[發明專利]一種基于LSTM和TDNN的滾動軸承剩余壽命預測方法

在審

• 申請號: 202210349547.7
• 申請日: 2022-04-02
• 公開（公告）號: CN114861979A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 席霄鵬;張匯鑫
• 申請（專利權）人: 山東科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 劉文霞

1.一種基于LSTM和TDNN的滾動軸承剩余壽命預測方法，其特征在于，包括如下步驟：

(1)采集訓練組滾動軸承在某一工況下的全壽命原始振動信號作為訓練集，采集測試組滾動軸承在同一工況下的全壽命原始振動信號作為測試集；

(2)提取訓練集軸承的時域特征，并對每個特征作最小-最大規范化處理，構造訓練特征集X^l：

其中，l代表訓練集軸承編號(l＝1,2...q)，m代表特征總數，m＝36，n代表第l個訓練集軸承的樣本總數，代表第l個訓練軸承的第n個樣本的第m個規范化特征；

(3)在訓練過程中，構造p種健康因子并將其與采樣時長結合，即：

將健康因子歸一化到[0,1]，得到歸一化后的健康因子

其中，t是時間，p代表函數類型，p≥2，t_k對應于第l個訓練集軸承的第k個樣本采樣時長，T是總的采樣時長，θ^l(t)∈(0,1]，是第l個軸承的θ^l(t)與之間的映射關系；

(4)建立LSTM預測模型，在步驟(3)建立的p種健康因子下，分別將q組訓練軸承特征作為LSTM預測模型的輸入，作為輸出，調整隱藏層網絡層數M₁及節點數Q₁、初始學習率L、學習率衰減D、丟包率B、最大回合數R參數，訓練LSTM模型，得到訓練軸承特征與每種健康因子的映射關系F_p^l，構造基于LSTM的軸承特征-健康因子模型，即：

其中，F_p^l是第l個訓練軸承特征X^l與第p種健康因子的映射關系，F(X)＝F(X¹)∪F(X²)...∪F(X^q)；

(5)建立TDNN預測模型，分別將步驟(4)LSTM預測模型輸出的p種訓練集健康因子作TDNN模型的輸入，訓練集軸承剩余壽命百分比作為輸出，調整隱藏層數M₂及節點數Q₂、驗證檢查數目P、時間延遲步數d參數，訓練TDNN預測模型，得到每種健康因子與剩余壽命百分比的映射關系，構造基于TDNN的健康因子-剩余壽命預測模型，即：

其中，T_c是當前已耗壽命，T₁₀₀是總壽命，G_p是第p種健康因子與剩余壽命百分比的映射關系；

(6)提取測試集軸承的時域特征，并對每個特征作最小-最大規范化處理，構造測試特征集：

其中，T代表測試集軸承編號(T＝1)，m代表特征總數，m＝36，i代表第T個測試集軸承的樣本總數，代表第T組訓練軸承的第i個樣本的第m個規范化特征；

(7)分別將測試集軸承特征輸入步驟(4)構造的基于LSTM的軸承特征-健康因子模型中，即可輸出測試集軸承的p種健康因子簇，將p種健康因子簇分別計算平均值即：

(8)將步驟(7)所得到的測試集健康因子平均值輸入基于TDNN的健康因子-剩余壽命預測模型中，輸出p個測試集待測軸承的剩余壽命百分比，利用RMSE函數和Score函數中的至少一個作為評價指標評估預測結果準確率，找尋最優的健康因子-剩余壽命預測模型，即RMSE函數或/和Score函數的值最小時所對應的健康因子-剩余壽命預測模型；

(9)將步驟(8)所確定的最優健康因子-剩余壽命預測模型作為滾動軸承剩余壽命預測模型，計算待測軸承的剩余壽命。

2.根據權利要求1所述的一種基于LSTM和TDNN的滾動軸承剩余壽命預測方法，其特征在于，所述步驟(1)中第l個訓練集軸承的樣本總數n是指第l個訓練集軸承在加速壽命試驗中每隔10s～60s采集的振動信號的集合。

3.根據權利要求1所述的一種基于LSTM和TDNN的滾動軸承剩余壽命預測方法，其特征在于，所述步驟(2)中所提取的時域特征為訓練集軸承在水平方向及垂直方向的全壽命周期振動信號的18維時域特征；所述步驟(6)中所提取的時域特征為測試集軸承在水平方向及垂直方向的全壽命周期振動信號的18維時域特征。