[发明专利]一种城轨列车轴承剩余使用寿命的预测方法

说明书

本发明公开了一种城轨列车轴承剩余使用寿命的预测方法，包括如下步骤，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，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；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；将时域特征与所得的模态分量特征结合，划分为训练集与验证集；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。发明能对城轨列车轴承的RUL预测科学、高效和全面预测，网络超参数选择快捷有效、预测性能好等优势。

技术领域

本发明属于轨道交通列车旋转部件轴承的故障预测技术领域，尤其涉及一种城轨列车轴承剩余使用寿命的预测方法。

背景技术

近年来城市轨道交通飞速发展，成为公共交通的重要组成部分，城轨列车的行驶可靠性与安全性受到社会各界广泛重视。轴承是列车的旋转机械设备中不可或缺的部件，研究表明大约50％的电机故障是由滚动轴承故障引起的。因此，预测轴承的剩余使用寿命在列车的运维工作上有重要的意义。目前工业界针对列车部件大多采用周期性的预防性维修，将大修、中修、小修相结合进行维护检查，能尽可能减少故障发生，但是仍存在维修过剩和维修不足的现象。为了保证列车可靠运行，降低故障次数和频率，减少由于故障停机造成经济损失甚至危及人身安全的情形，学术界和工业界正广泛关注采用故障预测与健康管理(PHM)这一新兴技术对列车进行维护。PHM是指利用传感器监控并采集系统运行状态数据并进行数据处理和特征提取，通过故障诊断和预测模型，对监测对象的健康状况进行评估，对其故障发生进行预测，为监测对象的检修与维护提供指导及决策。剩余使用寿命(RUL)是评估对象健康状况的重要依据，PHM通过监测轴承状态并预测其RUL，有效地显示其退化趋势，根据运行状态动态制定、优化维修策略，以此避免引起电机等旋转部件故障，提高列车运行的可靠性和安全性。

轴承寿命预测主要包括数据处理与特征提取、RUL预测两个阶段。目前可以采用信号处理方法如时频分解、模态分解等提取轴承特征，存在采用单一域特征导致退化状态信息不足的问题。RUL预测方法中，基于模型拟合退化状态依赖专家先验知识，预测精度和适用性难以达到较高的水平。数据驱动的方法通过机器学习、深度学习等挖掘状态数据中的退化信息，映射监测信号和RUL值之间的关系，但现有支持向量机等RUL预测方法在利用轴承振动信号的时间序列信息上有很大限制。长短期记忆网络(LSTM)适合处理长期依赖性问题，在轴承RUL预测中应用广泛。LSTM超参数的设置会影响预测精度，人工选择超参数工作量大且准确度低，一些优化算法寻优超参数容易陷入局部最优，寻优能力较差、精度不够高，难以全面准确地预测轴承剩余使用寿命。

发明内容

本发明的目的在于：针对上述存在的问题，提供一种城轨列车轴承剩余使用寿命的预测方法，本发明的预测方法在数据处理与特征提取阶段保留轴承振动信号的时间序列特性，在RUL预测阶段通过哈里斯鹰优化算法(HHO) 自适应优化选择神经网络的超参数，以提高预测的精度；本发明能对城轨列车轴承的RUL预测科学、高效和全面，具有特征信息多样、LSTM网络超参数选择快捷有效、预测性能好等优势。为了实现上述目的，本发明采用的技术方案如下：

本发明提供了一种城轨列车轴承剩余使用寿命的预测方法，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；