[發明專利]一種軸承使用壽命模型創建及其預測方法

在審

• 申請號: 201811326343.1
• 申請日: 2018-11-08
• 公開（公告）號: CN111222203A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 張鵬飛
• 申請（專利權）人: 上海儀電（集團）有限公司中央研究院
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F119/04
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

一種軸承使用壽命模型創建及其預測方法，通過前期的數據累積與特征分析，動態的提取軸承振動傳感器時間序列數據中與軸承剩余使用壽命有關的特征，在數據采集端進行對應的數據特征提取，隨時間變化的自動特征分析方法以及對應端設備數據特征提取方法，解決了軸承生產工況、環境、型號等變化對于預測模型帶來的影響；此外，將提取后壓縮的特征數據上傳至服務器，提取后的特征數據形成了新的時間序列，利用LSTM對時域和頻域的時間序列分別進行建模和優化，最終形成軸承剩余使用壽命預測的模型。

技術領域

本發明涉及數據分析領域，尤其涉及一種軸承使用壽命模型創建及其預測方法。

背景技術

軸承是設備中常見的組成單元，對于軸承狀態的預測只能基于震動傳感器，通過一系列實驗環境的震動傳感標記數據的記錄和訓練，形成對時間序列的建模預測能力。然而還存在兩大問題：

其一，數據采集量大，傳輸和運算資源要求高。在現有的工業級震動傳感器，通常數據的采集頻次為至少3000次/秒以上，而為了描述完整的震動特征，一個工作臺通常需要多個傳感器配合記錄震動數據，導致數據的實時傳輸、計算難度大，為解決這一難度，需要在傳感器后接數據采集卡對數據進行收集，因為目前還沒有一個深度學習模型可以壓縮到數據采集卡上，所以還需將數據采集卡上的時序數據上傳至加載了神經網絡模型的服務器中進行處理，如果進行數據的完整上傳，會對網絡帶寬、機器學習的模型等造成了巨大的資源需求，如果采用采樣、均值等進行數據壓縮后再進行上傳，則在很大程度上丟失了一些重要的時序數據特征，從而影響了預測的準確度。

其二，狀態預測準確度較低。在對軸承狀態預測中，不能夠簡單的使用序列預測模型來預測下一時刻的序列值，而是需要預測較長時間內是否會發生故障的概率，或判斷設備還能夠正常工作的剩余時間，這就需要針對時間序列預測進行一些修改，使其能夠捕捉一些早期信號的同時預測出未來較長一段時間的故障概率，如果僅使用現有的時間序列預測方法，則其預測準確率會隨著預測時長的增長而呈現誤差累積的問題，難以進行準確的預測性維護。

因此，針對以上缺陷，需要對現有技術進行有效創新。

發明內容

本發明通過前期的數據累積與特征分析，動態的提取軸承振動傳感器時間序列數據中與軸承剩余使用壽命有關的特征，在數據采集端進行對應的數據特征提取，將提取后壓縮的特征數據上傳至服務器，提取后的特征數據形成了新的時間序列，利用LSTM對時間序列進行建模和優化，最終形成軸承剩余使用壽命預測的模型。

為實現上述目的，本發明采用如下技術方案。

一種軸承的使用壽命預測模型的創建方法，包括如下步驟：

1)震動傳感器對軸承的震動進行實時采集，并將采集到的數據通過數據采集卡輸入至網關；

2)網關針對處于設定時間窗口內的震動傳感器數據進行時域、頻域的特征提取；

3)網關針對提取的特征數據，基于特征的時序相關度進行聚類，提取各類中最有代表性的特征作為新的特征列表，并將新的特征列表發送至服務器；

4)服務器根據新的特征列表對服務器中已保存的實驗時序數據進行對應特征提取，形成新的訓練特征向量；

5)服務器將新的訓練特征向量進行時域和頻域區分后分別進行LSTM訓練，形成新的時域預測模型和頻域預測模型。

相應的，步驟2)中，提取的時域特征包括最大值、最小值、均值、方差、中位數、25％位數、75％位數、均方根、波峰因數、峰度、偏度；

相應的，步驟2)中，提取的頻域特征包括最大峰高度、最大峰頻率點、最大峰波峰因數、最大峰偏度、第二峰高度、第二峰頻率點、第二峰波峰因數、第二峰偏度；