深度弹性凸包网络及其在大型旋转机械剩余寿命预测中的应用

Using the deep learning method to predict the residual life of the large rotating machinery is the current research focus and the future development trend. However, not only all kinds of the existing deep learning methods have their own limitations, but also there are common problems such as the fluctuating working conditions disturbing the essential data features acquisition and the imbalance samples influencing the learning performance of prediction model in the application of deep learning to the life prediction. In this project, the deep flexible convex hulls network (DFCHN) is proposed and the key theory of DFCHN is studied and perfected. Hence, a new method for deep learning which can overcome some limitations of the deep neural network and the deep support vector machine is provided. In order to solve the existing common problems in the application of deep learning to the life prediction, the working condition interference eliminating method based on the convolution sparse combination reconfiguration and the samples refining method based on the granular computing are proposed, respectively. Furthermore, the application of DFCHN to life prediction is researched with taking the gearbox of wind turbine as a typical research object. The life prediction framework based on DFCHN, convolution sparse combination reconfiguration and granular computing is constructed and the systematic life prediction methods for rotating machinery are proposed. A new method and a new frame are provided for the deep learning and the rotating machinery life prediction, respectively. The research results are significant for the development of deep learning and the improvement of life prediction technology.

采用深度学习进行大型旋转机械剩余寿命预测是目前的研究热点和未来的发展趋势，然而现有各种深度学习方法具有各自的局限性，而且将深度学习应用于寿命预测还存在复杂多变工况干扰数据本质特征获取、不平衡样本影响预测模型学习性能等共性问题。项目提出深度弹性凸包网络（DFCHN），并对其关键理论进行研究和完善，为深度学习提供新的方法，以克服深度神经网络和深度支持向量机的某些局限性；分别提出基于卷积稀疏组合重构的工况干扰消除方法和基于粒计算的样本精炼方法，以解决将深度学习应用于寿命预测中存在的共性问题。在此基础上，以大型风力发电机组齿轮箱为典型研究对象，开展DFCHN在寿命预测中的应用研究，构建基于DFCHN、卷积稀疏组合重构和粒计算的寿命预测框架，提出系统完整的旋转机械寿命预测方法。项目分别为深度学习和旋转机械寿命预测提供了新的方法和框架，研究成果对于深度学习的发展和寿命预测技术水平的提高都具有重要意义。

项目研究了弹性凸包及其深度模型，并将其应用于旋转机械故障诊断和剩余寿命预测，主要研究工作和成果包括：.1.针对凸包和弹性凸包存在的各种问题，提出了改进方法，提升了凸包和弹性凸包的分类性能。.（1）针对弹性凸包采用单一数据点确定分类超平面的问题，提出了概率输出弹性凸包模型。.（2）针对凸包模型只能适应低维空间及检测精度低的问题，提出了混合核函数凸包近似单分类模型和最小误差凸包近似多分类模型。.（3）针对凸包模型鲁棒性差和不平衡数据处理能力弱的问题，提出了鲁棒不平衡凸包模型。.（4）针对凸包不能处理对称正定矩阵数据的问题，提出了黎曼最大间隔弹性凸包模型。.2.分别针对多源信号下的故障检测和分类问题，提出了单分类凸包张量机和弹性移位凸包张量机。.3.针对浅层凸包模型特征提取能力和鲁棒性差的问题，提出了自适应特征选择k子凸包模型，构建了集成凸包和深度堆叠中心配置凸包两种深度网络。.4.从不同应用层面提出了一系列基于凸包及其深度网络的机械故障诊断和寿命预测方法，并以齿轮箱为研究对象，进行了实验验证。.（1）针对变工况下的故障特征提取，研究了冗余属性投影工况祛除方法，提出了基于卷积稀疏组合学习的滚动轴承性能退化评估方法。.（2）针对单一信号和多源信号情况下的故障检测问题，分别提出了基于混合核函数凸包近似和单分类凸包张量机的故障检测方法。.（3）针对小样本和不平衡样本下的故障诊断问题，分别提出了基于鲁棒不平衡凸包模型、概率输出弹性凸包模型和弹性移位凸包张量机的故障诊断方法。.（4）针对复合故障诊断问题，提出了基于最小误差凸包近似的齿轮箱复合故诊断方法和基于黎曼最大间隔弹性凸包的滚动轴承复合故障诊断方法。.（5）针对复杂机电系统故障特征难以提取的问题，将深度网络应用于故障诊断和寿命预测，提出了基于自适应特征选择k子凸包模型的故障诊断方法，分别建立了基于集成凸包模型和深度堆叠中心配置凸包的滚动轴承寿命预测模型。