基于BAS-BP模型的轴承剩余使用寿命预测

璩晶磊，马晓杰，梁萍

(河南工学院机械工程学院，河南新乡 453003)

0 前言

“中国制造2025”发展战略下，先进传感技术的使用为机电装备运行数据采集、分析与处理提供了便利，有利于实现机电装备故障预测和健康管理，提高设备维修效率，延长使用寿命。轴承状态对机电装备的稳定运行和健康管理至关重要，因此对其运行状态进行评估及寿命预测有重要的现实意义。

传统基于物理模型的预测方法，可以表示随着使用时间增长轴承性能的退化趋势，但由于模型较依赖专业知识和历史数据，且没有考虑轴承制造和使用过程中的不确定因素，因此泛化能力较弱。随着人工智能技术的学习能力和计算能力的飞速发展，被广泛应用于各行各业。利用其自动从海量数据中提取特征的优势，能有效提高轴承寿命预测的精度，因此，数据驱动的轴承实时状态预测成为一个研究热点。雷亚国等利用多个核函数自适应优化相关向量机并进行预测应用；文献[8]提取振动信号的RRMS特征对电机轴承进行寿命预测；文献[9]基于轴承振动信号建立了退化特征指标，建立了基于深度学习的预测模型；文献[10]利用小波包能量谱分解轴承振动信号构建退化特征并进行寿命预测；与传统的轴承故障预测方法相比，人工智能方法具有较高的预测精度，但是存在初始参数设置对结果影响大，导致模型稳定性差、计算效率低等问题。

因此，为提高退化特征的相关性，降低预测误差，提高模型稳定性和预测效率，本文作者构建轴承振动信号的18维退化特征作为模型输入，提出了基于BAS-BP模型的轴承剩余寿命预测方法，将天牛须搜索(Beetle Antennae Search, BAS)和神经网络相结合，克服BP(Back Propagation) 神经网络易陷入局部最优的缺陷，提高预测精度和稳定性。通过开放实验数据对模型有效性进行验证。

1 轴承退化特征构建

滚动轴承在运行过程中产生的振动信号包含了能反映其运行状态的特征信息，常见的滚动轴承退化特征提取方法主要是对振动信号做频谱分析，提取时域、频域以及时频域的各种统计量作为退化特征。但由于各特征量具有不同的量纲且对轴承健康状况的反映能力存在不同，为提高预测精度，降低数据维度和计算复杂性，选择能够明显代表轴承健康运行状态的参数构建轴承退化特征。经过特征筛选比对，最终选择时域的均方根、峰值因子和峭度因子作为评价指标，如式(1)—式(3)所示：

(1)

(2)

(3)

为克服时域特征对轴承全生命周期不同衰退阶段反映不明显的问题，采用式(4)频谱分区求和(Frequency Spectrum Partition Summation, FSPS)作为频域特征参数。对所选取的时域和频域特征，采用最大最小归一化方法进行特征值处理，构建了基于轴承振动信号的18维退化特征指标，见式(5)。

(4)

其中：FSPS是一种个元素组成的一维频域特征，为FSPS特征组成元素编号，=1,2,3,…,，为经验参数，根据具体问题进行设置，文中取值为6；为傅里叶变换后的频域信号的频谱长度；为每个频谱的谱线数；()为输入信号的频谱值。

(5)

2 基于BAS-BP的预测模型

2.1 BP神经网络

神经网络是一种通过模拟生物神经网络特征，进行信息处理的数学模型。由数个神经元和连接通道构成，通过信息的正向传递和误差的反向传播校正神经元之间的权重并修正网络参数，最终达到满意的预测结果，其拓扑结构如图1所示。输入信号为轴承退化特征，输出信号为剩余使用寿命，期望信号为轴承真实寿命值。

图1 BP神经网络拓扑图

在正向传播过程中，隐含层对输入信号进行计算并输出预测值，若预测值与期望值误差较大，则神经网络将预测误差进行反向传播，通过计算逐层调整权阈值，使预测值逐渐逼近真实值。由于BP神经网络的初始权值和阈值是一组伪随机数，它对网络的收敛速度和稳定性有较大影响。研究表明：对初始权值进行优化可有效消除训练过程的随机性，因此考虑采用智能优化算法对它进行寻优。

2.2 BAS算法

天牛须搜索(BAS)算法是一种自适应极强的搜索算法，其生物学原理为：天牛觅食过程中通过左右两只长触角获取食物的气味强度并向气味强的一侧飞行，即当天牛须右侧气味强度高于左侧，下一步天牛向右侧移动，反之则向左，逐次迭代直到找到食物。BAS优势在于寻优过程中不需要知道函数的具体形式及梯度信息，且相较于遗传算法等仿生优化方法，其个体仅为一个，大大减少了运算量。

(1)在维搜索空间，通过随机函数创建天牛须朝向的随机向量并做归一化处理：

(6)

(2)根据生成的随机向量创建左右须空间坐标

(7)

式中：、分别为第次迭代时右、左须的位置坐标；为质心坐标；为左右须之间的距离。

(3)根据气味强度即适应度函数值，迭代更新天牛位置

+1=-××sign[()-()]

(8)

式中：为第次迭代的步长因子； sign()为符号函数；()为适应度函数。

2.3 基于BAS-BP的轴承寿命预测模型

为提高滚动轴承的寿命预测精度，针对神经网络稳定性差、易于陷入局部最优的问题，文中利用BAS结构简单、计算量少以及低维寻优效率高的特点，寻找BP网络的最优初始参数，构建基于BAS-BP的轴承寿命预测模型，如图2所示。

图2 BAS-BP预测模型流程

(1)对滚动轴承原始振动信号进行预处理，选取时域特征、频域特征中能够明显代表轴承健康运行状态的参数构建退化特征，为消除不同量纲的影响，采用最大最小归一化方法进行特征值处理。

(2)根据BP网络结构确定搜索空间维度=·+·+·，其中、、分别为输入层、隐含层和输出层的神经元个数。在此实验中，模型层为18个神经元，输出层神经元为1，单隐含层设置根据经验公式取9，则BAS搜索空间维度为189。

(3)随机产生[-0.5，0.5]之间的随机数作为天牛起始位置，并计算适应度函数值，文中以训练数据集的预测值和真实寿命值方根误差作为适应度函数。

(4)更新左右两须坐标位置，并计算其对应的适应度函数值，根据比较结果更新天牛位置，即调整BP神经网络的权值和阈值，并计算此时位置的适应度函数值。

(5)进行迭代寻优，判定适应度函数值是否满足精度要求(设置为0.000 1)，或者最大迭代次数(设置为100次)，如不满足返回步骤(4)，若满足终止条件时迭代结束。

(6)将最优解输入BP神经网络，建立BAS-BP预测模型，并对测试数据集进行预测。

3 实验结果与分析

3.1 实验设置

PRONOSTIA是专业加速寿命实验平台，通过改变轴承运行工况加速其衰退过程，同时收集振动信号、温度、载荷等实时运行数据，其基本结构如图3所示，文中采用该平台提供的轴承全生命周期的数据集进行测试。为综合评估寿命预测的性能和准确性，以、和作为预测精度指标，以确定系数作为拟合效果评价，见式(9)—式(12)

图3 实验台结构情况

(9)

(10)

(11)

(12)

3.2 实验结果

针对测试数据集，采取上述设计基于DNN和GBDT回归的多轴承剩余使用寿命协同预测方法对轴承1剩余使用寿命进行预测，预测结果如图4所示。可知：文中方法预测值与真实寿命值拟合效果较好。

图4 BAS-BP模型预测结果

为对上述结果进行量化分析，选择、、、作为评价指标对文中方法进行评价，并与BP、GBDT、SVR、RF、DT等方法进行对比，评价对比值见表1。

表1 预测结果评价对比值

由表1可知：文中方法预测结果的、、值均低于BP、GBDT、SVR、RF、DT方法，表明文中方法具有更小的预测误差，较高的预测精度；文中方法预测结果的相比于BP、GBDT、SVR、RF、DT方法更接近于1，表明文中方法拟合效果较好。

4 结论

针对滚动轴承剩余使用寿命预测的问题，本文作者提出了BAS-BP预测模型，提取轴承振动信号的18维退化特征作为模型输入，充分利用BAS算法寻优效率高的特点，对BP神经网络的初始参数进行寻优，克服了BP神经网络易陷入局部最优的缺陷。通过开放实验数据对模型有效性进行验证，实验结果表明：相较于其他方法，BAS-BP预测模型具有较高的预测精度和拟合效果，为机电装备健康故障预测与健康管理提供了一种新的方法。由于工业生产中难以获得大量有效监测数据的问题，下一步可以考虑将设备工况数据和振动数据等监测数据进行集成分析，进一步提高模型的适用性和预测精度。