[發(fā)明專利]基于數據增強的軸承剩余壽命預測方法、裝置及電子設備

在審

• 申請?zhí)枺?/td>: 202110300197.0
• 申請日: 2021-03-22
• 公開（公告）號: CN113052060A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設計）人: 鄒旺;吉暢;鄭凱
• 申請（專利權）人: 六盤水師范學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/06;G01M13/045
• 代理公司: 重慶一葉知秋專利代理事務所(普通合伙) 50277
• 代理人: 劉洪雨

本申請?zhí)峁┮环N基于數據增強的軸承剩余壽命預測方法、裝置及電子設備，方法包括：獲取軸承運行產生的軸承振動信號，并對軸承振動信號進行數據增強處理，并基于數據增強處理后的振動信號，確定出表征該軸承衰退過程的高維度特征；將高維度特征輸入到預先訓練好的軸承剩余壽命預測模型中，得到表征該軸承的退化趨勢的預測結果。這樣使得所提取的高維度特征能夠更充分反應軸承性能的衰退過程，而獲取充分反映軸承性能退化過程的特征是提高RUL預測精度的關鍵。而卷積神經網絡模型更適合處理高維數據，因此，采用卷積神經網絡模型作為軸承剩余壽命預測模型，能夠有利于提升處理效率和處理效果，有利于提升對軸承的剩余使用壽命的預測精度。

技術領域

本申請涉及神經網絡技術領域，具體而言，涉及一種基于數據增強的軸承剩余壽命預測方法、裝置及電子設備。

背景技術

軸承被廣泛用于旋轉機械設備，它一旦失效將會導致設備停機或者發(fā)生故障，因此精準的軸承壽命預測對設備的健康運行具有重要意義。近年來，軸承剩余壽命預測技術的不斷發(fā)展使軸承的智能預測和健康管理能夠實現，然而，軸承的退化過程相當的復雜，促使軸承的RUL(Remaining Useful Life，剩余使用壽命)仍然是一個難題，而如何提高軸承RUL預測精度成為更多研究所關注的問題。

大多數軸承RUL預測方法分為基于模型的方法和數據驅動的方法。基于模型的方法是通過構建軸承退化過程的數學模型，基于模型的方法的預測精度取決于模型的準確性，而軸承退化過程復雜，難以建立全面、準確的數學模型，目前該方法仍然是個難以解決的復雜問題。數據驅動的方法是通過采集當前工作狀態(tài)軸承的溫度、負載、速度和軸承振動幅度等信號，然后通過分析采集到的數據來預測軸承RUL。數據驅動的方法核心思想是分析軸承的當前運行狀態(tài)，找出運行狀態(tài)與RUL之間的映射關系。運行狀態(tài)數據可以全面反應由材料缺陷和其他因素引起的軸承退化過程，因此在數據驅動方法中，我們可以使用反應軸承退化的數據，而非直接量化材料缺陷和許多其他復雜因素。

隨著工業(yè)互聯(lián)網和物聯(lián)網技術的蓬勃發(fā)展，用于實時監(jiān)測設備的傳感器被大量的排布在機械設備各個關鍵部位，關于設備的狀態(tài)數據也與日俱增，使得設備健康狀態(tài)管理領域進入“大數據時代”。因此，數據驅動方法解決軸承RUL復雜問題更具有潛力。

軸承振動信號數據量大，噪聲強，映射關系復雜，傳統(tǒng)的機器學習方法無法從軸承歷史狀態(tài)數據中挖掘全面有價值的隱含信息，軸承RUL的預測精度不夠高。

發(fā)明內容

本申請實施例的目的在于提供一種基于數據增強的軸承剩余壽命預測方法、裝置及電子設備，以提高軸承剩余使用壽命的預測精度。

為了實現上述目的，本申請的實施例通過如下方式實現：

第一方面，本申請實施例提供一種基于數據增強的軸承剩余壽命預測方法，包括：獲取軸承運行產生的軸承振動信號，并對所述軸承振動信號進行數據增強處理，并基于數據增強處理后的振動信號，確定出表征該軸承衰退過程的高維度特征；將所述高維度特征輸入到預先訓練好的軸承剩余壽命預測模型中，得到表征該軸承的退化趨勢的預測結果，其中，所述軸承剩余壽命預測模型為卷積神經網絡模型。

在本申請實施例中，通過對獲取的軸承振動信號進行數據增強處理，并基于數據增強處理后的振動信號，確定出表征該軸承衰退過程的高維度特征，這樣使得所提取的高維度特征能夠更充分反應軸承性能的衰退過程，而獲取充分反映軸承性能退化過程的特征是提高RUL預測精度的關鍵。將高維度特征輸入到預先訓練好的軸承剩余壽命預測模型(卷積神經網絡模型)中，得到表征該軸承的退化趨勢的預測結果。而卷積神經網絡模型作為應用最廣泛的深度學習算法，它可以使用較少的參數來實現相同的功能和精度，并且更適合處理高維數據，因此，采用卷積神經網絡模型作為軸承剩余壽命預測模型，能夠有利于提升處理效率和處理效果，有利于提升對軸承的剩余使用壽命的預測精度。