一种轴承寿命预测方法技术

本发明专利技术公开了一种轴承寿命预测方法，包括：获取轴承的振动信号，利用KL_VMD对振动信号进行分解，得到振动信号的各模态分量；计算各模态分量的样本熵，以获取时序状态特征；结合BiLSTM对轴承的剩余寿命进行预测。本发明专利技术提出了一种轴承寿命预测方法，该方法在VMD的基础上，结合免疫操作算子和适应度函数，使VMD的参数K和a可以通过自适应寻优的方法获得，避免了对先验知识的依赖。其中，免疫操作算子的抗体浓度和适应度函数均采用KL散度，有效改进了KL_VMD的收敛速度，提高了信号分解的能力，从而获得高质量的特征信号，显著提高了轴承剩余寿命预测的准确性。寿命预测的准确性。寿命预测的准确性。

【技术实现步骤摘要】
一种轴承寿命预测方法


[0001]本专利技术涉及轴承性能分析
，特别涉及一种轴承寿命预测方法。

技术介绍

[0002]滚动轴承是装备制造业中重要的基础零部件，直接决定着机械设备的性能和可靠性。由于加工或安装误差，以及服役过程中的疲劳、磨损和腐蚀等，轴承会产生异常振动，直接影响整个系统的精度与平稳性，甚至会引发严重的机械事故。精确地预测轴承的剩余寿命可以明显地降低机械故障的发生率。因此，有必要对轴承的运行状态进行监测，掌握轴承的剩余寿命，有效、及时地对轴承进行维护，保障机械设备的正常运行。
[0003]当前轴承寿命预测的方法主要分为基于物理模型的预测方法和基于数据驱动的预测方法。基于物理模型的预测方法由于理论难度大、建模复杂，导致预测精度下降，所以应用范围有限；基于数据驱动的预测方法是对轴承运行状态进行实时监测，并且利用深度学习等方法实现轴承的寿命预测，已广泛应用于各个领域中，所以在当前剩余寿命预测中占重要的地位。其中，基于数据驱动的预测方法的剩余寿命预测主要是通过特征提取和预测模型实现的。
[0004]针对轴承振动信号具有非线性、非平稳的特点，许多非线性信号的特征提取方法，如：小波变换(Wavelet Transform，WT)、经验模态分解 (Empirical Mode Decomposition，EMD)、变分模态分解(Variational ModeDecomposition，VMD)等在信号处理领域有着广泛的应用。WT是分析非周期非平稳信号的有效方法，可以聚焦到信号的任意细节，实现高频处时间细分，低频处频率细分，但是小波基函数需要人工选择，对WT的结果有着显著的影响；EMD克服了基函数无自适应性的问题，但是存在端点效应和模态分量混叠的问题；VMD具有坚实的理论基础，克服了端点效应和模态分量混叠的问题，但是VMD的参数K和a若选取不当，会直接影响特征提取的效果。
[0005]随着人工智能的发展，深度学习在寿命预测领域得到广泛的应用，常用的预测模型有：深度残差神经网络(Deep residual network，ResNet)、循环神经网络(Recurrent neural network，RNN)、长短时记忆神经网络 (Long short
‑
term memory network，LSTM)等。ResNet可以解决网络退化的问题，但是该网络模型无法很好地处理信号的时序问题；针对轴承的寿命预测具有时间依赖性，RNN可以处理短期时间依赖的问题，但是难以应对长期依赖的问题。此外，RNN在训练过程中，还存在网络梯度消失和爆炸的问题；LSTM通过特殊的结构设计避免了长期依赖的问题，但是仍然存在网络退化的问题。

技术实现思路

[0006]本专利技术的主要目的是提出一种轴承寿命预测方法，以解决上述
技术介绍
中提到的目前的轴承寿命预测方法存在预测精准度差的问题。
[0007]为解决上述问题，本专利技术提出的一种轴承寿命预测方法，包括：
[0008]获取轴承的振动信号，利用KL_VMD对振动信号进行分解，得到振动信号的各模态
分量；
[0009]计算各模态分量的样本熵，以获取时序状态特征；
[0010]结合BiLSTM对轴承的剩余寿命进行预测。
[0011]在一实施例中，所述获取轴承的振动信号，利用KL_VMD对振动信号进行分解，得到振动信号的各模态分量包括：
[0012]种群初始化；
[0013]获取KL散度及KL_VMD算法的适应度函数MAKL，并判断二者大小关系；
[0014]若KL＞MAKL，则判断是否终止迭代，若是，则输出Best_a和Best_k信号，并对其进行VMD分解，获得信号的各模态分量。
[0015]在一实施例中，判断是否终止迭代，若否，则计算抗体浓度和激励度；
[0016]根据抗体浓度和激励度进行免疫选择；
[0017]根据免疫选择结果进行种群刷新。
[0018]在一实施例中，所述免疫选择包括克隆、变异、克隆抑制。
[0019]在一实施例中，若KL＜MAKL，则更新MAKL。
[0020]在一实施例中，所述结合BiLSTM对轴承的剩余寿命进行预测包括：
[0021]将样本熵特征划分为训练集和测试集；
[0022]初始化BiLSTM的参数，将训练集输入到BiLSTM中，并且不断调节超参数，使该网络模型的损失函数收敛至最小值，达到最理想的训练效果；
[0023]测试集输入到训练好的BiLSTM中，获取相应的HI趋势。
[0024]在一实施例中，所述测试集输入到训练好的BiLSTM中，获取相应的HI 趋势还包括：
[0025]采用平均绝对误差(MAE)和均方根误差(RMSE)来评估轴承剩余寿命预测的准确性。
[0026]在一实施例中，所述网络模型为均方差损失函数。
[0027]有益效果：
[0028]1、本专利技术提出的轴承剩余寿命预测方法是通过KL_VMD样本熵和BiLSTM实现的，利用KL_VMD对采集的轴承振动信号进行分解，将获得的模态分量转化为样本熵，不仅有效保留信号的所有特征，而且可以衡量时间序列信号的复杂度。然后，结合BiLSTM预测模型，该模型具有对特征信号进行双向学习的能力，可以充分挖掘时序特征信号的双向联系，提高了网络模型的预测精度，从而使轴承剩余寿命预测取得了良好的效果，为轴承剩余寿命预测研究提供了新的方向。
[0029]2、本专利技术提出了一种基于KL_VMD的信号分解方法，该方法在VMD的基础上，结合免疫操作算子和适应度函数，使VMD的参数K和a可以通过自适应寻优的方法获得，避免了对先验知识的依赖。其中，免疫操作算子的抗体浓度和适应度函数均采用KL散度，有效改进了KL_VMD的收敛速度，提高了信号分解的能力，从而获得高质量的特征信号。
[0030]3、本专利技术以样本熵作为信号特征，从而保留信号的时间序列的特性，然后输入到BiLSTM预测模型中，有效解决了长期依赖的问题，显著提高了轴承剩余寿命预测的准确性。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为基于KL_VMD样本熵和BiLSTM的轴承寿命预测流程图；
[0033]图2为KL_VMD流程图；
[0034]图3为基于KL_VMD信号分解图；
[0035]图4为基于KL_VMD样本熵和BiLSTM的轴承寿命预测结果图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承寿命预测方法，其特征在于，包括：获取轴承的振动信号，利用KL_VMD对振动信号进行分解，得到振动信号的各模态分量；计算各模态分量的样本熵，以获取时序状态特征；结合BiLSTM对轴承的剩余寿命进行预测。2.如权利要求1所述的轴承寿命预测方法，其特征在于，所述获取轴承的振动信号，利用KL_VMD对振动信号进行分解，得到振动信号的各模态分量包括：种群初始化；获取KL散度及KL_VMD算法的适应度函数MAKL，并判断二者大小关系；若KL＞MAKL，则判断是否终止迭代，若是，则输出Best_a和Best_k信号，并对其进行VMD分解，获得信号的各模态分量，其中判断是否终止迭代的条件为3.如权利要求2所述的轴承寿命预测方法，其特征在于，所述种群初始化采用下列算式随机产生：x＝u+l+rand
·
(u
‑
l)
ꢀꢀꢀ
(1)式中，u和l分别为可行解的上界和下界，rand为0～1的随机数。4.如权利要求2所述的轴承寿命预测方法，其特征在于，所述KL散度采用下列算式获得：5.如权利要求2所述的轴承寿命预测方法，其特征在于，所述KL_VMD 算法的适应度函数MAKL采用下列算式获得：数MAKL采用下列算式获得：数MAKL采用下列算式获得：数MAKL采用下列算式获得：6.如权利要求2所述的轴承...

【专利技术属性】
技术研发人员：刘晓敏，
申请(专利权)人：宁波大学，
类型：发明
国别省市：