[发明专利]一种滚动轴承剩余寿命预测方法

说明书

一种滚动轴承剩余寿命预测方法，通过训练多尺度卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的寿命进行预测，包括以下步骤：用多个未经使用的轴承，进行加速退化实验，获得其全寿命振动信号；利用反双曲正切函数将轴承的寿命转换为健康指标；建立多尺度卷积神经网络模型，用中获得的数据对模型进行训练；利用加速度传感器测量待预测寿命的滚动轴承的振动信号；将所得振动信号输入训练后的多尺度卷积神经网络模型，获得待预测寿命的滚动轴承的健康指标；将获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命。其目的在于提供一种复杂实际工况下，能够高效准确的预测滚动轴承剩余寿命的滚动轴承剩余寿命预测方法。

技术领域

本发明属于故障预测与健康管理领域，具体涉及一种滚动轴承剩余寿命预测方法。

背景技术

轴承在现代机械中应用非常广泛，根据轴承元件摩擦性质的不同，轴承可分为滚动轴承和滑动轴承，其中滚动轴承应用最多。滚动轴承的主要功能为对轴进行支撑，其工作状况对机械的安全稳定运行有很大影响，因此准确高效的轴承剩余寿命预测是保证机械持续良好运行的基础。

传统的滚动轴承寿命计算方法只在外部稳定载荷工况下有较好的准确度，但在实际机械运行中，其载荷情况多变，轴承工作情况很复杂，现有的计算方法很难准确预测轴承的剩余寿命。现有的滚动轴承剩余寿命预测方法，多基于卷积神经网络模型进行预测，当数据量较大时，其网络层数过多，会加大模型的训练难度，训练效率较低。此外，现有的轴承健康指标构建方法多是简单的直线型，不符合轴承的故障特性，导致滚动轴承的剩余寿命预测精度较低。

发明内容

本发明的目的在于提供一种复杂实际工况下，能够高效准确的预测滚动轴承剩余寿命的一种滚动轴承剩余寿命预测方法。

本发明的一种滚动轴承剩余寿命预测方法，通过训练多尺度卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的寿命进行预测，包括以下步骤：

S1.用多个与待预测寿命的轴承同一型号的未经使用的轴承，分别进行加速退化实验，实验中每隔10秒或20秒采集一次轴承的振动信号，直至轴承完全失效，获得多个轴承的全寿命振动信号；

S2.利用反双曲正切函数将轴承的剩余寿命转换为其健康指标HI；

S3.建立多尺度卷积神经网络模型，其输入为轴承的振动信号，输出为轴承的健康指标，用步骤S1中获得的多个轴承的数据对多尺度卷积神经网络进行训练；

S4.利用加速度传感器测量待预测寿命的滚动轴承的振动信号；

S5.将步骤S4中测量得到的振动信号输入步骤S3训练后的多尺度卷积神经网络中，获得待预测寿命的滚动轴承的健康指标；

S6.用步骤S2中的反双曲正切函数将步骤S5中获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命。

本发明的有益效果如下：

本发明建立基于反双曲正切函数的轴承健康指标，利用滚动轴承的全寿命振动数据对建立的多尺度卷积神经网络模型进行训练，用训练后的模型来预测滚动轴承的剩余寿命。多尺度卷积神经网络模型可以有效提高模型的训练效率，基于反双曲正切函数的健康指标更加符合轴承的故障特性，能够有效提高滚动轴承剩余寿命的预测精度。

下面结合附图对本发明的一种滚动轴承剩余寿命预测方法作进一步详细说明。

附图说明

图1为本发明实施方法的示意图；

图2为基于反双曲正切函数构建的健康指标。

具体实施方式

参见图1，根据本发明的滚动轴承剩余寿命预测方法包括步骤：