[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

说明书

本发明提供了一种基于双向GRU的滚动轴承剩余寿命预测方法及系统，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；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；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；本发明从轴承原始状态信号中自动提取退化趋势，并有效捕捉时间序列信号之间隐藏的长期相关性，实现了轴承剩余寿命准确预测。

技术领域

本发明涉及滚动轴承状态评估技术领域，特别涉及一种基于双向GRU的滚动轴承剩余寿命预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

随着智能传感、无线通信和计算机技术的快速发展，决策(DM)正朝着智能、鲁棒和自适应的方向发展。剩余使用寿命(RUL)预测作为决策中最关键的技术之一，可以提前预测故障时间，便于维修工程师进行定性风险分析，制定相应的维修策略，从而避免灾难性情况，更好地保证机械设备的可靠性和安全性。

滚动轴承是机械设备中最常见但最重要的部件之一，其健康状况将直接影响机械设备的安全性、可靠性和可用性。目前，滚动轴承RUL预测方法主要分为基于模型的方法、数据驱动的方法两类。其中，基于模型的方法通过建立物理模型来推断健康状态的未来趋势，需要大量关于研究对象的先验知识和经验，导致其泛化能力差。而数据驱动的方法主要通过对历史数据进行建模进行健康预测，无需研究对象的数学模型或专家经验。因此，近年来，数据驱动的方法被广泛应用于剩余寿命预测。

退化趋势时间相关性获取和健康预测是数据驱动的剩余寿命预测方法的关键步骤，目前主流方法是在构建退化指标的基础上，结合支持向量回归机、人工神经网络及深度神经网络等模型进行剩余寿命预测。然而，基于人工提取特征的退化指标构建方法严重依赖经验知识，且目前大部分研究的剩余寿命预测模型仅能在单一时间方向(即向前或向后)捕获数据的时间相关性，剩余寿命预测准确率有待提升。

发明内容

为了解决现有技术的不足，本发明提供了一种基于双向GRU的滚动轴承剩余寿命预测方法及系统，从轴承原始状态信号中自动提取退化趋势，并有效捕捉时间序列信号之间隐藏的长期相关性，实现了轴承剩余寿命准确预测。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于双向GRU的滚动轴承剩余寿命预测方法。

一种基于双向GRU的滚动轴承剩余寿命预测方法，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；

根据退化指标的单调性、趋势性、鲁棒性对剩余寿命预测结果影响，赋予评价指标不同权值，得到融合趋势性、单调性和鲁棒性的退化指标评价值。

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；

作为可选的实施方式，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其固有能量，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。

作为可选的实施方式，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。

作为可选的实施方式，以KPCA提取的第一主成分为退化指标估计值。