一种涂层型关节轴承寿命预测方法技术

本发明专利技术公开了一种涂层型关节轴承寿命预测方法，包括：步骤一、采集涂层型关节轴承运行时的原始时域摩擦扭矩信号；步骤二、对步骤一得到的涂层型关节轴承原始时域摩擦扭矩信号进行相对特征处理；步骤三、将步骤二得到的涂层型关节轴承原始扭矩信号进行特征提取，得到表征轴承全寿命周期的信号特征；步骤四、对步骤三提取特征进行主成分分析，获取能够表征轴承失效过程的第一主成分；步骤五、对步骤四获取的第一主成分进行降噪平滑处理，减少噪声对预测结果的影响；步骤六、构建轴承剩余使用寿命预测模型，根据先前步骤提取出轴承摩擦扭矩信号中特征输入预测模型进行寿命预测。本发明专利技术提供的模型构造、输入数据处理过程简单，预测精度高，泛化性好。泛化性好。泛化性好。

【技术实现步骤摘要】
一种涂层型关节轴承寿命预测方法


[0001]本专利技术设计机械设备中涂层型关节轴承摩擦扭矩信号处理与剩余寿命预测领域，具体涉及一种基于CNN和LSTM的涂层型关节轴承寿命预测方法。

技术介绍

[0002]涂层型关节轴承作为一种的新型轴承，以二硫化钼(MoS2)、类金刚石薄膜(DLC)等固体润滑材料作为自润滑层，具有结构简单，较强的强抗冲击能力、优异的真空摩擦学性能和超长服役寿命等特点，因此被广泛应用于航空航天领域。传统的基于经验公式、利用统计学对失效量扩充以及神经网络等方法主要针对衬垫型自润滑关节轴承进行寿命预测工作，而涂层型关节轴承由于其涂层厚度较薄，无法采用传统方法对其进行寿命预测，因此涂层型关节轴承的服役寿命准确预测成为亟需解决的难题。

技术实现思路

[0003]本专利技术的目的在于提供一种涂层型关节轴承剩余寿命预测方法，该方法模型构造、输入数据处理过程简单，预测精度高且具有高预测精度。
[0004]本专利技术的专利技术目的通过以下技术方案实现：
[0005]一种涂层型关节轴承剩余寿命预测方法，包括：
[0006]步骤(1)：使用扭矩传感器对涂层型关节轴承的原始时域摩擦扭矩信号进行采集。
[0007]步骤(2)：对步骤(1)得到的涂层型关节轴承原始时域摩擦扭矩信号进行相对特征处理，
[0008]步骤(3)：对步骤(2)经相对特征处理后得到的涂层型关节轴承原始扭矩信号通过特征提取网络进行特征提取，得到表征轴承全寿命周期的信号特征；
[0009]步骤(4)：对步骤(3)提取特征进行主成分分析，获取能够表征轴承失效过程的第一主成分；
[0010]步骤(5)：对步骤(4)获取的第一主成分进行降噪平滑处理，减少噪声对预测结果的影响；
[0011]步骤(6)：构建轴承剩余使用寿命预测模型，根据先前步骤提取出需要预测寿命轴承摩擦扭矩信号中特征输入预测模型进行寿命预测。
[0012]进一步，步骤(2)的所述相对特征处理的处理公式为
[0013][0014]其中，X
i
为相对特征处理结果，x
i
为轴承第i个采样点下的摩擦扭矩值，为轴承平稳运行期间摩擦扭矩平均值，N为此轴承采样点数量。
[0015]进一步地，所述特征提取网络为多层卷积神经网络、BP、transformer、SimpleRNN中的任一种。
[0016]进一步地，所述特征提取网络为多层卷积神经网络，通过3层由卷积层、池化层、
Dropout层组成的神经网络进行特征提取，并通过全连接层获取涂层型关节轴承摩擦扭矩信号的特征。
[0017]进一步地，卷积层的运算公式为：
[0018][0019]其中为第l层第i个卷积核的权值矩阵，为第l层的第i个卷积核的第j
’
个权值，为第l层中第j个卷积计算的局部序列r，*为卷积运算符，W为卷积核的宽度，在一维卷积中表现为覆盖区域信号的长度；
[0020]卷积层输出经激活函数处理后通过池化层进行特征降维处理，运算公式为：
[0021][0022]其中，p
l(i,j)
为池化层输出结果，a
l(i,t)
为第l层第i个特征的第t个神经元输出激活值，V为池化宽度。
[0023]进一步地，步骤(4)中,主成分分析前需要对步骤(3)所提取特征需通过下式进行去中心化处理：
[0024][0025]其中Xi为去中心化特征值，xi为原特征值，为当前特征序列平均值。
[0026]进一步地，步骤(4)中，计算协方差矩阵并通过线性代数方法求解特征值与特征向量，协方差计算公式如下：
[0027][0028]其中n为特征序列长度，A、B分别为两个不同的特征序列，a
i
、b
i
分别为特征序列A、B中的第i个特征值，为特征序列A、B平均值；
[0029]选择出最大特征值所对应的特征向量P，通过如下公式计算得到第一主成分：Y＝PX，其中Y为输出的特征第一主成分，X为经去中心化处理的特征矩阵。
[0030]进一步地，步骤(5)中，降噪平滑处理方法为Savitzky
‑
Golay平滑滤波、算术平均滤波、递推平均滤波中的任一种。
[0031]进一步地，步骤(6)中，建立的剩余寿命预测模型为长短期记忆神经网络模型、Transformer、BP、SVM网络中的任一种。
[0032]进一步地，步骤(5)中，降噪平滑处理方法为Savitzky
‑
Golay平滑滤波、算术平均滤波、递推平均滤波中的任一种。
[0033]进一步地，步骤(6)，还包含通过通过均方误差MSE以及平均绝对误差MAE得出当前剩余寿命预测模型的预测精度，其公式为：
[0034][0035]其中m为样本数目，y
i
为真实值，为预测值。
[0036]与现有技术相比，本专利技术的有益效果在于：
[0037]通过扭矩传感器采集涂层型关节轴承的摩擦扭矩信号，并通过相对特征处理消除不同工况下轴承摩擦扭矩值差异，实现不同工况下轴承剩余寿命预测。再将相对特征处理后信号输入特征提取网络进行特征提取，得到能够表征轴承失效状态的特征参数。在剩余寿命预测中，通过PCA处理得到特征的第一主成分，并通过降噪对所提取特征进行滤波处理，使用数据对寿命预测模型进行训练，得到训练好的预测模型。输入待测模型摩擦扭矩数据进行寿命预测，能够在失效前任意时刻对涂层型关节轴承的剩余寿命进行预测，并且的准确获得其失效开始节点，具有较好的预测精度以及失效预警效果。
附图说明
[0038]为了更清楚说明本专利技术试试例的技术方案，下面对实施例中所需要使用的附图作简单的介绍。应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看做是对范围的限定。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相关的附图。
[0039]图1为本专利技术实施例提供的一种涂层型关节轴承剩余寿命预测方法流程示意图。
[0040]图2为本专利技术实施例中CNN提取摩擦扭矩信号特征的流程示意图。
[0041]图3为本专利技术实施例提供的整体模型训练、测试流程示意图。
具体实施方式
[0042]下面结合附图，对本专利技术的具体实施方式进行详细说明。
[0043]参照附图1，本专利技术提供的一种涂层型关节轴承剩余寿命预测方法，包括以下步骤：
[0044]步骤(1)：参照附图2，使用扭矩传感器对涂层型关节轴承的原始时域摩擦扭矩信号进行采集，此时信号中存在大量因外界因素干扰产生的噪声。在摩擦扭矩信号的采集过程中，存在大量外界因素的干扰，所采集的信号中存在噪声，因此需要通过特征提取获取其中的有效信息。
[0045]步骤(2)：参照附图2，对步骤(1)得到的涂层型关节轴承原始时域摩擦扭矩信号进行相对特征处理，通过相对特征处理可消除不同工况下涂层型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种涂层型关节轴承寿命预测方法，其特征在于，包括：步骤(1)：使用扭矩传感器对涂层型关节轴承的原始时域摩擦扭矩信号进行采集；步骤(2)：对步骤(1)得到的涂层型关节轴承原始时域摩擦扭矩信号进行相对特征处理；步骤(3)：对步骤(2)经相对特征处理后得到的涂层型关节轴承原始扭矩信号通过特征提取网络进行特征提取，得到表征轴承全寿命周期的信号特征；步骤(4)：对步骤(3)提取的信号特征进行主成分分析，获取能够表征轴承失效过程的第一主成分；步骤(5)：对步骤(4)获取的第一主成分进行降噪平滑处理；步骤(6)：构建轴承剩余使用寿命预测模型，将提取出的需要预测寿命轴承摩擦扭矩信号中的特征输入预测模型进行寿命预测。2.根据权利要求1所述的一种涂层型关节轴承寿命预测方法，其特征在于，步骤(2)的所述相对特征处理的处理公式为其中，X
i
为相对特征处理结果，x
i
为轴承第i个采样点下的摩擦扭矩值，为轴承平稳运行期间摩擦扭矩平均值，N为此轴承采样点数量。3.根据权利要求1所述的一种涂层型关节轴承寿命预测方法，其特征在于，步骤(3)中，所述特征提取网络为多层卷积神经网络、BP、transformer、SimpleRNN中的任一种。4.根据权利要求1所述的一种涂层型关节轴承寿命预测方法，其特征在于，步骤(3)中，所述特征提取网络为多层卷积神经网络，通过3层由卷积层、池化层、Dropout层组成的神经网络进行特征提取，并通过全连接层获取涂层型关节轴承摩擦扭矩信号的特征。5.根据权利要求4所述的一种涂层型关节轴承寿命预测方法，其特征在于，卷积层的运算公式为：其中K
i
l为第l层第i个卷积核的权值矩阵，为第l层的第i个卷积核的第j
’
个权值，为第l层中第j个卷积计算的局部序列r，*为卷积运算符，W为卷积核的宽度，在一维卷积中表现为覆盖区域信号的长度；卷积层输出经激活函数处理后通过池化层进行特征降维处理，运算公式为：其中，p
l(i,j)
为池化层输出结果，a
l(i,t)
为...

【专利技术属性】
技术研发人员：苏峰华，孙建芳，林亮行，刘云帆，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：