[发明专利]一种伺服电机滚动轴承剩余使用寿命预测方法

说明书

本发明具体公开了一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法包括以下步骤：S1、采集多种工况下滚动轴承的振动加速度信号；S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器进行深层次的特征学习和特征压缩以构建退化特征向量；S4、将所构建的退化特征向量输入深层门控循环单元网络中进行训练；S5、采集待预测滚动轴承的振动加速度信号并重复步骤S2和步骤S3，然后将待预测滚动轴承对应的退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络中预测出实际剩余使用寿命。本发明可准确预测出伺服电机滚动轴承的剩余使用寿命。

技术领域

本发明涉及电机设备故障预测与健康管理技术领域，尤其涉及一种伺服电机滚动轴承剩余使用寿命预测方法。

背景技术

近年来，伺服电机被广泛地应用在工业机器人及数控机床中。有研究表明，相当一部分伺服电机的故障是由于滚动轴承故障导致的。一旦轴承发生故障，会影响电机其他部件的正常运转，有可能会导致整个机器人或机床瘫痪，严重时，甚至会带来安全风险。为了预防因轴承故障而造成的电机异常，需要实时监测轴承的健康状态，评估电机轴承的剩余使用寿命(Remaining Useful Life,RUL)，以方便有关人员制定有效的维修策略。

轴承RUL预测主要有两种方法，一种是基于模型的方法，这种方法需要建立数学模型来准确描述轴承的退化，目前来说是一个难以解决的复杂问题。另一种是基于数据驱动的方法，这种方法旨在通过大数据计算和人工智能来挖掘轴承当前状态数据与RUL之间的潜在关系。近年来，随着传感器、工业物联网技术、深度学习技术的发展，基于历史工业大数据的数据驱动方法一直是国内外学者研究的重点。其主要由轴承退化特征空间构建和剩余寿命预测模型构建两部分组成。在退化特征空间构建方面，国内外学者往往通过一系列信号处理方法从轴承传感器信号中提取许多特征以构建退化特征空间，但所提取的特征中含有大量冗余特征，难以提取最佳特征且难以进行有效的特征压缩，这将导致模型训练困难和过度拟合。在剩余寿命模型构建方面，大多数学者选择机器学习算法处理输入特征以得到轴承的剩余寿命，但是这些模型往往独立地考虑每个时间点，没有考虑时间序列不同时间步之间的关联性，丢弃了历史数据中的大量信息，往往会出现预测值偏离真实值较大的情况。

鉴于此，设计一种能够准确有效的预测出伺服电机滚动轴承剩余使用寿命的预测方法是本技术领域技术人员亟待解决的技术问题。

发明内容

本发明的目的是提供一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法可以准确预测出所述伺服电机滚动轴承的真实剩余使用寿命。

为解决上述技术问题，本发明提供一种伺服电机滚动轴承剩余使用寿命预测方法，包括以下步骤：

S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；

S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；

S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；

S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；

S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。

优选地，所述步骤S1中滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。

优选地，所述步骤S2的具体实现方式包括：