[发明专利]一种基于GRU神经网络的滚动轴承剩余寿命预测方法

权利要求书

1.一种基于GRU神经网络的滚动轴承剩余寿命预测方法，其特征在于，按照如下步骤进行：

步骤1：采集样本滚动轴承运行状态的振动信号，对所述振动信号提取时域特征、频域特征以及时频域特征，由所述时域特征、所述频域特征、所述时频域特征组成退化特征集；

步骤2：利用CEEMDAN算法对所述退化特征集进行分解，并将分解后的残差项作为趋势特征；

步骤3：利用单调性和相关性的线性组合对所述趋势特征进行筛选，形成最优特征集；

步骤4：对所述最优特征集进行归一化处理，得到归一化处理后的最优特征集；

步骤5：采用GRU神经网络，将归一化处理后的最优特征集作为所述GRU神经网络的输入，将剩余寿命百分比作为所述GRU神经网络的输出，以训练所述GRU神经网络；

步骤6：重复步骤1～4采集待测滚动轴承的运行状态的振动信号以获取所述待测滚动轴承的归一化处理的最优特征集，再将所述待测滚动轴承的归一化处理的最优特征集输入步骤5训练得到的GRU神经网络中，从而获得所述待测滚动轴承的剩余寿命百分比，再利用输出的所述待测滚动轴承的剩余寿命百分比预测出所述待测滚动轴承的剩余寿命；

其中，所述步骤3具体按照如下步骤进行：

步骤3-1：计算各个趋势特征的单调性和相关性，对于第r个趋势特征R_r(t)的计算通式为：

公式(9)中，Mon_r是第r个趋势特征的单调性；Corr_r是第r个趋势特征的相关性；δ(·)是单位阶跃函数；T是寿命期间样本的长度；R_r(t)是第r个趋势特征在t时刻的测量值；L_r(t)是第r个趋势特征在t时刻的时间值；R_r(t+1)是第r个趋势特征在t+1时刻的测量值；L_r(t+1)是第r个趋势特征在t+1时刻的时间值；为序列{R_r(t)}_t＝1:T的平均值；为序列{L_r(t)}_t＝1:T的平均值；

步骤3-2：计算单调性和趋势性的线性组合，选择加权和超出阈值的特征组成最优的特征集；

所述步骤3-2中计算单调性Mon和趋势性Corr的线性组合Cri时，对于第r个趋势特征R_r(t)的计算通式为：

公式(10)中，ξ₁为单调性的权重系数，并设置为0.6；ξ₂为相关性的权重系数，并设置为0.4；阈值设置为0.7，选择Cri_r超出设定阈值的特征组成最优的特征集R。