【技术实现步骤摘要】
本专利技术涉及的是滚动轴承剩余寿命（remaining useful life, rul）预测，具体的说是基于振动信号时频分析与深度学习网络，进行轴承rul预测的方法。
技术介绍
1、滚动轴承作为旋转类设备中的关键部件，通常运行在较为恶劣的环境下。轴承的故障往往会造成整个工作机组的停机故障，甚至出现生产安全事故。因此对滚动轴承进行剩余寿命（remaining useful life, rul）预测，提前获取轴承rul，可以有效避免轴承损坏导致机器在运行中出现失控。
2、轴承运转过程中产生的振动信号，通常是非平稳、非线性的，因此很难直接利用轴承的原始振动信号进行rul预测，需要对轴承的原始振动信号进行预处理或特征提取。当前，针对轴承信号特征提取的方法主要有：提取轴承振动信号的时域特征如：最大值、最小值、均方根值等；提取轴承的频域特征如：利用小波包分解得到贡献度高的频域数据、提取快速傅里叶变换中的频谱特征等；提取轴承的时频特征如：使用短时傅里叶变换（shorttime fourier transform,stft）、连续小波变换（continuous wavelet transform,cwt）等提取时频退化特征。根据实际任务需求，上述这些方法都可以有效的从轴承原始振动信号中提取退化特征。
3、基于深度学习网络进行轴承rul预测建模时，通常会使用如：卷积神经网络（convolutional neural network,cnn）、循环神经网络（recurrent neural network ，rnn）、tr
技术实现思路
1、为了解决上述问题，本专利技术提供了一种基于时频分析与深度学习的轴承rul预测的模型。
2、本专利技术是通过以下技术方案实现的：一种基于时频分析与深度学习的轴承rul预测的模型。所述的时频分析方法为连续小波变换，深度学习为残差卷积神经网络与通道注意力机制。
3、其特征在于，首先通过cwt将将轴承的原始振动数据处理为时频谱图（time -frequency map，tfm）；其次，基于通道注意力与残差卷积网络构建rul预测模型并使用轴承训练集的tfm数据进行训练，得到性能指标最好的模型。最后，基于训练好的模型对轴承测试集的tfm进行深层退化特征提取与健康因子（hi）计算，并使用均值平滑hi、多项式回归拟合所有的hi得到轴承的rul。专利技术的技术目的通过下列技术步骤实现：
4、步骤一：数据集的构建
5、首先将采集到的所有滚动轴承的全寿命振动加速度数据划分为训练集与测试集，其中xn代表训练集中第n个轴承的全寿命振动加速度数据，yn代表测试集中第n个轴承的全寿命振动加速度数据。
6、针对滚动轴承在整个生命周期中大部分时间运行在健康或者润滑不足（轻微劣化）阶段，本专利技术通过专家知识与正态分布将轴承的失效阶段划分出来，构建成新的轴承测试集，基于相应的专家知识判断轴承振动加速度信号的有效值，具体公式如下：
7、
8、其中n为训练集某一轴承的总采样点数，xi为第i采样点的幅值，当轴承某个采样时刻的rms值超过该轴承前50%寿命周期的rms值，则认定其为轴承故障数据。正态分布的轴承阶段加分及所需要的数据如下：
9、
10、
11、其中，w是轴承前85%原始频域特征与重构频域特征之间的平均残差。当
12、xi的平均残差超过三个标准差加阈值w时，将第i采样时刻的数据划分为轴承故障数据。
13、综合上述的两种方法，构建新的轴承故障测试集ytest_c。
14、步骤二：tfm特征数据集构建
15、首先，使用cwt分别提取轴承训练集与测试集的时频特征，并生成时频谱图tfm；然后，利用双线性插值算法与图像通道拼接，将轴承数据各个方向的tfm进行降维并拼接，组成新的轴承tfm特征训练集与测试集。
16、步骤三：生成真实的健康标签
17、为轴承tfm特征训练集添加真实寿命标签，定义如下：
18、
19、其中authi为真实寿命标签，当authi为0时轴承健康，authi为1时轴承完全失效。
20、步骤四：hi预测网络的训练
21、将步骤三和步骤四生成的tfm特征训练集数据与标签输入由通道注意力、残差卷积网络组成的rul预测网络中训练。当网络收敛到一定的mse值后或训练到设定的循环次数后停止训练，并保存网络权重，得到训练好的hi预测网络。
22、步骤五：测试集轴承hi预测：
23、将步骤二生成测试集中的轴承tfm数据输入训练好的hi预测网络中得到测试集中每个轴承的预测hi。
24、步骤六：测试集轴承rul预测：
25、首先，使用均值平滑去除轴承预测hi中的异常点，并收敛退化趋势；然后，利用多项式拟合平滑后的预测hi，得到回归方程，通过进一步计算得到轴承的预测rul。
26、本专利技术采用以上技术方案与现有技术相比，具有以下的有益之处：
27、（1）本专利技术的rul预测网络中，通道注意力可以同是关注退化数据的在通道方向上的有效退化特征，给与有效特征更高的权重。残差卷积网络在增加网络深度的同时避免了网络性能下降。
28、（2）本专利技术将rul预测模型与轴承退化的专家知识相结合，不仅减少了网络的计算量，而且减少了预测过程中的冗余无效数据，提高了rul预测精度。
本文档来自技高网...【技术保护点】
1.一种基于时频分析与深度学习的轴承剩余寿命预测方法，是由连续小波变换，深度学习为残差卷积神经网络与通道注意力机制组成，其特征在于，通过CWT将将轴承的原始振动数据处理为时频谱图（Time - Frequency Map，TFM），基于通道注意力与残差卷积网络构建RUL预测模型并使用轴承训练集的TFM数据进行训练，得到性能指标最好的模型，基于训练好的模型对轴承测试集的TFM进行深层退化特征提取与健康因子（HI）计算，并使用均值平滑HI、多项式回归拟合所有的HI得到轴承的RUL。
2.如权利要求1所述的一种基于时频分析与深度学习的轴承剩余寿命预测方法，其实现步骤如下：步骤一：首先将采集到的所有滚动轴承的全寿命振动加速度数据划分为训练集与测试集，其中Xn代表训练集中第n个轴承的全寿命振动加速度数据，Yn代表测试集中第n个轴承的全寿命振动加速度数据，针对滚动轴承在整个生命周期中大部分时间运行在健康或者润滑不足（轻微劣化）阶段，本专利技术通过专家知识与正态分布将轴承的失效阶段划分出来，构建成新的轴承测试集，基于相应的专家知识判断轴承振动加速度信号的有效值，当轴承某个采样时刻的
...【技术特征摘要】
1.一种基于时频分析与深度学习的轴承剩余寿命预测方法，是由连续小波变换，深度学习为残差卷积神经网络与通道注意力机制组成，其特征在于，通过cwt将将轴承的原始振动数据处理为时频谱图（time - frequency map，tfm），基于通道注意力与残差卷积网络构建rul预测模型并使用轴承训练集的tfm数据进行训练，得到性能指标最好的模型，基于训练好的模型对轴承测试集的tfm进行深层退化特征提取与健康因子（hi）计算，并使用均值平滑hi、多项式回归拟合所有的hi得到轴承的rul。
2.如权利要求1所述的一种基于时频分析与深度学习的轴承剩余寿命预测方法，其实现步骤如下：步骤一：首先将采集到的所有滚动轴承的全寿命振动加速度数据划分为训练集与测试集，其中xn代表训练集中第n个轴承的全寿命振动加速度数据，yn代表测试集中第n个轴承的全寿命振动加速度数据，针对滚动轴承在整个生命周期中大部分时间运行在健康或者润滑不足（轻微劣化）阶段，本发明通过专家知识与正态分布将轴承的失效阶段划分出来，构建成新的轴承测试集，基于相应的专家知识判断轴承振动加速度信号的有效值，当轴承某个采样时刻的rms值超过该轴承前50%寿命周期的rms值，则认定其为轴承故障数据，正态...
【专利技术属性】
技术研发人员：卜振飞，左明健，饶猛，靳亚强，
申请(专利权)人：青岛明思为科技有限公司，
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。