[发明专利]基于时频特征序列的轴承剩余寿命预测方法及装置

权利要求书

1.一种基于时频特征序列的轴承剩余寿命预测方法，其特征在于，包括以下步骤：

获取测试轴承的振动信号；

根据所述振动信号得到所述测试轴承的时频特征序列；以及

将所述时频特征序列输入至预先训练的神经网络，得到所述测试轴承的剩余使用寿命的期望和方差，确定所述测试轴承的实际轴承剩余寿命。

2.根据权利要求1所述的方法，其特征在于，在将所述时频特征序列输入至所述预先训练的神经网络之前，还包括：

获取训练轴承的全寿命振动信号，生成训练样本集；

根据所述训练样本集构建训练时频特征序列，并利用所述训练时频特征序列训练双向长短期记忆神经网络，得到所述预先训练的神经网络。

3.根据权利要求2所述的方法，其特征在于，所述获取训练轴承的全寿命振动信号，生成训练样本集，包括：

以预设时间窗长度，利用时间窗方式对所述全寿命振动信号进行样本分割和数据增强，得到多个训练样本；

基于所述多个训练样本的归一化后的剩余寿命作为标签，生成所述训练样本集。

4.根据权利要求3所述的方法，其特征在于，所述根据所述训练样本集构建训练时频特征序列，包括：

基于所述训练样本集，从每个训练样本中提取多个训练时域特征；

对所述每个训练样本进行快速傅里叶变换，并利用残差卷积神经网络提取多个训练频域特征；

拼接所述多个训练时域特征和所述多个训练频域特征，由序列切片得到所述训练时频特征序列。

5.根据权利要求1-4任一项所述的方法，其特征在于，在获取所述测试轴承的振动信号之后，还包括：

获取所述振动信号的FPT检测结果；

判断所述FPT检测结果是否满足预设条件；

如果未满足所述预设条件，则判定所述测试轴承处于健康状态，不计算所述实际轴承剩余寿命；

如果满足所述预设条件，则判定所述测试轴承未处于所述健康状态，以获取所述测试轴承的时频特征序列。

6.根据权利要求1所述的方法，其特征在于，所述期望的计算公式为：

所述方差的计算公式为：

其中，M为测试样本数量，y_i为第i个样本的预测结果。

7.一种基于时频特征序列的轴承剩余寿命预测装置，其特征在于，包括：

信号获取模块，用于获取测试轴承的振动信号；

特征获取模块，用于根据所述振动信号得到所述测试轴承的时频特征序列；以及

寿命预测模块，用于将所述时频特征序列输入至预先训练的神经网络，得到所述测试轴承的剩余使用寿命的期望和方差，确定所述测试轴承的实际轴承剩余寿命。

8.根据权利要求7所述的装置，其特征在于，还包括：

训练模块，用于在将所述时频特征序列输入至所述预先训练的神经网络之前，获取训练轴承的全寿命振动信号，生成训练样本集，且根据所述训练样本集构建训练时频特征序列，并利用所述训练时频特征序列训练双向长短期记忆神经网络，得到所述预先训练的神经网络。

9.根据权利要求8所述的装置，其特征在于，所述训练模块包括：

处理单元，用于以预设时间窗长度，利用时间窗方式对所述全寿命振动信号进行样本分割和数据增强，得到多个训练样本；

生成单元，用于基于所述多个训练样本的归一化后的剩余寿命作为标签，生成所述训练样本集。

10.根据权利要求9所述的装置，其特征在于，所述训练模块还包括：

第一提取单元，用于基于所述训练样本集，从每个训练样本中提取多个训练时域特征；

第二提取单元，用于对所述每个训练样本进行快速傅里叶变换，并利用残差卷积神经网络提取多个训练频域特征；

拼接单元，用于拼接所述多个训练时域特征和所述多个训练频域特征，由序列切片得到所述训练时频特征序列。