基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法技术

本发明专利技术公开了一种基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法，获取预设工况下若干滚动轴承的HI曲线并获取剩余寿命序列，基于聚类评价指标和拟合评价指标筛选出每个滚动轴承采用BUP时间序列分割算法进行分段的最优分段数，对HI曲线进行分段并提取出退化期HI曲线以及退化期剩余寿命序列，进行归一化得到归一化退化期HI曲线和归一化退化期剩余寿命序列，采用长短时记忆网络作为RUL预测模型，将归一化退化期HI曲线作为输入，将归一化退化期剩余寿命序列作为标签，对RUL预测模型进行训练，对于预设工况下的某个滚动轴承，采用相同方法得到归一化退化期HI曲线，将其输入RUL预测模型得到预测的剩余寿命序列。本发明专利技术可以有效提高RUL的预测准确率和稳健性。效提高RUL的预测准确率和稳健性。效提高RUL的预测准确率和稳健性。

【技术实现步骤摘要】
基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法


[0001]本专利技术属于滚动轴承寿命预测
，更为具体地讲，涉及一种基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法。

技术介绍

[0002]在目前旋转机械的所有关键组件中，滚动轴承一直是研究的重要对象之一。一方面由于滚动轴承使用广泛，在旋转机械设备应用中有着不可替代的作用；另一方面是由于滚动轴承相较于其他的零部件更易失效。由于滚动轴承的服役环境和工作条件的复杂性和不确定性、疲劳损伤发展的随机性和失效模式的多样性，导致滚动轴承的最大使用寿命有较大的离散性，并且滚动轴承的定期维护经常导致“维护不足”和“过度维护”的问题。而滚动轴承的RUL(Remaining Useful Life，剩余使用寿命)预测可以最大限度的延长轴承的使用寿命并降低维护成本，因此对滚动轴承的RUL预测的研究一直是该领域研究的重点。
[0003]目前已有的关于旋转机械的RUL预测的研究方法大致可以分为基于模型和基于数据驱动的预测方法两大类。基于模型的预测方法通过建立物理或数学模型来描述系统或设备的退化趋势，此方法要求大量的物理机理或经验知识，但是面对现代结构复杂的机械设备系统和多变的服役环境很难建立有效的失效模型，因此基于模型的预测方法的应用有限。基于数据驱动的RUL预测方法没有上述方面的要求，对设备的退化过程建模一般只需要设备运行过程中的采集和监测的数据。在数据驱动的方法主要分为统计模型和人工智能两大类。神经网络等人工智能方法是近年来针对各种序列分类和预测问题的最先进的模型之一，神经网络方法以其建模优势和极强的非线性处理能力，逐渐成为主流研究方法。同时，在当今大数据时代下，在工程实际应用中，现有的基于神经网络的寿命预测技术存在模型输入样本量太大、对退化期的样本定位模糊以及在多工况和多失效模式下的寿命预测的精度较低等问题，需要研究解决。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法，对HI曲线采用BUP时间序列分割算法进行分段得到退化期HI曲线，采用LSTM作为RUL预测模型，将退化期HI曲线作为预测模型的输入，实现对滚动轴承的RUL预测，提高RUL的预测准确率和稳健性。
[0005]为实现上述专利技术目的，本专利技术基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法包括以下步骤：
[0006]S1：根据实际需要获取预设工况下若干滚动轴承的特征数据序列，根据特征数据序列绘制各个滚动轴承对应的HI曲线，同时获取该HI曲线对应的滚动轴承剩余寿命序列，其中每个值即为对应时刻该滚动轴承的RUL值；
[0007]S2：对于每个滚动轴承的HI曲线，分别确定该HI曲线使用BUP时间序列分割算法进行健康状态划分的最优分段数，具体方法为：
[0008]S2.1：根据实际情况设置K个备选分段数M
k
，其中k＝1,2,
…
,K，分别以每个备选分段数作为BUP时间序列分割算法的循环迭代停止条件，使用BUP时间序列分割算法对HI曲线对应的特征数据序列进行健康状态划分，得到M
k
个分段特征数据序列；
[0009]S2.2：将备选分段数M
k
对应的每个分段特征数据序列分别作为一个数据类别，计算得到聚类评价指标CH
k
；对于M
k
个分段特征数据序列，计算每个分段特征数据序列的均方根RMS
k,m
，m＝1,2,
…
,M
k
，然后采用以下公式计算得到拟合评价指标Cost
k
：
[0010][0011]S2.3：从K个备选分段数M
k
中筛选出聚类评价指标CH
k
最大的备选分段数
[0012]S2.4：判断备选分段数对应的拟合评价指标是否最小，如果是，进入步骤S2.7，否则进入步骤S2.5；
[0013]S2.5：从K个备选分段数M
k
中筛选出聚类评价指标CH
k
次最大的备选分段数M
k
′
；
[0014]S2.6：判断是否如果是，进入步骤S2.7，否则进入步骤S2.8；
[0015]S2.7：将分段数作为最优分段数；
[0016]S2.8：将分段数M
k
′
作为最优分段数；
[0017]S3：将步骤S2得到的最优分段数作为BUP时间序列分割算法的循环迭代停止条件，使用BUP分割算法对HI曲线进行健康状态划分，得到分段线性拟合后的HI曲线；
[0018]S4：对于每个滚动轴承分段线性拟合后的HI曲线，将每两个健康状态之间的分界点作为健康状态转折点，并将第一个健康状态转折点作为初始故障发生点，以初始故障发生点区分滚动轴承的健康期与退化期，初始故障发生点之前为健康期，之后为退化期；
[0019]S5：对于每个滚动轴承分段线性拟合后的HI曲线分别提取出退化期HI曲线，并从该HI曲线对应的滚动轴承剩余寿命序列提取出退化期HI曲线对应的退化期剩余寿命序列，分别对退化期HI曲线和退化期剩余寿命序列进行归一化处理，得到归一化退化期HI曲线和归一化退化期剩余寿命序列；
[0020]S6：采用长短时记忆网络作为滚动轴承的RUL预测模型，将步骤S5中的归一化退化期HI曲线作为输入，将归一化退化期剩余寿命序列作为标签，对RUL预测模型进行训练；
[0021]S7：对于预设工况下的某个滚动轴承，获取其到当前时刻的特征数据序列，绘制对应的HI曲线，采用步骤S2中的相同方法确定其最优分段数，采用步骤S3中的相同方法得到分段线性拟合后的HI曲线，采用步骤S4中的相同方法确定退化期，然后从该滚动轴承分段线性拟合后的HI曲线分别提取出退化期HI曲线并进行归一化，得到归一化退化期HI曲线，将该归一化退化期HI曲线输入步骤S6训练好的RUL预测模型中，得到预测的剩余寿命序列。
[0022]本专利技术基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法，获取预设工况下若干滚动轴承的特征数据序列，绘制对应的HI曲线并获取剩余寿命序列，基于聚类评价指标和拟合评价指标筛选出每个滚动轴承采用BUP时间序列分割算法进行分段的最优分段数，对HI曲线进行分段并提取出退化期HI曲线以及退化期剩余寿命序列，进行归一化得到归一化退化期HI曲线和归一化退化期剩余寿命序列，采用长短时记忆网络作为RUL预测模型，将
归一化退化期HI曲线作为输入，将归一化退化期剩余寿命序列作为标签，对RUL预测模型进行训练，对于预设工况下的某个滚动轴承绘制HI曲线，采用相同方法得到归一化退化期HI曲线，将其输入RUL预测模型得到预测的剩余寿命序列。
[0023]本专利技术具有以下有益效果：
[0024]1)本专利技术利用BUP时间序列分割算法对全寿命周期的HI曲线进行了健康状态划分，识别出了初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法，其特征在于，包括以下步骤：S1：根据实际需要获取预设工况下若干滚动轴承的特征数据序列，根据特征数据序列绘制各个滚动轴承对应的HI曲线，同时获取该HI曲线对应的滚动轴承剩余寿命序列，其中每个值即为对应时刻该滚动轴承的RUL值；S2：对于每个滚动轴承的HI曲线，分别确定该HI曲线使用BUP时间序列分割算法进行健康状态划分的最优分段数，具体方法为：S2.1：根据实际情况设置K个备选分段数M
k
，其中k＝1,2,
…
,K，分别以每个备选分段数作为BUP时间序列分割算法的循环迭代停止条件，使用BUP时间序列分割算法对HI曲线对应的特征数据序列进行健康状态划分，得到M
k
个分段特征数据序列；S2.2：将备选分段数M
k
对应的每个分段特征数据序列作为一个数据类别，计算得到聚类评价指标CH
k
；对于M
k
个分段特征数据序列，计算每个分段特征数据序列的均方根RMS
k,m
，m＝1,2,
…
,M
k
，然后采用以下公式计算得到拟合评价指标Cost
k
：S2.3：从K个备选分段数M
k
中筛选出聚类评价指标CH
k
最大的备选分段数S2.4：判断备选分段数对应的拟合评价指标是否最小，如果是，进入步骤S2.7，否则进入步骤S2.5；S2.5：从K个备选分段数M
k
中筛选出聚类评价指标CH
k

【专利技术属性】
技术研发人员：米金华，白利兵，刘路路，庄泳昊，孔子薇，盛瀚民，程玉华，邵晋梁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：