[发明专利]基于数据增强的轴承剩余寿命预测方法、装置及电子设备

说明书

本申请提供一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备，方法包括：获取轴承运行产生的轴承振动信号，并对轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；将高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果。这样使得所提取的高维度特征能够更充分反应轴承性能的衰退过程，而获取充分反映轴承性能退化过程的特征是提高RUL预测精度的关键。而卷积神经网络模型更适合处理高维数据，因此，采用卷积神经网络模型作为轴承剩余寿命预测模型，能够有利于提升处理效率和处理效果，有利于提升对轴承的剩余使用寿命的预测精度。

技术领域

本申请涉及神经网络技术领域，具体而言，涉及一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备。

背景技术

轴承被广泛用于旋转机械设备，它一旦失效将会导致设备停机或者发生故障，因此精准的轴承寿命预测对设备的健康运行具有重要意义。近年来，轴承剩余寿命预测技术的不断发展使轴承的智能预测和健康管理能够实现，然而，轴承的退化过程相当的复杂，促使轴承的RUL(Remaining Useful Life，剩余使用寿命)仍然是一个难题，而如何提高轴承RUL预测精度成为更多研究所关注的问题。

大多数轴承RUL预测方法分为基于模型的方法和数据驱动的方法。基于模型的方法是通过构建轴承退化过程的数学模型，基于模型的方法的预测精度取决于模型的准确性，而轴承退化过程复杂，难以建立全面、准确的数学模型，目前该方法仍然是个难以解决的复杂问题。数据驱动的方法是通过采集当前工作状态轴承的温度、负载、速度和轴承振动幅度等信号，然后通过分析采集到的数据来预测轴承RUL。数据驱动的方法核心思想是分析轴承的当前运行状态，找出运行状态与RUL之间的映射关系。运行状态数据可以全面反应由材料缺陷和其他因素引起的轴承退化过程，因此在数据驱动方法中，我们可以使用反应轴承退化的数据，而非直接量化材料缺陷和许多其他复杂因素。

随着工业互联网和物联网技术的蓬勃发展，用于实时监测设备的传感器被大量的排布在机械设备各个关键部位，关于设备的状态数据也与日俱增，使得设备健康状态管理领域进入“大数据时代”。因此，数据驱动方法解决轴承RUL复杂问题更具有潜力。

轴承振动信号数据量大，噪声强，映射关系复杂，传统的机器学习方法无法从轴承历史状态数据中挖掘全面有价值的隐含信息，轴承RUL的预测精度不够高。

发明内容

本申请实施例的目的在于提供一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备，以提高轴承剩余使用寿命的预测精度。

为了实现上述目的，本申请的实施例通过如下方式实现：

第一方面，本申请实施例提供一种基于数据增强的轴承剩余寿命预测方法，包括：获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。

在本申请实施例中，通过对获取的轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征，这样使得所提取的高维度特征能够更充分反应轴承性能的衰退过程，而获取充分反映轴承性能退化过程的特征是提高RUL预测精度的关键。将高维度特征输入到预先训练好的轴承剩余寿命预测模型(卷积神经网络模型)中，得到表征该轴承的退化趋势的预测结果。而卷积神经网络模型作为应用最广泛的深度学习算法，它可以使用较少的参数来实现相同的功能和精度，并且更适合处理高维数据，因此，采用卷积神经网络模型作为轴承剩余寿命预测模型，能够有利于提升处理效率和处理效果，有利于提升对轴承的剩余使用寿命的预测精度。