[发明专利]一种城轨列车轴承剩余使用寿命的预测方法

权利要求书

1.一种城轨列车轴承剩余使用寿命的预测方法，其特征在于：包括以下步骤：

步骤1：设置轴承的转速和采样频率，并采集轴承运行至失效的全生命周期原始振动信号；

步骤2：提取轴承原始振动信号的时域特征，采用相似性度量方法衡量特征之间的相似程度，将区分度较低的特征去除，选择其中表征轴承退化能力最优的特征参数；

步骤3:轴承原始振动信号进行变分模态分解，获得模态分量特征，采用能量熵判别法，根据能量熵越大信息不确定性原则，以能量最高、能量熵最小的标准选择模态分量，在时域特征基础上扩充频域信息，并分别计算模态分量的能量和能量熵；

步骤4：将步骤2所得的时域特征与步骤3所得的模态分量特征结合，共k个序列长度为n的特征向量，第i个特征向量为Fⁱ＝[F₁(i),F₂(i),...,F_n(i)]，其中F_n(i)表示第n个采样时间点对应的特征值，然后将k个特征向量组合成特征矩阵F＝[F¹,F²,...,F^k]；剔除每个特征向量内的异常值并通过三次样条插值补全后，将特征向量归一化至0至1之间，再将特征矩阵划分为训练集与验证集；

步骤5：采用LSTM网络作为RUL预测主体网络，将LSTM网络的超参数设定为种群位置，以训练集数据训练LSTM网络，以验证集数据预测结果的均方差作为适应度函数，采用哈里斯鹰优化算法寻优LSTM超参数，每一次训练LSTM网络时都迭代更新最优的超参数组合；用优化后的超参数建立LSTM预测网络，将特征矩阵输入LSTM网络，通过反向传播算法更新权重，通过Adam优化器更新梯度，经过计算后输出轴承RUL预测值。

2.根据权利要求1所述的一种城轨列车轴承剩余使用寿命的预测方法，其特征在于：所述步骤3的能量熵判别法中所述能量满足如下表达式：

其中u_i为第i个模态分量序列，t＝{0,1,...,n}，n为序列长度；

所述能量熵满足：

H_i＝-p_ilog₁₀p_i， (2)；

其中p_i是第i个模态分量的能量占总能量的比值，

其中i＝{0,1,...,K}，K是总的模态分量个数。

3.根据权利要求1所述的一种城轨列车轴承剩余使用寿命的预测方法，其特征在于：所述步骤4中特征矩阵由时域特征提取和能量熵判别法选择变分模态分解模态分量进行构建，所构建的特征矩阵内含有轴承退化的时域、频域、熵域特征信息。

4.根据权利要求1所述的一种城轨列车轴承剩余使用寿命的预测方法，其特征在于：所述步骤5中，采用哈里斯鹰优化算法优化LSTM网络超参数的具体过程为：

步骤5.1：选择LSTM网络的超参数学习率、批大小、迭代周期、LSTM层单元数、Dense层单元数作为种群位置，设置种群数量、最大迭代次数；

步骤5.2：初始化哈里斯鹰种群以及猎物的位置与能量，以训练集数据训练LSTM网络，以验证集数据预测结果的均方差作为适应度函数，比较并更新最优个体的适应度及位置；

步骤5.3：计算猎物的逃逸能量，当逃逸能量大于或等于1时进行全局搜索更新位置，当逃逸能量小于1时进行局部勘探更新位置；局部勘探过程中，当猎物逃逸能量尚大于或等于0.5，哈里斯鹰通过软围攻消耗其能量，当逃逸能量小于0.5，哈里斯鹰通过硬围攻直接捕捉猎物，在猎物无法逃脱时采用团队快速俯冲策略攻击；

步骤5.4：计算经过哈里斯鹰捕食策略更新位置后个体的适应度，比较并更新最优个体的适应度及位置；

步骤5.5：判断是否满足优化的终止条件，即是否达到设置的最大迭代次数或者适应度是否满足要求，若满足，输出优化后的适应度以及最优种群位置对应的超参数，若不满足，返回步骤5.3继续寻优。

5.根据权利要求4所述的一种城轨列车轴承剩余使用寿命的预测方法，其特征在于：LSTM网络在训练过程中通过哈里斯鹰优化算法自适应迭代更新其最优超参数，并以此直接构建最优的LSTM网络，无需再重新训练。