【技术实现步骤摘要】
本专利技术涉及机械部件健康管理领域，具体地涉及一种基于hjorth参数和lstm的滚动轴承退化趋势预测方法以及一种基于hjorth参数和lstm的滚动轴承退化趋势预测装置。
技术介绍
1、滚动轴承作为旋转机械关键零部件，其健康状态直接影响设备的稳定安全运行，国内外不乏有因为滚动轴承失效而导致严重经济损失和人员受伤的情况，因此对滚动轴承未来一段时间运行情况的预知显得尤为重要。滚动轴承的退化趋势可以有效地反映轴承的运行状态，因此精准地预测滚动轴承退化趋势可以帮助生产者合理地制定维护计划，减少经济损失和危险风险。
2、滚动轴承退化趋势预测的关键主要集中于两个方面：退化指标的构建和预测模型的构建。传统的退化指标的构建方法主要提取原始信号的时域、频域、时频域和信息熵等特征，与传统的退化指标构建方法相比，基于深度学习的滚动轴承退化指标构建方法凭借其强大的特征提取能力和端到端的预测方式逐渐成为主流。退化趋势预测模型的研究主要集中在以ann和svm为代表的机器学习模型和以lstm和gru为代表的深度学习模型。如何提高滚动轴承退化趋势预测的准确率一直是业内持续研究的问题。
技术实现思路
1、本专利技术实施方式的目的是提供一种滚动轴承退化趋势预测方法及装置，该方法采用hjorth参数作为滚动轴承退化指标，可以很好的反应振动信号中蕴含的退化趋势信息，此外结合lstm网络强大的时间序列特征提取能力，提升了退化趋势的预测精度。
2、为了实现上述目的，本专利技术第一方面提供一种基于hj
3、获取滚动轴承振动信号采样数据；
4、计算滚动轴承振动信号采样数据的hjorth参数；
5、根据hjorth参数形成退化特征指标曲线；
6、根据退化特征指标曲线扩展得到训练数据；
7、利用训练数据训练和验证长短期记忆网络；
8、将训练和验证后的长短期记忆网络输出处理为预测的滚动轴承退化趋势。
9、根据上述技术手段，采用hjorth参数作为滚动轴承退化指标，可以很好的反应振动信号中蕴含的退化趋势信息，此外结合lstm网络强大的时间序列特征提取能力，提升了退化趋势的预测精度。
10、在本申请实施例中，获取滚动轴承振动信号采样数据，包括：
11、获取采用辛辛那提大学智能维护系统中心提供的轴承加速度数据进行采样得到的原始数据，所述原始数据以预设数量的数据点作为一个样本点；
12、采用加权求平均法对原始数据进行降噪处理；
13、采用z-score法对降噪后的数据进行归一化，得到滚动轴承振动信号采样数据。
14、根据上述技术手段，以滚动轴承全生命周期的数据进行采样，可以准确反映滚动轴承的退化过程，经过降噪处理可以提升数据的准确度，经过归一化处理可以剔除异常值。
15、在本申请实施例中，计算滚动轴承振动数据采样信号的hjorth参数，包括：
16、提取滚动轴承振动信号采样数据中每个样本的hjorth参数，所述hjorth参数包括活动性参数、移动性参数和复杂性参数；
17、定义活动性参数为振动信号幅值的方差，表示信号功率：
18、；
19、其中，为振动信号，为振动信号的标准差；
20、定义移动性参数为振动信号一阶导数的方差和信号自身方差之比的均方根：
21、；
22、其中，为振动信号一阶导数的标准差；
23、定义复杂性参数为振动信号一阶导数的移动性参数和振动信号的移动性参数之比：
24、；
25、其中，为振动信号二阶导数的标准差。
26、根据上述技术手段，可以从滚动轴承振动信号采样数据中提取出可以反映退化趋势信息的参数。
27、在本申请实施例中，根据hjorth参数形成退化特征指标曲线，包括：
28、根据hjorth参数确定退化特征指标；
29、从hjorth参数中提取退化特征指标按采样时间形成退化特征指标曲线。
30、根据上述技术手段，可以从hjorth参数中确定最能反映滚动轴承的运行状态的参数作为退化特征指标，形成的退化特征指标曲线同样能够蕴含更多更准确的退化趋势信息。
31、在本申请实施例中，所述方法包括：确定活动性参数作为退化特征指标。
32、在本申请实施例中，根据退化特征指标曲线扩展得到训练数据，包括：
33、以n为位置公差，将退化特征指标曲线上的数据划分为n个序列；
34、利用各个序列包含的数据创建新的退化特征指标曲线；
35、将新的退化特征指标曲线划分为训练集和测试集，得到训练数据。
36、根据上述技术手段，可以根据单个轴承的退化特征指标曲线扩展得到多条退化特征指标曲线，无需进行多次数据采集，降低了数据获取难度，用时保障有足够数量的训练数据。
37、在本申请实施例中，所述方法还包括：
38、调整位置公差的大小，重新对退化特征指标曲线上的数据进行划分，得到新的训练数据；
39、用新的训练数据训练和验证长短期记忆网络，以寻求长短期记忆网络的最优参数组合。
40、根据上述技术手段，可以寻求得到最优的退化特征指标曲线扩展参数以及长短期记忆网络参数的组合，进一步提高预测准确率。
41、在本申请实施例中，利用训练数据训练和验证长短期记忆网络，包括：
42、将训练数据中的训练集数据输入长短期记忆网络中进行训练；
43、采用绝对误差、均方根差以及指标作为预测精度标准,利用训练数据中的测试集验证模型的精度。
44、在本申请实施例中，所述长短期记忆网络包括四层隐藏层，分别为lstm层和三个dense层，在lstm和前两层dense层后采用relu激活函数进行激活，在最后一层dense层后采用linear激活函数进行激活。
45、本申请第二方面提供一种基于hjorth参数和lstm的滚动轴承退化趋势预测装置，所述装置包括：
46、数据获取单元，用于获取滚动轴承振动信号采样数据；
47、hjorth参数计算单元，用于计算滚动轴承振动信号采样数据的hjorth参数；
48、退化特征指标曲线生成单元，用于根据hjorth参数形成退化特征指标曲线；
49、训练数据生成单元，用于根据退化特征指标曲线扩展得到训练数据；
50、模型训练单元，用于利用训练数据训练和验证长短期记忆网络；
51、退化趋势输出单元，用于将训练和验证后的长短期记忆网络输出处理为预测的滚动轴承退化趋势。
52、根据上述技术手段，该装置采用hjorth参数作为滚动轴承退化指标，可以很好的反应振动信号中蕴含的退化趋势信息，此外结合lstm网络强大的时间序列特本文档来自技高网...
【技术保护点】
1.一种基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，获取滚动轴承振动信号采样数据，包括：
3.根据权利要求1所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，计算滚动轴承振动数据采样信号的Hjorth参数，包括：
4.根据权利要求1所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，根据Hjorth参数形成退化特征指标曲线，包括：
5.根据权利要求4所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，所述方法包括：确定活动性参数作为退化特征指标。
6.根据权利要求1所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，根据退化特征指标曲线扩展得到训练数据，包括：
7.根据权利要求6所述的基于Hjorth参数和LSTM的滚动轴承退化趋势预测方法，其特征在于，所述方法还包括：
<...【技术特征摘要】
1.一种基于hjorth参数和lstm的滚动轴承退化趋势预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于hjorth参数和lstm的滚动轴承退化趋势预测方法，其特征在于，获取滚动轴承振动信号采样数据，包括：
3.根据权利要求1所述的基于hjorth参数和lstm的滚动轴承退化趋势预测方法，其特征在于，计算滚动轴承振动数据采样信号的hjorth参数，包括：
4.根据权利要求1所述的基于hjorth参数和lstm的滚动轴承退化趋势预测方法，其特征在于，根据hjorth参数形成退化特征指标曲线，包括：
5.根据权利要求4所述的基于hjorth参数和lstm的滚动轴承退化趋势预测方法，其特征在于，所述方法包括：确定活动性参数作为退化特征指标。
6.根据权利要求1所述的基于hjorth参数和ls...
【专利技术属性】
技术研发人员：杨勇，姚远，章力，张秋生，邓敏强，闫宗良，张宇，张政洁，崔纯鹏，李京，
申请(专利权)人：国能河北定州发电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。