1.一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:包括以下步骤,(1)采集滚动轴承运行的全寿命原始信号;
(2)从原始信号中提取时域特征、时频域特征和三角函数特征,形成特征集合;
(3)将特征集合转成观测序列输入隐马尔科夫模型,通过无监督方式预测隐状态,获取故障发生时刻;其中,获取故障发生时刻包括,(3‑1)基于期望最大化算法预估隐马尔科夫模型的参数λ;
(3‑2)给定观测序列O(O1,O2,...OK,...OT),基于维特比算法通过最大化P(Sλ,O)来确定最优的隐状态序列S(s1,s2,...sK,...sT);
(3‑3)当隐状态故障持续在隐状态序列S(s1,s2,...sK,...sT)中出现时,获取故障发生时刻;
(4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测:根据迁移学习框架构建多层感知机模型,将来自所有源域和部分目标域的特征集合组成训练集输入多层感知机模型,通过所提的优化目标训练获得域不变特征和最优模型参数,将最优模型参数代入感知机模型获得神经网络寿命预测模型;
(5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型,根据输出值预测该轴承的剩余寿命。
2.如权利要求1所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:所述多层感知机模型具有输入层、两个隐层HL1、HL2、输出层;取隐层HL2的输出为域适应目标构建域适应模块,用以减少不同域之间的差异获得域不变特征。
3.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:所述域适应模块包括特征挖掘器和域分类器,所述域分类器具有隐层HL3和域判别输出层;所述特征挖掘器和域分类器之间通过生成对抗网络的方式来对齐特征,获得域不变特征。
4.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:所述域适应模块包括域分布差异度量,所述域分布差异度量采用最大均值差异来度量。
5.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:所述最优模型参数包括输入层、两个隐层HL1、HL2、输出层中每层的网络参数,以及层与层之间的网络参数。
6.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:步骤(4)中,所提的优化目标包括源域样本的回归损失,所述源域样本的回归损失为:其中,m为批量的样本数据;yi为真实的样本标签; 为预测的样本标签;
h2=f(W2h1+b2);
h1=f(W1x+b1);
是Sigmoid激活函数;W3是隐层HL2和输出层的权重系数;b3是隐层HL2和输出层的偏置系数;f是ReLU激活函数;W2是隐层HL1和隐层HL2的权重系数;b2是隐层HL1和隐层HL2的偏置系数;W1是输入层和隐层HL1的权重系数;b1是输入层和隐层HL1的偏置系数;x是输入样本。
7.如权利要求3所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:步骤(4)中,所提的优化目标包括源域和目标域的域分类损失,所述源域和目标域的域分类损失为:Di表示真实的域标签;d(xi)表示预测的样本标签;
其中,
Wd是隐层HL3和域判别输出层的权重系数;bd是隐层HL3和域判别输出层的偏置系数;f3为隐层HL3的输出。
8.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:步骤(4)中,所提的优化目标包括源域和目标域的最大均值损失,所述源域和目标域的最大均值损失为,其中,K(.,.)表示高斯径向核函数; 和 分别代表源域和目标域在隐层HL2的输出;源域和目标域的批量的样本数目为m/2。
9.如权利要求1所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法,其特征在于:步骤(2)中,提取13个时域特征、16个时频域特征和3个三角函数特征。