承的剩余寿命预测，并根据双误差加权-DS证据进行融合，得到轴承的剩余寿命预测值。

在步骤S2中：

去噪信号是对径向力为4000N，1800r/min转速下第四组全寿命退化数据集进行去噪处理，该数据集共有1428个样本，每个样本均有水平振动信号以及垂直振动信号，并且水平加速度振动信号与垂直加速度振动信号都含有表征退化特征的有效信息。

在步骤S3中：

根据先验专家知识判断该轴承故障产生点为第1085组处，并以故障产生到完全退化周期数据的60％作为模型的训练集，即以数据的1085组到1287组数据作为训练集对模型进行训练。

在步骤S4中：

以实际剩余寿命作为训练与测试的标签y，标签的设置为0到1，标签1代表轴承完好未使用，标签0代表轴承完全失效。该数据集共1428组数据，当样本为第1300组数据时，则轴承剩余寿命的标签为1-1300/1428＝0.0896，以此类推，构建滚动轴承剩余寿命的标签。

在步骤S5中：

将Transformer模型时间步长设置为1，实验过程选用Adam优化器对训练过程的loss进行优化，设置学习率为0.0001。

在步骤S8中：

所述的双误差加权-DS证据的融合具体为：

(1)分别计算水平信号剩余寿命预测结果和垂直信号剩余寿命预测结果的均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)；

(2)以均方根误差为依据，计算均方根误差初始权重

(3)以平均绝对误差为依据，计算均方根误差初始权重

(4)利用双误差加权-DS证据计算水平、垂直的融合权重

(5)融合证据得到轴承的剩余寿命预测值pred

表1本发明实施例1性能对比

为了更好的展示本发明方法的优势，现采用单一维度信号的LSTM模型进行对PHM2012数据集中的轴承剩余寿命进行预测作为对照组，预测结果如图3所示，同时，基于云边双数据源融合的轴承剩余寿命预测方法的预测结果如图4所示。进一步，对比均方根误差、平均绝对误差和计算时间得到如表1所示的结果。

可见，本发明提出的基于云边双数据源融合的轴承剩余寿命预测方法无论在精度上还是效率上都是远远领先的。

实施例2：为了更好的展现双数据源融合的优势，在实施例1的基础上，分别对单一水平信号、单一垂直信号和双数据源的数据进行处理，本发明提供的一种“基于云边双数据源融合的轴承剩余寿命预测方法”，由基于云边双数据源融合的轴承剩余寿命预测系统来实现。

特别强调的是，本实施例中的步骤和系统描述与实施例1相同，这里不做进一步的赘述。

所不同的是，在步骤S3中：

实验将数据集划分为训练集与测试集，根据先验专家知识判断该轴承故障产生点为第1085组处，并以故障产生到完全退化周期数据的60％作为模型的训练集，即以数据的1085组到1287组数据作为训练集对模型进行训练；以剩余40％数据，即141组数据作为云边协同计算模型的测试集进行预测。

在步骤S4中：

以实际剩余寿命作为训练与测试的标签y，标签的设置为0到1，标签1代表轴承完好未使用，标签0代表轴承完全失效。

在步骤S8中：

分别就单一水平信号、单一垂直信号和双数据源的数据进行预测结果的输出，其中，双数据源的融合分别为水平、垂直权重均为0.5以进行融合，以及本发明双误差加权-DS证据的融合。得到结果如表2所示，可见，双数据源的预测结果优于单一数据的结果，双误差加权-DS证据的融合优于固定权重融合。

表2实施例2中融合实验结果对比

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。