[发明专利]一种基于双向GRU的滚动轴承剩余寿命预测方法及系统

权利要求书

1.一种基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

包括以下过程：

获取滚动轴承的振动信号；

根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；预设卷积神经网络模型的训练中，采用的退化指标获取方式为：

基于AVMD-KPCA的退化指标提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号并计算固有能量，通过KPCA核主成分分析算法将得到的窄带固有模态分量信号的固有能量转化为退化指标，并提出了一种新的指标，称为谱互相关度(SPC)，作为选择条件来实现惩罚因子α的自适应选择，SPC评估模态混叠的程度，用于量化重叠，指标SPC如下方程式：

其中F(·)是特定信号或时间序列的傅里叶变换；

对于每个惩罚因子α，计算每个分解模式的傅里叶变换，然后根据上述方程取得其SPC，然后选择最接近SPC平均值的，并选择其对应的惩罚因子α值作为最佳值；

根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；

根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；

具体为：

使用训练轴承原始振动数据和由AVMD+KPCA所构建的退化指标训练CNN网络模型；

将测试轴承振动数据输入至训练好的CNN模型中，得到测试轴承的退化指标；

将得到的退化指标通过窗口大小为5的滑窗处理后，输入至训练好的第一BiGRU网络模型，预测其未来退化指标；

根据得到的退化指标预测值和剩余使用寿命预测值进行滚动轴承的状态评估。

2.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

将K个窄带固有模态分量信号的固有能量利用KPCA进行降维压缩，KPCA的核函数为高斯核函数。

3.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

以KPCA提取的第一主成分为退化指标估计值。

4.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

卷积神经网络的训练中，包括：

滚动轴承的原始振动信号X∈R^p×q用作训练卷积神经网络模型的输入，输入矩阵由维数为a₁×b₁的M个卷积核卷积而成，利用ReLU激活函数，卷积层的维数为(p-a₁+1)×(q-b₁+1)，卷积层的输出特征映射在池化层中进行二次抽样。

5.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

通过滑动时间窗口将训练数据转换为多个训练样本向量。

6.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：

利用网格搜索方法对第一BiGRU模型和第二BiGRU模型的隐藏层的数量和每个隐藏层中的单元进行优化。