[发明专利]一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法

摘要

一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，涉及滚动轴承寿命预测领域。针对滚动轴承存在性能退化渐变故障和突发故障两种模式下其剩余使用寿命(RUL)预测困难的问题，该方法首先对滚动轴承原始振动信号作FFT变换，然后将预处理所得到的频域幅值信号进行归一化处理后，并将其作为CNN的输入。利用CNN自动提取数据局部抽象信息以挖掘深层特征，避免传统特征提取方法过于依赖专家经验的问题。之后再将深层特征输入到LSTM网络中，构建趋势性量化健康指标，同时确定失效阈值。最后，运用移动平均法进行平滑处理，消除局部振荡，再利用多项式曲线拟合，预测未来失效时刻，实现滚动轴承RUL预测。预测结果能够较好地接近真实寿命值。

主权项

1.一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，其特征在于：所述方法的实现过程：1)选取滚动轴承振动信号不同工况下的部分数据作为训练集，并对训练集的原始振动信号作FFT变换，得到频域幅值信号；2)将频域幅值信号进行归一化处理后作为特征输入，寿命百分比作为输出训练模型，形如其中x_t∈R^N×1表示某一工况某一轴承在时刻t处的N维特征输入，N＝2048，y_t∈[0,1]表示该轴承在时刻t的寿命退化百分比输出；D_tra表示训练集中某一工况某一轴承的振动信号数据，R为频域幅值特征矩阵；T为轴承全寿命运行时间；3)设定CNN的层数、滤波器数量、卷积尺寸大小，将归一化后的频域幅值信号作为CNN的输入，运用CNN中的卷积层、池化层遍历整个输入数据序列，以提取振动信号的局部信息、挖掘深层特征；4)再将池化层输出结果输入到LSTM网络中，利用LSTM网络的LSTM记忆单元对时间序列数据具有长短期记忆的优势构建趋势性量化健康指标，建立趋势性量化健康指标模型；5)对测试集中不同工况的非全寿时域振动信号进行FFT变换，得到频域幅值信号，并进行归一化处理，经步骤3)挖掘的深层特征，结合步骤4)的趋势性量化健康指标模型，获取测试集的趋势性量化健康指标；采用移动平均法(moving average，MA)对其进行平滑处理；6)利用多项式曲线拟合滚动轴承性能退化趋势，预测滚动轴承的RUL。