[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

说明书

本申请公开了一种基于时频特征序列的轴承剩余寿命预测方法及装置，其中，方法包括：获取测试轴承的振动信号；根据振动信号得到测试轴承的时频特征序列；将时频特征序列输入至预先训练的神经网络，得到测试轴承的剩余使用寿命的期望和方差，确定测试轴承的实际轴承剩余寿命。本申请实施例的方法可以基于时频特征序列识别轴承的剩余寿命，提高寿命预测的准确性和精确性，避免轴承剩余使用寿命的不确定性，有效满足预测的使用需求。由此，解决相关技术的特征处理手段单一，并且没有充分利用轴承作为机械领域产品的数据特征，得到的寿命预测结果精度较低，以及没有充分考虑不同时刻数据之间的时序相关性的技术问题。

技术领域

本申请涉及轴承剩余寿命预测技术领域，特别涉及一种基于时频特征序列的轴承剩余寿命预测方法及装置。

背景技术

旋转机械作为现代化工业装备的主体，正朝着复杂化、精密化、智能化的方向发展。轴承是旋转机械当中的核心部件，用途广泛且直接影响着装备的性能。由于高负荷、高转速、环境腐蚀及冲击扰动等恶劣运行工况，轴承这一类关键部件极易发生退化失效，进而引发系统级故障。例如，轴承故障所引发的冲击会造成转子振动异常，可能显著提高转轴断裂等风险。因此，准确高效的对轴承进行寿命预测对保障设备运行安全、降低检修成本有着重要意义。

传统轴承寿命计算方法可得到额定载荷下的设计寿命，但在轴承实际运行过程中，载荷情况复杂多变，且同批次同工况的不同轴承其寿命也可能表现出较大差异，因此设计寿命的实际参考价值有限，相关技术中，一般使用特征处理手段，如卷积神经网络或全连接神经网络进行寿命预测。

然而，相关技术的特征处理手段单一，并且没有充分利用轴承作为机械领域产品的数据特征，得到的寿命预测结果精度较低，以及没有充分考虑不同时刻数据之间的时序相关性，对样本各自进行独立回归，不符合实际情况，亟待解决。

发明内容

本申请提供一种基于时频特征序列的轴承剩余寿命预测方法及装置，以解决了相关技术的特征处理手段单一，并且没有充分利用轴承作为机械领域产品的数据特征，得到的寿命预测结果精度较低，以及没有充分考虑不同时刻数据之间的时序相关性等问题。

本申请第一方面实施例提供一种基于时频特征序列的轴承剩余寿命预测方法，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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，所述期望的计算公式为：