[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

本發明涉及一種基于深度學習的軸承剩余壽命預測方法及系統，預測方法包括以下步驟：獲取軸承的原始數據，得到訓練集；構建CNN網絡，使用CNN網絡對原始數據進行特征提取，得到第一特征序列；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；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，使用第二特征序列對ABi?LSTM網絡進行訓練；獲取待預測的軸承的運行數據，使用完成訓練的ABi?LSTM網絡模型得到軸承的剩余壽命預測值。與現有技術相比，本發明通過CNN網絡和tsfresh進行特征提取，得到的特征可靠性更高，剔除了噪聲信號等雜質信號，準確的提取與軸承壽命有關的特征，以便為后續訓練Bi?LSTM網絡計算RUL得出更準確的結果。

技術領域

本發明涉及一種軸承剩余壽命預測方法，尤其是涉及一種基于深度學習的軸承剩余壽命預測方法及系統。

背景技術

滾動軸承承載著旋轉機械設備正常運行的任務，任何意外的軸承故障都會帶來機械系統故障，如疲勞脫落、打滑，甚至造成安全事故。對于以工態為基礎的旋轉機械維修策略而言，軸承剩余使用壽命的估算是避免此類事故的主要途徑之一。機器的剩余使用壽命(RUL)是指設備當前使用時間到設備損壞時的時間差值。傳統上，可以研究設備退化機理，建立失效模型來預測設備剩余使用壽命，但此方法需要大量的專業知識，建模復雜，難以普遍應用。隨著深度學習的發展，數據驅動的方法成為主流，基于數據驅動的預測方法利用采集的軸承退化過程的監測數據，評估軸承的剩余使用壽命，能夠準確地監測對象的動態數據，調整模型參數。

一般來說，數據驅動的RUL預測分為四步：數據采集、特征提取、退化行為學習和RUL估計，相比于復雜的基于物理模型的方法，易于實現的數據驅動方法被越來越多的研究人員使用。數據驅動方法幾乎不需要學習設備運行機理等領域知識，只需從狀態監測數據中提取與可靠性有關的信息，建立數據與RUL之間的關系，就可以實現對RUL的預測。深度學習以其強大的自適應特征提取能力、非線性函數表征能力獲得了廣泛關注，并為滾動軸承振動信號的特征提取提供了新的解決思路。但是，由于網絡結構的固有缺陷，滾動軸承振動信號中的代表性特征很難完全暴露出來，造成重要信息的丟失，從而導致RUL預測的不穩定。

常見的深度學習網絡有CNN卷積神經網絡、RNN網絡、AlexNet網絡和VGG等等，CNN框架來處理空間特征，具有強大的特征提取能力和低計算復雜度，但因為其前饋神經網絡的限制，只能考慮當前的輸入，因此會造成數據的丟失；RNN可以使用其內部存儲器來處理任意序列，循壞的神經網絡能夠對時間序列信息進行預測，但因為RNN中神經元的輸出可以在下一個時間段直接作用到自身，因此會出現“梯度消失”的現象，無法解決長時依賴的問題。使用單一深度學習網絡進行RUL預測的效果不夠理想，因此，需要一種更優的RUL預測方法。

公開號為CN109726524A的中國發明專利公開了一種基于CNN和LSTM的滾動軸承剩余使用壽命預測方法，使用CNN挖掘深度特征，使用LSTM網絡進行趨勢性量化健康指標的構建，預測滾動軸承的RUL，但是，在進行特征提取時仍受限于CNN框架，LSTM能夠克服RNN的梯度消失問題，但是在預測精度方面仍有所欠缺。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于深度學習的軸承剩余壽命預測方法及系統，通過CNN網絡和tsfresh進行特征提取，得到的特征可靠性更高，剔除了噪聲信號等雜質信號，準確的提取與軸承壽命有關的特征，以便為后續訓練Bi-LSTM網絡計算RUL得出更準確的結果。

本發明的目的可以通過以下技術方案來實現：

一種基于深度學習的軸承剩余壽命預測方法，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；