[发明专利]一种滚动轴承故障预测方法

摘要

一种滚动轴承故障预测方法，先获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，作去奇异值处理，提取时域特征、频域特征和时频域特征，再利用欧式距离对特征进行筛选，然后利用筛选的特征数据训练自适应核谱聚类异常诊断模型，然后利用筛选的特征数据训练深度长短期记忆循环神经网络模型；最后实时获取滚动轴承在线监测振动信号并去奇异值处理，提取上述筛选出来的特征，将特征输入到自适应核谱聚类异常诊断模型中，实现异常诊断，再以异常发生时间为起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络模型中，实现故障时间预测。本发明能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测。

主权项

1.一种滚动轴承故障预测方法，包括以下步骤：包括训练阶段和测试阶段；训练阶段包括如下步骤：步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；步骤4：选取步骤3中筛选的特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM‑RNN)模型；测试阶段包括如下步骤：步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM‑RNN)模型中，实现故障时间预测。