[发明专利]基于卷积长短时记忆循环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卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，包括：获取滚动轴承的振动加速度信号，作为数据样本；建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器；根据数据样本和多层卷积自编码器，获取数据样本的特征数据；利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标；建立卷积长短时记忆循环神经网络模型，将衰退期轴承数据样本和对应的健康评估指标作为卷积长短时记忆循环神经网络的输入，训练得到预测模型；本发明降低了对人工经验和专业知识的依赖，有效地减少输入长短时记忆循环神经网络的数据量，简化运算，预测模型全面、有效地反应轴承的衰退状态。

技术领域

本发明涉及滚动轴承寿命预测技术领域，具体涉及一种基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法。

背景技术

作为现代制造业的重要组成部分，轴承在大多数旋转机械的可靠运行中起着至关重要的作用，直接影响机械系统的健康。在机械设备运行过程中，复杂工况的变化和不确定性会对滚动轴承造成损坏，直接影响整个机械设备系统的精度和可靠性。通过有效监控滚动轴承的工作状态并准确预测其退化趋势，可以确保机械设备的安全可靠运行，避免重大经济损失。因此，有必要监测轴承的健康状况并预测其退化趋势。

在现有的轴承退化趋势预测模型中，均方根值、峭度值、峰值、故障特征频率、小波熵、经验模式分解熵等特征指标反映了轴承退化趋势，可以作为轴承退化特征的衰退指标量。然而这些特征量仅对轴承退化过程的某一阶段敏感，单独使用某个特征量作为轴承的退化特征量，预测结果误差较大。多种特征的综合性指标可以相对精确地描述轴承退化过程，但增加了计算复杂性。另外，现有大多数预测模型中，提取特征仍然需要专家经验和人工提取。

因此，需要提出一种新的滚动轴承剩余寿命预测方法。

发明内容

有鉴于此，本发明的目的是提供一种基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，采用卷积自动编码器提取原始数据的特征，将长短时记忆循环神经网络与卷积自动编码器编码过程相结合，降低了对人工经验和专业知识的依赖，同时，有效地减少输入长短时记忆循环神经网络的数据量，简化运算。此外，采用模糊C均值算法，通过预设健康评估指标阈值，实现分段式的预测模型，充分考虑了轴承运行特征，预测模型全面、有效地反应轴承的衰退状态。

本发明提供一种基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，包括：

获取滚动轴承的振动加速度信号，作为数据样本；

建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器；

根据数据样本和多层卷积自编码器，获取数据样本的特征数据；

利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标；

建立卷积长短时记忆循环神经网络模型，将衰退期轴承原始数据样本和对应的健康评估指标作为卷积长短时记忆循环神经网络的输入，训练得到预测模型。

进一步，所述卷积自编码器包括输入层、卷积层、池化层、全连接层、重构层和输出层；

所述卷积自编码器为一维卷积。

进一步，所述利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标，具体包括：

将特征数据作为模糊C均值算法的输入，将轴承正常运行的特征数据作为聚类中心，计算每段特征数据对于聚类中心的隶属度值，即得到健康评估指标。

进一步，在建立卷积长短时记忆循环神经网络模型之前，还包括：确定用于划分滚动轴承正常期和衰退期的健康评估指标的阈值。

进一步，所述确定用于划分滚动轴承正常期和衰退期的健康评估指标的阈值，具体包括：将滚动轴承在一段正常运行时期内的最小健康评估指标作为阈值。