[发明专利]一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法

权利要求书

1.一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，其特征在于：所述方法的实现过程：

1)选取滚动轴承振动信号不同工况下的部分数据作为训练集，并对训练集的原始振动信号作FFT变换，得到频域幅值信号；

2)将频域幅值信号进行归一化处理后作为特征输入，寿命百分比作为输出训练模型，形如其中x_t∈R^N×1表示某一工况某一轴承在时刻t处的N维特征输入，N＝2048，y_t∈[0,1]表示该轴承在时刻t的寿命退化百分比输出；D_tra表示训练集中某一工况某一轴承的振动信号数据，R为频域幅值特征矩阵；T为轴承全寿命运行时间；

3)设定CNN的层数、滤波器数量、卷积尺寸大小，将归一化后的频域幅值信号作为CNN的输入，运用CNN中的卷积层、池化层遍历整个输入数据序列，以提取振动信号的局部信息、挖掘深层特征；

4)再将池化层输出结果输入到LSTM网络中，利用LSTM网络的LSTM记忆单元对时间序列数据具有长短期记忆的优势构建趋势性量化健康指标，建立趋势性量化健康指标模型；

5)对测试集中不同工况的非全寿时域振动信号进行FFT变换，得到频域幅值信号，并进行归一化处理，经步骤3)挖掘的深层特征，结合步骤4)的趋势性量化健康指标模型，获取测试集的趋势性量化健康指标；采用移动平均法(moving average，MA)对其进行平滑处理；

6)利用多项式曲线拟合滚动轴承性能退化趋势，预测滚动轴承的RUL；

在步骤3)的具体实现过程为：

将滚动轴承归一化后的频域幅值信号输入到卷积层中，具体卷积层运算如式(1)所示：

式中：为第l层的第i个卷积核的第j′个权值，为第l层中第j个被卷积的局部区域r，*代表卷积运算，W为卷积核宽度，使用修正线性单元(rectified linear unit，ReLU)激活函数对每一个卷积输出的y^l(i,j)进行非线性变换，具体表述如式(2)所示：

a^l(i,j)＝f(y^l(i,j))＝max{0,y^l(i,j)} (2)

式中：y^l(i,j)为卷积层输出值，f(·)为激活函数ReLU，a^l(i,j)为y^l(i,j)经ReLU激活函数得到的激活值；

2)池化层：采用最大值池化进行降采样操作以最小化网络参数，并获取深层特征，最大值池化的数学描述如式(3)所示：

式中：a^l(i,t)为第l层第i个特征映射的第t个神经元输出的激活值，V为池化区域宽度，p^l(i,j)为池化层输出值；

在步骤4)中，LSTM网络中LSTM记忆单元的构建过程为：

LSTM网络在隐藏层引入了一组记忆单元，其包括三个门控制器：输入门i、遗忘门f和输出门o，允许网络可学习何时遗忘历史信息，何时用新信息更新记忆单元；LSTM记忆单元通过三个“门”的作用控制时间序列中信息的流动捕获序列中的长期依赖信息，有效地处理序列数据；其计算更新状态的步骤：

1)临时记忆状态信息在更新记忆单元c_t之前，会先产生临时的记忆单元是由当前时刻t输入的深层特征x_t以及上一时刻t-1的隐藏层单元输出健康指标h_t-1共同作用，分别与各自权重矩阵线性组合，得到当前时刻候选记忆单元值，更新记忆单元状态信息，

2)计算输入门的值i_t，输入门控制当前深层特征数据输入对记忆单元状态值的影响；

i_t＝σ(W_xix_t+W_hih_t-1+b_i) (5)

3)计算遗忘门的值f_t，遗忘门控制历史信息对当前记忆单元状态值的影响；

f_t＝σ(W_xfx_t+W_hfh_t-1+b_f) (6)

4)计算当前时刻记忆单元状态值c_t，

式中：表示逐点乘积，由式(7)可知，记忆单元状态更新取决于上一时刻的单元值c_t-1和当前候选记忆单元值并通过遗忘门和输入门分别对这两部分进行调节；

5)计算输出门的值o_t，输出门控制记忆单元状态值的输出，

o_t＝σ(W_xox_t+W_hoh_t-1+b_o) (8)

6)LSTM单元记忆输出h_t，

h_t＝o_t tanh(c_t) (9)

式(4)-(9)中，W_xc、W_xi、W_xf、W_xo分别为在时刻t的输入层x_t和隐藏层h_t间的权重值，W_hc、W_hi、W_hf、W_ho分别是在时刻t-1与时刻t之间的隐藏层权重值，b_c、b_i、b_f、b_o分别为输入节点、输入门、遗忘门、输出门的偏置，h_t-1为网络前一时刻的输出，σ为sigmoid函数，取值为(0,1)。

2.根据权利要求1的所述的基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，其特征在于：

在步骤3)中，利用CNN的卷积操作、局部链接、权值共享特性自动提取数据局部抽象信息以挖掘深层特征。