[发明专利]基于GDAU神经网络的轴承剩余寿命的预测方法

说明书

本发明涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。

技术领域

本发明属于滚动轴承检测技术领域，涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法。

背景技术

滚动轴承广泛应用于机械设备中，是应用最为广泛的机械零部件之一。在过载、冲击、磨损等复杂的工作环境下，滚动轴承会出现不同程度损坏的问题，这会导致整个机械设备出现停机、损坏，严重情况下还会给生产活动带来极大危害，引发人身安全问题。所以，滚动轴承的健康状况制约着整个机械设备的可靠性、安全性和生产效率。因此，对滚动轴承的剩余寿命预测能够对其健康状态进行有效的评估，确保机械设备可以安全高效的工作。

虽然目前有用神经网络来预测滚动轴承剩余寿命的方法，但这部分神经网络结构预测所得结果不够准确，对滚动轴承的监测所起作用不大。

发明内容

有鉴于此，本发明的目的在于提供一种基于GDAU神经网络的轴承剩余寿命的预测方法，构建门控双注意力单元网络(GDAU)，将轴承振动信号的时域特征均方根值作为健康指标输入到GDAU神经网络对轴承的剩余寿命进行预测，提高预测结果的准确度。

为达到上述目的，本发明提供如下技术方案：

一种基于GDAU神经网络的轴承剩余寿命的预测方法，首先，通过安装在实验台上的加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测；

该方法具有包括以下步骤：

S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为T_s，样本数为n；

S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x₁,x₂,…,x_n]^T；选取前m个样本的特征值向量作为训练向量S＝[x₁,x₂,…,x_m]^T；

S3：归一化训练向量S，得到归一化后的训练向量Y＝[y₁,y₂,…，,y_m]^T；

S4：重构矩阵W；

S5：构建门控双注意力单元网络(Gated dual attention unit network,GDAU)，输入层单元数为k，输出层单元数为1；

S6：将矩阵W前面k行作为GDAU神经网络的输入，最后一行作为GDAU神经网络的输出来训练网络；

S7：将倒数k个输出作为网络输入，得到下一时刻的输出；

S8：重复步骤S7，当输出反归一化之后超过设定的阈值时，这时预测的采样点数减去m乘以振动信号间隔时间与采样时间之和T_s+T即为轴承的剩余寿命。

进一步，所述步骤S3中，归一化训练向量S采用线性归一化方法。

进一步，所述步骤S4中，重构矩阵为

进一步，所述步骤S5中，构建的GDAU神经网络为：