[發明專利]一種機床主軸軸承壽命預測方法及系統

有效

• 申請號: 202010980658.9
• 申請日: 2020-09-17
• 公開（公告）號: CN112129534B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 黃亦翔;夏鵬程;李鵬;劉成良
• 申請（專利權）人: 上海交通大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

本發明提供了一種機床主軸軸承壽命預測方法及系統，包括：從布置在機床的振動傳感器上采集主軸軸承的振動信號；從采集的主軸軸承的振動信號中提取N個特征，構建特征集；對特征集中的特征進行歸一化處理；構建一個具有N個輸入特征通道的具有特征意識的LSTM網絡模型，取任一時刻前L個周期的歸一化后特征作為LSTM網絡模型輸入，輸出每一時刻對應的實際剩余使用壽命百分比；依據歸一化后的特征對LSTM網絡模型使用Adam優化器進行迭代訓練，直至損失函數達到預設值，得到訓練后的LSTA網絡模型；步驟M6：將待預測樣本輸入到訓練后得到的LSTM網絡模型中，輸出軸承剩余使用壽命的預測結果。本發明可實現對一般壽命預測過程中的多維復雜特征的自動選擇與使用。

技術領域

本發明涉及軸承剩余壽命預測技術領域，具體地，涉及一種機床主軸軸承壽命預測方法及系統，更為具體地，涉及一種基于具有特征意識的LSTM網絡的機床主軸軸承壽命預測方法及系統。

背景技術

數控機床作為“工業之母”，在工業制造中發揮著極其重要的作用。機床的主軸軸承作為機床的關鍵部件，其健康狀態對于機床加工的穩定性和精度都有著很大的影響。而主軸在加工過程中承受著巨大的載荷，很容易造成主軸軸承的性能退化甚至出現故障，造成加工精度下降以及經濟損失。所以，能夠根據現有監控數據實現對主軸軸承剩余使用壽命的精確預測，進而為預防性的維護提供參考，對于現代生產過程具有非常重要的意義。

現有的機械剩余使用壽命預測方法主要有基于物理模型的方法和數據驅動的方法。由于近年來傳感、監控等技術在工業領域的大量應用，獲取大量的加工狀態信號成為可能，數據驅動的方法憑借其對復雜工況下機械退化過程的強大建模能力，成為當前研究的熱點。常用的數據驅動的壽命預測方法主要包括退化特征的提取、特征的選擇與降維、剩余壽命預測幾個步驟，通過提取一系列特征來反映機械的退化過程，再使用特征選擇與降維方法保留最具有價值的特征而去除冗余信息，再使用回歸模型、神經網絡等方法從特征中預測剩余壽命。現有方法在特征的選擇和降維中常常需要大量的專家知識，而且由于特征表征形式的差異性和現有的特征選擇或降維方法存在的偏向性，難以確保保留具有重要信息的特征而去除真正的無用特征，同時，同一個特征在不同的退化階段能表達的退化信息、對后續預測的幫助也會有不同，而這一點往往沒有被考慮。

專利文獻CN106769051A(申請號：201710144702.0)公開了“一種基于MCEA-KPCA和組合SVR的滾動軸承剩余使用壽命預測方法”，在提取了多個特征后，結合Pearson相關系數、Fisher判別率、散度矩陣、單調性、魯棒性等指標進行特征有效性的選擇并使用KPCA方法進行進一步的特征降維，然后再使用SVR方法進行剩余壽命預測。

專利文獻CN110610035A(申請號：201910803500.1)公開了“一種基于GRU神經網絡的滾動軸承剩余壽命預測方法”，對振動信號提取多個特征后，使用CEEMDAN算法進行分解特征集分解，再利用單調性和相關性的線性組合對提取的退化特征集進行選擇，然后作為GRU神經網絡的輸入進行軸承剩余壽命的預測。

這些方法都通過人為定義的指標來選取一部分特征進行后續操作，難以具有普適性，且都忽略了不同特征在不同退化階段表征信息能力的差異，僅使用全生命周期的特征進行選擇，然后同等地用于各預測時間。

本發明通過采用基于自注意力機制建立的具有特征意識的LSTM網絡結構，解決了在機床主軸軸承剩余壽命預測中的多維退化特征選擇過程復雜、特征在不同退化階段表征退化信息能力的差異往往被忽略的問題，實現了對于各退化階段復雜特征的自動化重要性評估與賦權使用，提升了對于軸承剩余壽命預測的準確性和通用性。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種機床主軸軸承壽命預測方法及系統。

根據本發明提供的一種機床主軸軸承壽命預測方法，包括：

步驟M1：從布置在機床的振動傳感器上采集主軸軸承的振動信號；