[发明专利]一种滚动轴承故障预测方法

说明书

一种滚动轴承故障预测方法，先获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，作去奇异值处理，提取时域特征、频域特征和时频域特征，再利用欧式距离对特征进行筛选，然后利用筛选的特征数据训练自适应核谱聚类异常诊断模型，然后利用筛选的特征数据训练深度长短期记忆循环神经网络模型；最后实时获取滚动轴承在线监测振动信号并去奇异值处理，提取上述筛选出来的特征，将特征输入到自适应核谱聚类异常诊断模型中，实现异常诊断，再以异常发生时间为起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络模型中，实现故障时间预测。本发明能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测。

技术领域

本发明涉及一种滚动轴承故障预测方法，尤其涉及一种基于自适应核谱聚类和深度长短期记忆循环神经网络的滚动轴承故障预测方法。

背景技术

滚动轴承是机械设备最常见的部件之一，其工作状态直接影响整个机械设备的可靠性与安全性。一旦滚动轴承出现故障，机械设备将会停转，出现功能丧失等各种异常现象，甚至造成重大安全事故。因此开展滚动轴承故障预测对于提高机械设备的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。

文献显示很多数据驱动的方法被用来实现滚动轴承的故障预测，例如支持向量机、人工神经网络等。虽然这些方法可以实现滚动轴承的故障预测，但是也存在两点问题。第一个问题，滚动轴承的退化过程大致可以分为健康阶段、异常阶段、和故障阶段。现有文献中方法大多从健康阶段开始进行故障预测，缺乏异常诊断过程。第二个问题，支持向量机、人工神经网络等方法仅仅是对输入数据和输出数据进行映射，无法对不同时刻的时间序列数据进行记忆。

发明内容

本发明要解决的技术问题是提供一种滚动轴承故障预测方法。

为了解决上述技术问题，本发明采取以下技术方案：

一种滚动轴承故障预测方法，包括以下步骤：

包括训练阶段和测试阶段；

训练阶段包括如下步骤：

步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；

步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；

步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；

步骤4：选取滚动轴承健康状态下的筛选特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；

步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM-RNN)模型；

测试阶段包括如下步骤：

步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；

步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；

步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；

步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。

所述步骤3中平均特征的计算公式如下：