[發明專利]基于深度學習模型的滾動軸承壽命預測方法和裝置

有效

• 申請號: 202110803411.4
• 申請日: 2021-07-16
• 公開（公告）號: CN113326590B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 劉錦南;高暉;高東方;和丹輝;郭金良
• 申請（專利權）人: 北京博華信智科技股份有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F119/02
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 郭棟梁

本申請公開了基于深度學習模型的滾動軸承壽命預測方法和裝置，其中，方法包括：獲取多個傳感器檢測的時序信號；將所述時序信號進行數據處理，得到所述時序信號對應的灰度圖；對所述灰度圖進行標注，得到時序序列數據集和故障識別數據集；將所述故障識別數據集輸入至故障識別模型對所述故障識別模型進行訓練，得到所述故障識別模型對應的特征參數；構建故障趨勢預測模型，并將所述故障識別模型對應的特征參數作為所述故障趨勢預測模型的初始參數；將所述時序序列數據集輸入至所述故障趨勢預測模型中對所述故障趨勢預測模型進行訓練，并得到所述時序序列數據集對應的剩余壽命，能夠對滾動軸承的剩余生命進行準確預測。

技術領域

本公開一般涉及人工智能技術領域，具體涉及深度學習技術領域，尤其涉及一種基于深度學習模型的滾動軸承壽命預測方法和裝置。

背景技術

隨著工業技術不斷發展，機械設備不斷向大型化、多元化和復雜化發展，大擾動、強沖擊等惡劣工況十分常見。滾動軸承廣泛應用于航空航天，加工制造等諸多工業領域，是各類機械設備的重要部件，一旦發生故障，將造成嚴重的經濟損失甚至人員傷亡，因此，對滾動軸承進行壽命預測對保障機械設備安全運行有著至關重要的意義。

發明內容

鑒于現有技術中的上述缺陷或不足，期望提供一種基于深度學習模型的滾動軸承壽命預測方法和裝置，能夠對滾動軸承的剩余生命進行準確預測。

第一方面，本申請實施例提供了一種基于深度學習模型的滾動軸承壽命預測方法，包括：

獲取多個傳感器檢測的時序信號；

將所述時序信號進行數據處理，得到所述時序信號對應的灰度圖；

對所述灰度圖進行標注，得到時序序列數據集和故障識別數據集；

將所述故障識別數據集輸入至故障識別模型對所述故障識別模型進行訓練，得到所述故障識別模型對應的特征參數；

構建故障趨勢預測模型，并將所述故障識別模型對應的特征參數作為所述故障趨勢預測模型的初始參數；

將所述時序序列數據集輸入至所述故障趨勢預測模型中對所述故障趨勢預測模型進行訓練，并得到所述時序序列數據集對應的剩余壽命。

在一些實施例中，所述故障識別模型包括：第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五全連接層、第六全連接層、第七全連接層和輸出層。

在一些實施例中，所述故障識別模型采用自適應矩陣估計優化器進行權重訓練，所述自適應矩陣估計優化器的參數初始化為：

其中，為實時更新的參數，下標t表示步長，表示當前步長的梯度，ρ是當前指數衰減率的估值，是一階梯度矩陣，是二階梯度矩陣，為學習率，為常量10^-8，以保證表達式成立，和是對原始值的偏差修正。

在一些實施例中，所述故障趨勢預測模型包括：池化層、第八全連接層、第九全連接層、第十全連接層、LSTM隱含層、第十一全連接層和輸出層。

在一些實施例中，所述故障趨勢預測模型采用如下多任務損失函數：

其中，為完整生命周期，為當前時刻，為預測剩余壽命值，為所述故障趨勢預測模型中第八全連接層的特征參數，為所述故障識別模型中第七全連接層的特征參數，為固定參數，為隨著迭代次數增加而下降的衰退系數。

在一些實施例中，所述故障趨勢預測模型中所述第八全連接層的結構與所述故障識別模型中所述第七全連接層的結構相同。

在一些實施例中，所述故障識別模型中所述第七全連接層的特征參數為所述故障趨勢預測模型中所述第八全連接層的初始參數。