技术摘要：
本发明公开了基于APSO‑DBN的滚动轴承剩余寿命预测方法，首先在分析DBN基本原理的基础上，利用深度置信网络强大的特征提取能力，对滚动轴承的振动信号进行特征提取，并建立时间序列预测模型，并对模型的框架及流程进行了详细的说明。针对粒子群优化算法寻优速度慢、收  全部
背景技术：
在物联网和工业4.0时代，预测和健康管理(PHM)系统用于从机械设备收集大量的 实时数据。PHM大数据具有容量大，多样性大，速度快的特点。从此类数据中有效地挖掘特征 并使用新的高级方法准确预测旋转组件的剩余寿命成为PHM中的问题。传统的数据驱动预 测是基于浅层学习架构，需要建立明确的模型方程式以及有关信号处理技术和预测专业知 识的大量先验知识，由于先验知识较少、性能和泛化能力差，它们也难以表示复杂的功能。 这些事实表明了浅层网络的局限性，并鼓励人们探索如何通过深层网络提取特征并表示复 杂功能。 为了准确地判断滚动轴承的退化状态以便决定是否需要维护设备，迫切需要利用 深度学习进行剩余寿命的预测。Hinton等提出深度学习理论，由此开启了机器学习在学术 界的浪潮。深度学习是一种具有强大表示能力的新型机器学习领域，具有克服传统的数据 驱动预测方法中上述缺陷的潜力。深度学习的显着优势是能够通过多个非线性变换和近似 复杂的非线性函数从原始数据中捕获代表性信息。深度学习的宗旨在于构建深层次的网络 结构模型，学习数据中隐含的特征，获取数据丰富的内在信息。 自从提出深度学习理论以来，DBN和其他深度学习方法已成为大数据处理和分析 的主流方法。DBN具有从数据中产生有用和重要特征的能力，这些特征最终可用于提高预测 能力。由于DBN具有多层结构，它还具有处理大数据和挖掘隐藏信息的能力。 相较于传统的数据驱动方法，深度学习方法有以下三大优势：①能够针对不同的 故障类型自适应地提取数据中的特征参数；②具有深层学习能力，能够较好地建立起信号 与设备之间复杂的非线性映射关系；③能够不用单独去选择和设计专门的分类器，建立的 深度学习模型能够根据前期自适应提取的特征参数对设备状况进行模式识别，给出相应的 识别结果或者维修建议。
技术实现要素：
为解决有限状态数据下滚动轴承剩余寿命难以估算的问题，采用DBN的剩余寿命 预测方法，在DBN训练阶段引入粒子群优化算法，提出了APSO-DBN算法对滚动轴承故障进行 退化过程建模，实现滚动轴承的剩余寿命预测。利用深度置信网络强大的特征提取能力，对 滚动轴承的振动信号进行特征提取，并建立时间序列预测模型。并针对粒子群优化算法寻 优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应粒子群优化算 法，在每次迭代过程中,粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令 4 CN 111581880 A 说　明　书 2/6 页 粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置， 更有效地利用惯性权重对粒子群优化算法的影响。与传统方法比较，优化后的DBN方法更能 准确的实现剩余寿命的预测。 附图说明 图1为本发明方法的滚动轴承剩余寿命预测流程框图； 图2为APSO方法的最优状态粒子分布图； 图3为本发明的仿真实验平台； 图4为轴承3#内圈性能退化分析； 图5为本发明方法的轴承剩余寿命预测结果； 图6为SVM对比实验结果； 图7为本发明方法实验验证平台； 图8为DBN的样本数据预测结果； 图9为参数调整后的DBN预测结果； 图10为本发明方法与SVM预测结果对比分析； 图11为本发明方法与SVM预测误差对比分析；