[发明专利]一种滚动轴承退化趋势预测方法

说明书

本发明涉及一种滚动轴承退化趋势预测方法，包括以下步骤：首先，从时域、频域、时频域等多视角提取滚动轴承的特征参数；然后，利用主成分分析对滚动轴承振动信号的多视角特征进行融合以构建退化趋势曲线；最后，通过时间卷积神经网络建立预测模型，对滚动轴承退化趋势曲线预测，实现滚动轴承退化趋势的准确预测。本发明采用嵌入动态卷积的时间卷积网络预测滚动轴承退化趋势合理评估滚动轴承的退化状态，利用主成分分析融合多视角特征，并通过时间卷积网络挖掘信号序列中的关联性信息，提升了特征提取能力，提高了预测模型的准确性。能提前发现滚动轴承退化临界状态，并精确地预测退化趋势。

技术领域

本发明涉及基于深度学习的故障诊断技术领域，尤其是一种滚动轴承退化趋势预测方法。

背景技术

滚动轴承作为工业生产中常见的旋转机械，广泛地应用于航空航天、智能制造、风力发电等工业领域中，其在维持旋转机械的运动精度和工作效率中发挥着不可替代的作用。作为工业生产中最易损坏的零件之一，滚动轴承引起的旋转设备故障约占总故障次数的30％。

现有技术中，对于滚动轴承故障诊断的方法多种多样，基于神经网络算法的滚动轴承退化趋势研究方法主要包括循环神经网络、深度信念网络以及多层感知机等，然而存在特征单一、特征融合性不足、关联性特征提取能力弱等问题。

发明内容

针对现有技术的不足，本发明提供一种滚动轴承退化趋势预测方法，能有效实现滚动轴承劣化趋势预测，旨在提高预测的准确性。

本发明采用的技术方案如下：

一种滚动轴承退化趋势预测方法，包括以下步骤：

第一步：提取滚动轴承多视角退化特征，所述多视角退化特征包括：

四个时域特征参数，分别为振动信号最大值、最小值、标准差和峭度；

三个频域特征参数，分别为振动信号傅立叶谱的均方根值、峰值指标和峰值因子；

和振动信号的样本熵、以及振动信号的无序性特征参数；

第二步：利用主成分分析对所述多视角特征进行特征融合，得到表征滚动轴承全生命周期状态的退化趋势曲线；

第三步：通过时间卷积网络建立退化趋势预测模型，对所述退化趋势曲线进行预测。

所述主成分分析包括：

1)将数据样本标准化：

其中，标准化之前的数据样本x_n×p＝(x_ij)_n×p，数据标准化后记为n、p分别为样本数和特征维数；和s_j分别代表样本第j列特征的均值和标准差；

2)计算标准化后样本的相关矩阵R：

并计算相关矩阵R的特征值和特征向量；

3)根据方差贡献率η_j和累计方差贡献力η∑(m)计算主成分个数，

λ_j为特征值，m为降维后的特征维度；

4)数据经降维后特征由p维减少到m维，求得主成分矩阵Z_n×m：

上式中，U_p×m为前m个特征值对应的特征向量组成的矩阵。

所述时间卷积网络通过空洞卷积核来获取样本数据整个序列的全局信息，并设置有残差结构；