[发明专利]基于残差修正的滚动轴承剩余寿命预测方法

说明书

本发明应用长短记忆网络LSTM和残差修正的方式对滚动轴承的剩余寿命进行预测，属数控技术领域，具体涉及一种基于残差修正的滚动轴承剩余寿命预测方法。本发明包括以下步骤：采集滚动轴承全寿命周期的振动加速度信号，用使用该信号训练剩余寿命预测模型；使用滑动窗口的方式对振动加速度信号进行处理，得到训练集，使用该训练集训练LSTM网络模型；训练预测残差的BP神经网络模型；构建残差修正模型，将LSTM网络模型的结果和BP神经网络模型的结果相加即为最终模型的预测结果；将需要预测滚动轴承剩余寿命的信号，输入到残差修正模型，即可得到当前时刻的剩余寿命。本发明提高了剩余寿命预测的精确度。

技术领域

本发明应用长短记忆网络LSTM和残差修正的方式对滚动轴承的剩余寿命进行预测，属数控技术领域，具体涉及一种基于残差修正的滚动轴承剩余寿命预测方法。

背景技术

滚动轴承是数控机床上应用十分广泛的零件之一。据统计,旋转机械故障有30％是由轴承故障引起的,轴承的健康状态与机械能否正常运行息息相关,因此建立起滚动轴承剩余寿命预测模型，实时的评估滚动轴承的退化程度，根据机械的使用要求及时更换不能满足工作要求的轴承对保证机械健康稳定运行具有重要的意义。

滚动轴承的剩余寿命预测被国内外众多学者所研究，提出了众多的方法。传统的思为，建立性能退化指标；建立预测模型进行预测。

性能退化指标的构建方式为从原始的信号中提取单一的统计特征，如均方根、峭度。使用单一的统计特征来人工构建性能退化指标，需要大量的专业知识和经验，并且单一的统计特征也难以保证后续的预测准确度。

预测模型的构建方式为传统的机器学习回归预测模型，如SVR或者使用隐马尔科夫模型，但这些方式需要人工提取特征，并且模型比较简单，预测的准确度低。

发明内容

本发明为了克服传统方式构建性能退化指标和提取特征困难以及传统预测模型预测寿命效果差的缺点，提出了一种基于LSTM和残差修正的剩余寿命预测的新方法。

本发明为实现上述目的所采用的技术方案是：

基于残差修正的滚动轴承剩余寿命预测方法，包括以下步骤：

1)采集滚动轴承全寿命周期的振动加速度信号；

2)使用滑动窗口的方式对振动加速度信号进行处理，得到训练集，使用该训练集训练LSTM网络模型；

3)训练预测残差的BP神经网络模型；

4)构建残差修正模型，将LSTM网络模型的结果和BP神经网络模型的结果相加即为最终模型的预测结果；

5)将需要预测滚动轴承剩余寿命的信号，输入到残差修正模型，即可得到当前时刻的剩余寿命。

所述LSTM网络模型的输入为通过滑动窗口方式所得到的t时刻的滚动轴承的特征；输出为t时刻LSTM网络模型预测的滚动轴承的寿命。

所述BP神经网络模型的输入为t时刻的振动加速度信号，输出为t时刻BP神经网络模型预测的残差。

所述残差的算法为：

Q＝S-L

其中，Q为残差，S为t时刻测量的滚动轴承振动加速度信号对应的滚动轴承真实剩余寿命，L为t时刻通过LSTM模型预测的滚动轴承剩余寿命。

所述残差修正模型为：

R＝R1(x1)+R2(x2)

其中，R1(x1)作为L为LSTM模型预测的滚动轴承的寿命，R2(x2)作为Q为BP神经网络预测的残差,R为滚动轴承剩余寿命。

本发明具有以下有益效果及优点：