[发明专利]一种基于长短时记忆网络的滚动轴承剩余寿命预测方法在审
| 申请号： | 201811559999.8 | 申请日： | 2018-12-20 |
| 公开（公告）号： | CN109883699A | 公开（公告）日： | 2019-06-14 |
| 发明（设计）人： | 黄之文;朱坚民;高统林;周明浩;冯创意;黄扬辉;石园园;魏周祥 | 申请（专利权）人： | 上海理工大学 |
| 主分类号： | G01M13/04 | 分类号： | G01M13/04;G06N3/04;G06N3/08;G06K9/62 |
| 代理公司： | 上海邦德专利代理事务所(普通合伙) 31312 | 代理人： | 余昌昊 |
| 地址： | 200093 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 滚动轴承 剩余寿命预测 记忆网络 短序列 训练集 预测集 融合 学习 反归一化处理 时间序列分析 归一化处理 主成分分析 磨损信号 时间序列 特征数据 训练结果 预测结果 预测模型 网络 截取 构建 验证 输出 | ||
1.一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：
S1：提取滚动轴承磨损信号的特征；
S2：将提取的特征进行主成分分析以获取融合特征；
S3：归一化处理所述融合特征；
S4：将融合特征数据以设定的步长循环重叠截取以获取短序列；
S5：将所述短序列划分为训练集和预测集；
S6：构建LSTM深度学习网络；
S7：通过训练集训练所述LSTM深度学习网络；通过预测集验证所述LSTM深度学习网络；
S8：对训练结果和预测结果进行反归一化处理并输出。
2.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S1中，提取的滚动轴承磨损信号特征包括均方根值、绝对均值和频率。
3.根据权利要求2所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，所述频率包括平均频率、中心频率、均方根频率和离散频率。
4.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S3中，所述归一化处理的模型为
5.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S4中，所述设定的步长值为20。
6.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S5中，所述训练集的尾部与所述预测集连接；所述训练集与测试集的占比为67:33。
7.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S6中，所述LSTM深度学习网络包括一层输入层、一层网络层、一层隐藏层和一层输出层。
8.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，在步骤S6中，构建LSTM深度学习网络具体包括：定义模型结构、选择损失函数及优化器。
9.根据权利要求1所述的基于长短时记忆网络的滚动轴承剩余寿命预测方法，其特征在于，所述反归一化处理的模型为x_scaled＝x_std*(xmax-xmin)+xmin。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海理工大学，未经上海理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811559999.8/1.html，转载请声明来源钻瓜专利网。
