[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

说明书

本发明提出了一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，包括提取滚动轴承磨损信号的特征、将提取的特征进行主成分分析以获取融合特征、归一化处理所述融合特征、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、将所述短序列划分为训练集和预测集、构建LSTM深度学习网络、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深度学习网络及对训练结果和预测结果进行反归一化处理并输出。本发明基于深度学习领域，提出的LSTM预测模型在故障时间序列分析中具有很强的适用性和更高的准确性，解决了时间序列中的长期依赖问题。

技术领域

本发明属于滚动轴承剩余寿命预测的技术领域，尤其涉及一种于长短时记忆网络的滚动轴承剩余寿命预测方法。

背景技术

对于有高可靠性和安全性需要的滚动轴承，有效地预测使用阶段的可靠性指标是十分重要的。目前，已有众多方法用来解决可靠性预测问题，这些方法大致可以分为三类：(1)基于故障机理的方法(physics-of-failure,Po F)PoF是一种根据故障发生的内在机制和根本原因进行间接预测的方法；(2)数据驱动的方法(data-driven,DD)，DD是一种应用统计学或者机器学习等技术手段对可靠性指标进行直接预测的方法；(3)融合的方法，这种方法是一种PoF和DD相结合的方法。近年来，数据驱动的方法由于其便捷性和高效性等特点，在实际可靠性预测中的应用日渐广泛。故障时间序列，作为一个重要的可靠性指标，能够展示故障的动态演化过程，并且已经被多种数据驱动的方法预测，比如自回归移动平均(autoregressive integrated moving average,ARIMA)、奇异谱分析(singular spectrumanalysis,SSA)、支持向量回归(support vector machines regression,SVR)、人工神经网络(artificial neural network,ANN)等。

然而，对于系统级故障数据，由于其复杂且不规则的曲线形态，以上已有的单一处理方法均无法实现到精度较高的预测效果。

发明内容

本发明的目的在于提供一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，其基于深度学习领域，所提出的LSTM预测模型在故障时间序列分析中具有很强的适用性和更高的准确性，解决了时间序列中的长期依赖问题。为实现上述目的，本发明所采用的技术方案为：

一种基于长短时记忆网络的滚动轴承剩余寿命预测方法，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。

优选地，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。

优选地，所述频率包括平均频率、中心频率、均方根频率和离散频率。

优选地，在步骤S3中，所述归一化处理的模型为

优选地，在步骤S4中，所述设定的步长值为20。

优选地，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。