基于优化VMD-GRU的滚动轴承剩余使用寿命预测.pdf
《基于优化VMD-GRU的滚动轴承剩余使用寿命预测.pdf》由会员分享,可在线阅读,更多相关《基于优化VMD-GRU的滚动轴承剩余使用寿命预测.pdf(6页珍藏版)》请在咨信网上搜索。
1、第22卷第1期2024年2月Vol.22 No.1Feb.2024中 国 工 程 机 械 学 报CHINESE JOURNAL OF CONSTRUCTION MACHINERY基于优化VMD-GRU的滚动轴承剩余使用寿命预测郗涛1,王锴1,王莉静2(1.天津工业大学 机械工程学院,天津 300387;2.天津城建大学 控制与机械工程学院,天津 300384)摘要:为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进
2、行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。关键词:滚动轴承;剩余寿命预测;变分模态分解(VMD);门控循环神经网络(GRU);阿基米德优化算法(AOA);鹈鹕优化算法(POA)中图分类号:TH 133.3 文献标志码:A 文章
3、编号:1672-5581(2024)01-0101-06Prediction of residual service life of fault driven rolling bearings based on optimized VMD-GRUXI Tao1,WANG Kai1,WANG Lijing2(1.School of Mechanical,Tiangong University,Tianjin 300387,China;2.School of Control and Mechanical Engineering,Tianjin Chengjian University,Tianji
4、n 300384,China)Abstract:In order to improve the prediction accuracy of remaining useful life(RUL)of rolling bearings,a variational modal decomposition(VMD)was proposed.VMD and gated recurrent neural networks(GRU)algorithm fusion of rolling bearing RUL prediction model VMD-GRU.Firstly,archimedes opti
5、mization algorithm(AOA)was used to decompose the original vibration signals,and then the minimum envelope entropy criterion was used to select the optimal modal component for degradation feature extraction.Secondly,the feature dimension was reduced by kernel principal component analysis.In order to
6、ensure the accuracy of the model,the pelican optimization algorithm(POA)was used to optimize the hyperparameters in GRUs,and the remaining life prediction model of GRUs was established according to different fault types.The XJTU-SY standard data set was used to verify the remaining life prediction.C
7、ompared with the traditional method of extracting degradation features and building prediction models without combining fault types,the experimental results show that the root mean square error and mean absolute error of VMD-GRU model are reduced by 26.28%and 27.17%,respectively.Key words:rolling be
8、aring;residual life prediction;variational mode decomposition(VMD);gated recurrent neural network(GRU);archimedes optimization algorithm(AOA);pelican optimization algorithm(POA)基金项目:国家科技重大专项子课题资助项目(2019zx04055-001-014);2020年天津市科委企业科技特派员资助项目(20YDTPJC00840)作者简介:郗涛(1974),副教授,博士。E-mail:通信作者:王锴(1999),硕士生
9、。E-mail:第22卷中 国 工 程 机 械 学 报随着科技的飞速发展,工程机械设备逐渐趋于大型化、多元化和复杂化。滚动轴承被称为“工业的关节”,是工程机械设备中关键的零部件,一旦发生故障,带来经济损失的同时还会存在安全隐患1。轴承的剩余使用寿命(remaining useful life,RUL)是评估轴承健康状况的关键指标,而不同的故障类型对轴承的RUL影响不同,在不同故障类型的基础上对轴承的RUL进行预测,可以有效提高轴承RUL预测精度2-3。近年来,滚动轴承的剩余寿命预测是工程机械设备故障诊断和健康管理领域的热点研究话题之一,目前研究领域内主要是利用基于数据驱动的方法建立预测模型4。
10、彭鸿博等5通过信息融合和相关向量机的方法进行航空发动机剩余寿命预测;胡 小 曼 等6利 用 相 关 向 量 机(relevance vector machine,RVM)建立预测模型进行滚动轴承剩余寿命预测,取得较好的预测结果。随着深度学习的发展,利用神经网络建立预测模型在轴承寿命预测中广泛应用,王奉涛等7提出长短时记忆网络的寿命预测方法;慎明俊等8建立融合深度置信神经网络(deep belief neural,DBN)和长短时记忆神经网络(long-short term memory,LSTM)的滚动轴承剩余寿命预测模型,并取得较高的准确率。以上研究在轴承剩余寿命预测方面都取得了一定成果,但
11、是利用传统方法提取退化特征和建立预测模型仍存在预测结果误差较大的问题。因此,为了提取最优退化特征以及得到更加准确的滚动轴承剩余寿命预测结果,结合变分模态分解(variational modal decomposition,VMD)和门控循环神经网络(gated recurrent neural networks,GRU)分别在振动信号处理和模型预测中的优异性,创新性地提出了一种滚动轴承剩余寿命预测的方法。VMD-GRU 模型针对不同故障类型的轴承进行退化特征的提取和预测模型的建立,通过西安交通大学与昇阳科技有限公司联合进行实验得到的XJTU-SY公开数据集进行实验验证,与传统方法对比,本文预测
12、结果更加准确,证明了方案的可行性。1 理论基础 1.1变分模态分解VMD是2014年由Dragomiretskiy等9提出的一种非递归变分模式的信号分解方法。VMD的整体思路为假设任何信号都是由一系列有限带宽的、调 幅 调 频 的 内 禀 模 态 函 数(intrinsic mode function,IMF)组成的,其表达式为uk(t)=Ak(t)cos(k(t)(1)式中:Ak(t)为模态的瞬时幅值;k(t)为模态的非递减相位函数;uk为第K个IMF分量。对每个IMF进行希尔伯特变换并计算其单边频谱,再将其频谱调制到相应的基带。通过计算解调梯度的平方范数L2,并估计每个IMF的带宽,其数学
13、模型如下:minuk,k k t ()()t+jtuk()te-jkt22 s.t.k=1Kuk=f()t(2)式中:uk为第k个IMF分量;k为第k个IMF分量中心频率;(t)为脉冲函数。通过引入二次惩罚因子和拉格朗日乘子,将约束变分问题转化为无约束变分问题进行求解,求最优解过程中,不断更新un+1k、n+1k、n+1k表达式,如式(3)式(5)所示,直到达到收敛条件后结束迭代:un+1k()=f()-ikunk()+n()21+2(-kn)2(3)n+1k=0|un+1k()2dw0|un+1k()2dw(4)n+1k()=nk()+()f()-kun+1k()(5)1.2阿基米德优化算法
14、阿基米德优化算法(Archimedes optimization algorithm,AOA)是一种基于群体的启发式算法,该算法由Fatma等10于2020年提出。在AOA中,种群个体是沉浸对象,寻优过程模拟了阿基米德浮力定律中的内容,具体实现步骤如下:步骤1 首先使用式(6)初始化所有物体的位置(x)、体积(v)、密度(c)和加速度(a),xi=lbi+r(ubi-lbi),i=1,2,Nci=rvi=rai=lbi+r(ubi-lbi)(6)式中:ubi、lbi为搜索空间上、下限;N为种群规模;r为 0,1 内随机生成的向量,其维数与问题维数一致。评估初始总体并选择具有最佳适应度制的对10
15、2第1期郗涛,等:基于优化VMD-GRU的滚动轴承剩余使用寿命预测象xbest、cbest、vbest和abest,至此AOA的初始化完毕开始下一阶段。步骤2 使用式(7)更新第t+1次迭代物体i的密度与体积:ct+1i=cti+r(cbest-dti)vt+1i=vti+r(vbest-vti)(7)步骤3 根据算法目前所处阶段更新加速度与位置,AOA共有2个阶段,即探索阶段与开发阶段,当前处在哪一阶段由转移算子TF决定,TF的值由式(8)计算得到。随着迭代次数的增加,TF的取值不断增加,最终达到1。TF=e()t-tmaxtmax(8)式中:t、tmax分别为当前迭代次数和最大迭代次数。密
16、度因子d也有助于算法从探索阶段过渡到开发阶段:dt+1=e()t-tmaxtmax-ttmax(9)当 TF0.5时,算法处于探索阶段,对象之间发生碰撞,随机选择一个物体(mr),使用式(10)更新物体i的加速度:at+1i=cmr+vmramrct+1i+vt+1i(10)当 TF 0.5 时,算 法 进 入 开 发 阶 段,使 用式(11)更新对象的加速度:at+1i=cbest+vbestabestct+1ivt+1i(11)不论算法现在处于哪一阶段,都要使用式(12)标准化加速度如下:at+1i-norm=0.9at+1i-aminamax-amin+0.1(12)根据算法当前阶段不同
17、,使用不同公式更新物体位置,当算法处于探索阶段时,使用式(13)更新物体位置,当算法处于开发阶段时使用式(14)更新物体位置如下:xt+1i=xti+C1r rat+1i-normd(xrand-xti)(13)xt+1i=xtbest+FC2r rat+1i-normd(Txbest-xti)(14)式中:xrand为第t代中随机个体的位置;T=C3TF;P=2rand-C4;C1、C2、C3、C4为常数;F的值为F=+1,P0.5-1,P0.5(15)步骤4 使用目标函数评价各个物体,并记住迄今为止找到的最优解分配xbest、cbest、vbest和abest。达到最大迭代次数后结束迭代并
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 优化 VMD GRU 滚动轴承 剩余 使用寿命 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。