[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

说明书

一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，涉及滚动轴承寿命预测领域。针对滚动轴承存在性能退化渐变故障和突发故障两种模式下其剩余使用寿命(RUL)预测困难的问题，该方法首先对滚动轴承原始振动信号作FFT变换，然后将预处理所得到的频域幅值信号进行归一化处理后，并将其作为CNN的输入。利用CNN自动提取数据局部抽象信息以挖掘深层特征，避免传统特征提取方法过于依赖专家经验的问题。之后再将深层特征输入到LSTM网络中，构建趋势性量化健康指标，同时确定失效阈值。最后，运用移动平均法进行平滑处理，消除局部振荡，再利用多项式曲线拟合，预测未来失效时刻，实现滚动轴承RUL预测。预测结果能够较好地接近真实寿命值。

技术领域

本发明涉及一种滚动轴承剩余使用寿命预测方法，涉及滚动轴承剩余使用寿命预测领域。

背景技术

当前，滚动轴承广泛应用于众多旋转机械设备中，作为旋转机械的基础部件之一，其运行状态对设备安全可靠运行有着至关重要的作用。滚动轴承一旦发生故障，将会导致一系列负面影响，比如延长停机时间、造成恶性事故甚至人员伤亡等^[1-3]。因此，准确地预测轴承剩余使用寿命(remaining useful life，RUL)对旋转机械的预防性维修决策意义重大^[4,5]。

通常，现有的故障预测和健康管理方法可分为三大类：基于物理模型方法、数据驱动方法和二者混合的方法^[6]。其中，数据驱动方法根据历史传感器数据对退化特性进行建模，应用范围广泛。而深度学习^[7]作为数据驱动方法的一种，已在各领域得到一定应用。

近几年，深度学习方法在滚动轴承振动信号特征提取与剩余使用寿命预测方面有一定应用。文献[8]提出一种时域和频域特征相结合的多轴承RUL协同预测的集成深度学习方法，实验结果验证了该方法的有效性。文献[9]提出一种将频域、时频域特征和自编码器(auto encoder，AE)压缩时域特征联合输入到深度神经网络进行RUL预测，获取了较好的RUL预测结果。文献[10]将来自小波系数的峰值和RMS值输入到循环神经网络(recurrentneural network，RNN)模型中以达到预测轴承RUL的目的。文献[11]提出将经验模态分解获得的固有模态函数能量熵之和作为状态特征，利用长短时记忆(long short term memory，LSTM)网络进行机械状态单步预测，获得了良好的效果。卷积神经网络(convolutionneural networks，CNN)作为一种深度学习方法，具有权值共享、卷积操作和空间池化等特性，能够挖掘大量数据中的深层特征。文献[12]通过构建特征矩阵训练CNN故障诊断模型，分类效果优于AE等方法。上述研究虽利用深度学习方法进行振动信号特征提取与RUL预测，但均需人为预先进行较复杂的信号处理提取特征，未能发挥深度模型特征学习的特性。

构建预测健康指标方面，良好的健康指标能够全面反映滚动轴承的健康状况，且能够描述滚动轴承的衰退过程。文献[13]提出一种选择加权融合指标反映轴承健康状况，用于滚动轴承RUL预测。文献[14]采用主成分分析将多频率尺度模糊熵进行融合，构建滚动轴承性能退化评估指标。文献[15]利用改进后的限制玻尔兹曼机进行特征提取，之后利用自组织映射将多个特征融合作为构建的健康指标。上述方法均可实现健康指标构建，但不同轴承之间失效阈值往往不同，通过实验或经验确定失效阈值往往存在盲目性的问题。文献[16]提出一种基于RNN的健康指标，用于预测轴承剩余寿命，实验确定了不同轴承相同的失效阈值，验证了健康指标的有效性。LSTM可有效克服RNN的梯度消失或梯度爆炸问题，使模型具有学习到长期依赖信息的能力，有效地处理序列数据。然而，上述文献并未考虑到轴承存在性能退化渐变故障和突发故障两种模式。因此，针对两种故障退化模式问题，提出适应两种退化模式的方法变得尤为关键。

发明内容

本发明要解决的技术问题是：本发明为了解决现有的滚动轴承振动信号特征提取方法过于依赖专家经验，以及剩余使用寿命预测方法没有考虑滚动轴承存在性能退化渐变故障和突发故障两种模式，存在健康指标的趋势性不能同时兼顾两种模式，影响预测精度的问题。