[發(fā)明專利]一種基于LSTM和TDNN的滾動軸承剩余壽命預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210349547.7
• 申請日: 2022-04-02
• 公開（公告）號: CN114861979A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 席霄鵬;張匯鑫
• 申請（專利權(quán)）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(lǐng)創(chuàng)專利代理有限公司 37252
• 代理人: 劉文霞

本發(fā)明公開了一種基于LSTM和TDNN的滾動軸承剩余壽命預(yù)測方法，包括步驟：(1)提取訓(xùn)練軸承原始振動信號的時域特征，構(gòu)成時域特征集，并針對每個特征做最小?最大規(guī)范化處理；(2)利用至少兩種非線性函數(shù)構(gòu)造健康因子，然后依次利用LSTM、TDNN構(gòu)建訓(xùn)練特征與健康因子以及健康因子與剩余壽命百分比之間的映射關(guān)系，搭建LSTM?TDNN剩余壽命預(yù)測模型；(3)輸入測試軸承振動數(shù)據(jù)，經(jīng)特征提取、歸一化處理后，根據(jù)LSTM?TDNN預(yù)測模型獲得剩余壽命估計值，并給出預(yù)測準確率的綜合評價。本發(fā)明的滾動軸承剩余壽命預(yù)測結(jié)果更為準確，實現(xiàn)高精度和強保守的統(tǒng)一，能有效應(yīng)用于滾動預(yù)測維護任務(wù)，降低維護成本。

技術(shù)領(lǐng)域

本發(fā)明涉及滾動軸承剩余壽命預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于LSTM和TDNN的滾動軸承剩余壽命預(yù)測方法。

背景技術(shù)

旋轉(zhuǎn)機械作為現(xiàn)代化工業(yè)設(shè)備的核心部件，在航空航天、水利水電、化工冶金等領(lǐng)域發(fā)揮了重要作用。而滾動軸承作為旋轉(zhuǎn)機械的關(guān)鍵零件，影響著整個機械設(shè)備的運行狀態(tài)，其故障發(fā)生可能導(dǎo)致機械設(shè)備無法實現(xiàn)既定功能，輕則影響工業(yè)生產(chǎn)并帶來經(jīng)濟損失，重則危及從業(yè)人員的生命安全。因此，對滾動軸承進行壽命預(yù)測具有重要的指導(dǎo)意義。

目前，針對滾動軸承的剩余壽命預(yù)測方法主要分為基于解析模型的方法和數(shù)據(jù)驅(qū)動的方法兩大類，數(shù)據(jù)驅(qū)動的方法又包含基于隨機過程的方法和基于人工智能的方法。由于軸承運行環(huán)境及服役工況的復(fù)雜性，難以建立精確的失效機理模型；基于隨機過程的方法需預(yù)先選擇退化過程，其類型直接影響預(yù)測的精度；基于人工智能的方法具有強大的數(shù)據(jù)處理能力，無需物理機理和專家經(jīng)驗，可以不斷獲取現(xiàn)有數(shù)據(jù)的信息訓(xùn)練并更新網(wǎng)絡(luò)模型，在剩余壽命預(yù)測領(lǐng)域展現(xiàn)了巨大的發(fā)展前景。

現(xiàn)有的滾動軸承剩余壽命智能預(yù)測方法多以卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)為主體完成數(shù)據(jù)預(yù)處理和剩余壽命的估計，常存在以下問題：第一，忽略了序列不等長及時間延遲的存在，由于工況、安裝位置及環(huán)境等不同，軸承實際服役時間存在差異，在訓(xùn)練預(yù)測模型時存在序列不等長問題，此外借助歷史運行信息去估計當前時刻的剩余壽命時，時間延遲難以量化；第二，反應(yīng)軸承健康狀態(tài)的性能指標即健康因子獲取過程復(fù)雜且多樣性被忽視，方法的可移植性較差；第三，評價指標僅評判了預(yù)測的精度，但具體保守預(yù)測或激進預(yù)測均缺少評估，實際中應(yīng)盡可能實現(xiàn)高精度和強保守的統(tǒng)一。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于LSTM和TDNN的滾動軸承剩余壽命預(yù)測方法，提高滾動軸承剩余壽命預(yù)測準確率。

本發(fā)明為了實現(xiàn)上述目的，采用的技術(shù)解決方案是：

一種基于LSTM和TDNN的滾動軸承剩余壽命預(yù)測方法，包括如下步驟：

(1)采集訓(xùn)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(xùn)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(xùn)練集軸承的時域特征，并對每個特征作最小-最大規(guī)范化處理，構(gòu)造訓(xùn)練特征集X^l：

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

(3)在訓(xùn)練過程中，構(gòu)造p種健康因子并將其與采樣時長結(jié)合，即：

將健康因子歸一化到[0,1]，得到歸一化后的健康因子模型

其中，t是時間，p代表函數(shù)類型，p≥2，t_k對應(yīng)于第l個訓(xùn)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(guān)系；