基于S- 时间熵和LSTM 的滚动轴承早期故障预测

2021-01-22蒋金元李凤娟

科学技术创新 2021年3期

蒋金元彭成李凤娟

（湖南工业大学，湖南株洲412007）

近些年国内外研究机械故障热点在于故障诊断，研究故障预测较少，但预测是对机械未来的性能退化的预先估计，能极大程度地减少机械故障带来的经济损失，故障预测在实际生产生活中越发重要。目前故障预测多是利用数据驱动方法实现，如自回归（Autoregressive, AR）模型[1]，灰色理论[2]，支持向量回归（Support Vactor Regression, SVR）[3]，深度学习[4]等方法。这些方法中，深度学习因其独特的自学习能力广泛用于电力系统[5]、金融行业[6]等领域，但在故障预测领域上的应用仍是初始阶段。

国内外学者基于深度学习的故障预测一类为端对端的预测方法，Malhotra 等[7]利用长短时记忆编解码器无监督学习多传感器健康指数从而进行预测，这类方法用于实际生产中还存在一些问题。另一类为利用表征性能退化的特征值与深度学习模型相结合的方法，该方法通过特征指标表征性能退化，用深度学习方法预测退化曲线从而达到预测故障的目的。赵建鹏等[8]运用经验模态分解得出的本征模态并计算能量熵，并提出基于LSTM的故障预测。这类方法需要良好的特征指标来有效刻画机械的性能状态变化与趋势，程道来等人[9]于2019 年提出一种新的滚动轴承性能退化指标S- 时间熵，实验表明与工程上常用时域指标相比，能更好反映轴承的退化过程。但S- 时间熵的计算过程中，时频谱系数矩阵的规模一般是很大的，这严重影响快速获取熵值，并且基于深度学习的机械故障预测对于早期故障研究较少。鉴于此，提出一种基于改进的S- 时间熵与长短时记忆深度网络（Long Short-Term Memory, LSTM）相结合的早期滚动轴承预测方法。

1 滚动轴承早期故障预测方法

1.1 改进时间熵

改进S- 时间熵算法

（1）将时序信号X 做S 变换并取模得到时频谱系数矩阵A（nxn）。

（2）A[i]暂存到ListA，找到listA 的所有最大值MaxList 和最小值MinList，根据MaxList、MinList 和w 对数据做缩放，得到缩放倍率的NewList。

（3）对NewLsit 进行归一化信息熵处理得到特征值Fi。

（4）将n 个Fi求和取平均得到S- 时间熵res。

1.2 故障预测

针对滚动轴承早期故障的预测，提出一个基于LSTM的早期故障预测方法，步骤如下：

（1）获取轴承全生命周期的振动加速度数据。

（2）由2.1 章的算法计算S- 时间熵并将其作为轴承性能退化指标。

（3）选取正常状态与早期故障状态下的S- 时间熵熵值分别作为训练集和测试集。

（4）使用LSTM对数据集训练，预测。

（5）使用多种评价指标对预测结果进行评价。

2 实验验证

2.1 实验环境与评价指标

实验轴承整个生命期数据采用NASA 的Prognostic Center Excellence 的IMS 数据集[10]，实验采用Python 3.7 编程，深度学习框架为pytorch 1.5.0，操作系统为Win10。

评价指标：均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分误差（MAPE）。

2.2 实验结果

将IMS 数据集的数据，按照缩放比例w计算S- 时间熵，得到S- 时间熵曲线图如图1 所示。图中可以看出比例的缩放并没有影响时间熵的总体的变化，同时可以看到所有曲线均约于525 个数据点开始明显下降，说明适当的缩放并不会影响S- 时间熵用于表征滚动轴承的退化情况，同时可以认为525 数据点是S- 时间熵性能退化的起点。w为1,32,64,128,256,512 的计算耗时分别是54.430 秒,4.030 秒,2.695 秒,2.781 秒,1.691 秒和1.794 秒，通过比较可以得出设置w=256 是比较好的缩放倍率。

图1 轴承全生命周期性能退化图

将缩放比例w=256 的S- 时间熵的曲线的数据作为LSTM训练的初始数据集，通过滑动窗口迭代推进划分训练集与测试集。LSTM 训练后，预测轴承的早期故障，LSTM 模型结构为255-125-1。为了论证提出方法的有效性，引入随机森林(RFR)，SVR 和Prophet 与LSTM进行滚动轴承故障预测实验对比，相应的预测评价指标如表1 所示。