[發明專利]一種基于深度學習的軸承剩余壽命預測方法及系統

在審

• 申請號: 202110377869.8
• 申請日: 2021-04-08
• 公開（公告）號: CN113139278A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 張旭;王若瑾;駱家杭;林旭東;程耀天;謝朝雨
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06F119/04
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

1.一種基于深度學習的軸承剩余壽命預測方法，其特征在于，包括以下步驟：

S1、獲取軸承的原始數據，得到訓練集；

S2、構建CNN網絡，使用CNN網絡對訓練集中的原始數據進行特征提取，得到第一特征序列；

S3、使用tsfresh特征提取工具對第一特征序列進行特征提取，得到第二特征序列；

S4、構建Bi-LSTM網絡，在Bi-LSTM網絡中加入注意力機制得到ABi-LSTM網絡，將第二特征序列輸入ABi-LSTM網絡，對ABi-LSTM網絡進行訓練，得到完成訓練的ABi-LSTM網絡模型；

S5、獲取待預測的軸承的運行數據，對運行數據進行CNN網絡特征提取、tsfresh特征提取后輸入ABi-LSTM網絡模型，得到軸承的剩余壽命預測值。

2.根據權利要求1所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，步驟S1具體為：采集軸承在不同工況下的振動信號，獲取軸承的實際剩余壽命，對振動信號進行快速傅里葉變換，得到原始數據，將原始數據劃分為訓練集和測試集。

3.根據權利要求2所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，步驟S5中，還包括使用測試集的原始數據對ABi-LSTM網絡進行驗證。

4.根據權利要求1所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，步驟S2中，CNN網絡中包括卷積層、池化層、Dropout層和全連接層，所述池化層為最大值池化層。

5.根據權利要求1所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，步驟S3中，使用tsfresh的自回歸模型方程對第一特征序列進行特征提取。

6.根據權利要求1所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，步驟S4中，在Bi-LSTM網絡中加入注意力機制得到ABi-LSTM網絡，所述注意力機制用于對Bi-LSTM網絡中的第二特征序列進行權值分配；所述ABi-LSTM網絡包括輸入層、隱藏層、Attention層、全連接層和輸出層。

7.根據權利要求6所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，所述隱藏層包括前向LSTM網絡和后向LSTM網絡，隱藏層的輸出包括前向LSTM網絡的前向狀態輸出以及后向LSTM網絡的后向狀態輸出。

8.根據權利要求6所述的一種基于深度學習的軸承剩余壽命預測方法，其特征在于，所述Attention層基于預設置的查詢query和預設置的鍵key對第二特征序列進行權值value的分配。

9.一種基于深度學習的軸承剩余壽命預測系統，其特征在于，基于如權利要求1-8中任一所述的軸承剩余壽命預測方法，包括：

數據處理單元，對獲取的軸承數據進行預處理后輸入特征提取單元；

特征提取單元，通過CNN網絡和tsfresh特征提取工具對輸入的數據進行特征提取，得到第二特征序列；

模型訓練單元，基于第二特征序列對ABi-LSTM網絡進行訓練，直至ABi-LSTM網絡的準確度滿足預設置的準確度閾值；

壽命預測單元，基于完成訓練的ABi-LSTM網絡和第二特征序列得到軸承的剩余壽命預測值。

10.根據權利要求9所述的一種基于深度學習的軸承剩余壽命預測系統，其特征在于，所述數據處理單元中對軸承數據進行預處理包括：除噪和快速傅里葉變換。