[发明专利]一种基于多分辨率特征提取与Bi-LSTM网络的轴承退化趋势预测方法

说明书

本发明一种基于多分辨率特征提取与Bi‑LSTM网络的轴承退化趋势预测方法，针对复杂工况和环境中，轴承振动信号含有大量随机噪声影响轴承退化趋势预测精度的问题，充分考虑历史振动状态对当前振动的影响。主要步骤如下：应用加速轴承退化试验的全寿命周期振动信号，对其进行时域分析提取多角度特征值构成特征集，根据特征的趋势性与相关性筛选敏感特征，利用多分辨率奇异值分解方法对敏感特征进行分解和重构，将归一化后的敏感特征输入构建好的Bi‑LSTM网络进行训练，预测轴承退化趋势。其目的在于提供一种充分考虑轴承历史振动状态对当前时刻的影响、消除运行中随机干扰、保留轴承退化过程中的重要故障信息、提高轴承退化趋势预测准确度的预测方法。

技术领域

本发明属于故障预测与健康管理领域，具体涉及一种轴承退化趋势预测方法。

背景技术

轴承在旋转机械设备的工业应用中具有无法取代的作用，然而实际工况往往十分恶劣，导致轴承极易发生性能退化。基于预测性维修的机械系统管理十分重要，可靠、精准地预测轴承的退化过程对于旋转机械的安全稳定高效运转具有很强的现实意义。

传统的轴承退化趋势预测方法主要集中关注当前时刻的振动状态对于未来振动状态的影响，但在实际工作中，轴承的历史振动状态与未来振动状态的关联性也十分紧密，并且均对当前时刻的振动状态具有一定的提示作用。现有的用来预示轴承退化趋势的循环神经网络，由于隐含层相连的特殊结构，虽然将样本的时序信息在时间上连接起来，但在学习长时间的信息时，会产生梯度不稳定的问题(梯度消失或爆炸)，并且没有充分考虑后续的振动异常对于未来状态的影响。此外，现有的用于退化趋势预测的健康指标往往呈简单的直线型，未充分考虑轴承的故障振动特性，造成轴承的退化趋势预测精度较低。

发明内容

本发明的目的在于提供一种充分考虑轴承历史振动状态与未来振动状态之间的关联性对于当前时刻振动的参考，并消除运行中不相关噪声的随机干扰，保留轴承退化过程中的重要故障信息，实现高效准确预测轴承退化趋势的预测方法。为实现上述目的，本发明所采用的的技术方案为：

一种基于多分辨率特征提取与Bi-LSTM网络的轴承退化趋势预测方法，其特征在于，包括以下步骤：

S1：获取轴承加速寿命试验中的从开始至完全失效的振动加速度信号；

S2：对所采用的振动信号进行时域分析，提取多角度特征值，初步构建全面描述轴承运行状态的特征集；

S3：分析特征集的趋势性与相关性，选择合适的特征；

S4：将该特征输入多分辨率奇异值分解方法，利用单调性确定合适的分解层数，构建敏感特征；

S5：将敏感特征进行[0,1]归一化处理后，由μ+3σ准则确定起始预测点，划分训练集和预测集；

S6：构建Bi-LSTM网络框架，将归一化处理后的敏感特征作为输入，得到全面表征轴承运行状态的健康指标；

S7：通过训练集训练、预测集验证所述Bi-LSTM网络；

S8：将训练和预测后的健康指标进行反归一化处理转化为预测的轴承退化趋势，构建模型评价指标评价预测退化趋势的精度。

优选地，在步骤S2中，所述时域分析中所包含的时域特征包括均方根值、方差、峰值、均值、绝对均值、峭度。

优选地，在步骤S3中，趋势指标定义为相关度指标定义为最后选择具有较好物理性的特征(如：均方根值)。

优选地，在步骤S4中，对所选进行多分辨率奇异值分解，根据某层(如第四层)近似分量单调性最好的原则选择多分辨率奇异值分解结果，停止分解，得到去除随机噪声的近似分量作为敏感特征。单调性指标定义为