本技术提供了一种用于滚动轴承剩余寿命预测的选择性状态空间模型和设备,首先,对采集到的多传感器数据进行Min‑Max归一化处理,并整合各传感器的通道数据以实现高效融合。接着,引入Mamba模块高效提取多传感器数据的时空深度特征,构建的ICFFT模块通过频域转换增强对非平稳信号的处理能力。同时,设计了SDP模块,结合CNorm减轻了高维特征空间中的数值波动,从而提高了模型在捕捉局部和全局依赖关系时的稳定性和计算效率。此外,通过SDP模块加权并聚焦的浅层特征与Mamba和ICFFT提取的深层特征进行残差连接,提升了前后特征信息的利用效率。最后,融合特征通过全连接层输出轴承RUL的预测结果。
背景技术
预测与健康管理(Prognostics and Health Management,PHM)是一项结合数据分析、预测建模和健康管理技术的关键技术,旨在通过实时监测、诊断和预测设备状态,及时发现潜在问题并采取有效措施以减少非计划性停机并延长设备的使用寿命。其中,剩余使用寿命(Remaining Useful Life,RUL)预测作为PHM的重要组成部分,能够为设备维护提供依据,帮助企业优化维护策略、降低维护成本,并避免因设备突发故障而导致的经济损失。
滚动轴承是机械设备中的关键部件,其健康状态对设备的整体运行性能和安全性有着直接的影响。因此,准确预测轴承的RUL不仅有助于提高设备的可靠性,还可以在一定程度上降低设备的维护费用。然而,由于轴承运行时产生的振动信号复杂且非线性,如何提取有效退化特征并进行精确预测成为当前研究的重大挑战。
过去几年中,很多学者致力于轴承RUL预测方法的研究。剩余使用寿命预测方法可以分为两类:基于模型的和数据驱动的方法。随着人工智能和深度学习的快速发展,基于数据驱动的轴承寿命预测方法逐渐成为主流。基于模型的方法需要大量的专家知识和先验知识,费时费力且通用性不足。因此,研究基于数据驱动的轴承剩余使用寿命预测方法,实现轴承精准的剩余使用寿命预测,是目前的研究热点。
基于模型驱动的方法通过构建能够准确描述轴承退化过程的物理或数学模型来实现RUL预测。这类方法包括粒子滤波、韦布尔分布、卡尔曼滤波、伽马过程和维纳过程等。在构建过程中,不仅需要基于实际工程系统中的一系列测量参数,还需借助广泛的先验知识。尽管这种方法有助于预测机械退化的整体趋势,但在实际工业应用中,尤其是面对复杂机械设备时,很难通过简单的物理或数学模型精确模拟其退化过程。随着智能传感技术和机器学习的快速发展,工业生产中积累的大量状态监测数据推动了数据驱动方法的快速崛起。
现如今,机器学习和深度学习已成为数据驱动方法的主要研究方向。在传统机器学习中,对于诸如文本、图像或音频等非结构化数据,通常需要进行特征工程,将原始数据转换为可解释且具有表征能力的特征。这个过程依赖于领域专业知识和经验来选择和设计适当的特征提取方法。然而,深度学习通过多层神经网络的自学习能力,能够直接从原始数据中提取具有表征能力的特征。与传统方法相比,深度学习模型可以自动从非结构化数据中提取和学习更高级的抽象特征,省去了手动设计和选择特征的步骤。因此,在数据充足的情况下,深度学习的预测方法较传统机器学习更加高效,现已广泛应用于RUL预测领域。
基于深度学习的RUL预测方法在准确性和效率上取得了显著进展,但通常需要大量计算资源,且在处理极长时间序列数据时性能有限。此外,这些模型依赖大量训练数据进行优化,限制了其在数据稀缺情况下的适用性和灵活性。最近提出的新颖Mamba(Linear-Time Sequence Modeling with Selective State Spaces)架构基于状态空间模型(StateSpace Models, SSM)概念,能够在较低计算成本下捕获全局上下文信息。该架构已在多个计算机视觉任务中得到应用。
此外,随着智能制造系统的不断完善,现代工业领域中已广泛部署了大量信号传感器。多传感器能够在工业生产过程中收集大量数据,从而提升工业设备健康监测系统的可靠性。因此,相比单一传感器数据,多传感器数据具有更高的研究价值。然而,如何有效利用多传感器数据并实现其特征信息的融合,依然是亟待解决的挑战。
综上,尽管深度学习方法在轴承剩余寿命(RUL)预测中取得了一定成效,但仍存在一些待解决的问题:
(1)现有研究大多侧重于单一传感器数据的应用,较少关注多传感器数据的有效融合与协同利用;
(2)大多数基于深度学习的RUL预测方法过于依赖神经网络的特征提取能力,忽视了对时域与频域特征的深入挖掘与综合利用。
实现思路