[发明专利]一种基于深度学习的轴承剩余寿命预测方法及系统

权利要求书

1.一种基于深度学习的轴承剩余寿命预测方法，其特征在于，包括以下步骤：

S1、获取轴承的原始数据，得到训练集；

S2、构建CNN网络，使用CNN网络对训练集中的原始数据进行特征提取，得到第一特征序列；

S3、使用tsfresh特征提取工具对第一特征序列进行特征提取，得到第二特征序列；

S4、构建Bi-LSTM网络，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，将第二特征序列输入ABi-LSTM网络，对ABi-LSTM网络进行训练，得到完成训练的ABi-LSTM网络模型；

S5、获取待预测的轴承的运行数据，对运行数据进行CNN网络特征提取、tsfresh特征提取后输入ABi-LSTM网络模型，得到轴承的剩余寿命预测值。

2.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S1具体为：采集轴承在不同工况下的振动信号，获取轴承的实际剩余寿命，对振动信号进行快速傅里叶变换，得到原始数据，将原始数据划分为训练集和测试集。

3.根据权利要求2所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S5中，还包括使用测试集的原始数据对ABi-LSTM网络进行验证。

4.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S2中，CNN网络中包括卷积层、池化层、Dropout层和全连接层，所述池化层为最大值池化层。

5.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S3中，使用tsfresh的自回归模型方程对第一特征序列进行特征提取。

6.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S4中，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，所述注意力机制用于对Bi-LSTM网络中的第二特征序列进行权值分配；所述ABi-LSTM网络包括输入层、隐藏层、Attention层、全连接层和输出层。

7.根据权利要求6所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，所述隐藏层包括前向LSTM网络和后向LSTM网络，隐藏层的输出包括前向LSTM网络的前向状态输出以及后向LSTM网络的后向状态输出。

8.根据权利要求6所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，所述Attention层基于预设置的查询query和预设置的键key对第二特征序列进行权值value的分配。

9.一种基于深度学习的轴承剩余寿命预测系统，其特征在于，基于如权利要求1-8中任一所述的轴承剩余寿命预测方法，包括：

数据处理单元，对获取的轴承数据进行预处理后输入特征提取单元；

特征提取单元，通过CNN网络和tsfresh特征提取工具对输入的数据进行特征提取，得到第二特征序列；

模型训练单元，基于第二特征序列对ABi-LSTM网络进行训练，直至ABi-LSTM网络的准确度满足预设置的准确度阈值；

寿命预测单元，基于完成训练的ABi-LSTM网络和第二特征序列得到轴承的剩余寿命预测值。

10.根据权利要求9所述的一种基于深度学习的轴承剩余寿命预测系统，其特征在于，所述数据处理单元中对轴承数据进行预处理包括：除噪和快速傅里叶变换。