[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

说明书

本发明提供一种基于GRU神经网络的滚动轴承剩余寿命预测方法，该方法按照如下步骤进行：步骤1：提取样本滚动轴承的多个退化特征组成退化特征集；步骤2：利用CEEMDAN算法对退化特征集进行分解，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趋势特征筛选，形成最优特征集；步骤4：归一化处理最优特征集；步骤5：将归一化处理后的最优特征集作为GRU神经网络的输入、剩余寿命百分比作为输出训练GRU神经网络；步骤6：获取待测滚动轴承的归一化处理的最优特征集并输入训练后的GRU神经网络中，利用输出的剩余寿命百分比预测出该待测滚动轴承的剩余寿命。本发明方法能更加准确地预测轴承的剩余寿命。

技术领域

本发明属于滚动轴承剩余寿命预测技术领域，尤其涉及一种基于GRU神经网络的滚动轴承剩余寿命预测方法。

背景技术

在现代工业领域，滚动轴承是旋转机械中最常见、最为关键的机械部件之一。滚动轴承的工作环境具有复杂性和不确定性，因此滚动轴承在机器的使用寿命期间也很容易损坏。一旦轴承因疲劳、磨损、腐蚀等情况而失效，就容易导致机器意外停机情况的发生，甚至导致灾难性损坏，直接影响整个机械设备的运行可靠性。因此，为了提高旋转机械的可靠性和操作安全性，对滚动轴承进行剩余寿命(remaining useful life，RUL)预测显得尤为重要。

目前，最为常用的对滚动轴承进行RUL预测的方法是数据驱动方法，比如1)提取特征，利用多尺度卷积神经网络预测轴承的剩余寿命的方法、2)提取特征，利用LSTM模型预测轴承的RUL的方法、3)提取特征，利用自组织映射模型预测轴承的RUL的方法、4)采用小波包经验模态分解方法提取特征，利用ε-SVM算法预测轴承的RUL的方法。这类方法的建模通常必须经过必要的机器学习和测试步骤，具体为：先收集传感器中采集的原始数据并从中提取特征，再对提取的特征加以选择，保留有效的特征；然后利用回归预测模型来学习机械的退化行为；最后，在测试阶段，通过学习模型预测未来行为和验证模型性能。然而，在上述这类传统的数据驱动方法中提取的特征中存在的波动及噪声，这会影响到预测结果的准确度；而且上述这类方法中采用的这些回归预测模型尚存在对数据不够敏感问题，这也将影响到预测结果的准确度。

发明内容

本发明是为了克服上述存在的问题而进行的，目的在于提供一种能准确预测滚动轴承RUL的方法，采用CEEMDAN算法对提取的传统特征进行分解并提取趋势项作为趋势性特征，以减小传统特征中存在的波动及噪声；同时，利用单调性和相关性准则的线性组合来选择最敏感的特征；然后利用GRU神经网络来学习轴承的退化行为，从而实现对滚动轴承RUL准确预测。

本发明提供的基于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，对振动信号提取时域特征、频域特征以及时频域特征，由时域特征、频域特征、时频域特征组成退化特征集；步骤2：利用CEEMDAN算法对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趋势特征进行筛选，形成最优特征集；步骤4：对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GRU神经网络的输入，将剩余寿命百分比作为GRU神经网络的输出，以训练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待测滚动轴承的归一化处理的最优特征集，再将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，从而获得待测滚动轴承的剩余寿命百分比，再利用GRU网络输出的待测滚动轴承的剩余寿命百分比预测出待测滚动轴承的RUL。