[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

说明书

本发明涉及一种基于深度学习的轴承剩余寿命预测方法及系统，预测方法包括以下步骤：获取轴承的原始数据，得到训练集；构建CNN网络，使用CNN网络对原始数据进行特征提取，得到第一特征序列；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；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，使用第二特征序列对ABi‑LSTM网络进行训练；获取待预测的轴承的运行数据，使用完成训练的ABi‑LSTM网络模型得到轴承的剩余寿命预测值。与现有技术相比，本发明通过CNN网络和tsfresh进行特征提取，得到的特征可靠性更高，剔除了噪声信号等杂质信号，准确的提取与轴承寿命有关的特征，以便为后续训练Bi‑LSTM网络计算RUL得出更准确的结果。

技术领域

本发明涉及一种轴承剩余寿命预测方法，尤其是涉及一种基于深度学习的轴承剩余寿命预测方法及系统。

背景技术

滚动轴承承载着旋转机械设备正常运行的任务，任何意外的轴承故障都会带来机械系统故障，如疲劳脱落、打滑，甚至造成安全事故。对于以工态为基础的旋转机械维修策略而言，轴承剩余使用寿命的估算是避免此类事故的主要途径之一。机器的剩余使用寿命(RUL)是指设备当前使用时间到设备损坏时的时间差值。传统上，可以研究设备退化机理，建立失效模型来预测设备剩余使用寿命，但此方法需要大量的专业知识，建模复杂，难以普遍应用。随着深度学习的发展，数据驱动的方法成为主流，基于数据驱动的预测方法利用采集的轴承退化过程的监测数据，评估轴承的剩余使用寿命，能够准确地监测对象的动态数据，调整模型参数。

一般来说，数据驱动的RUL预测分为四步：数据采集、特征提取、退化行为学习和RUL估计，相比于复杂的基于物理模型的方法，易于实现的数据驱动方法被越来越多的研究人员使用。数据驱动方法几乎不需要学习设备运行机理等领域知识，只需从状态监测数据中提取与可靠性有关的信息，建立数据与RUL之间的关系，就可以实现对RUL的预测。深度学习以其强大的自适应特征提取能力、非线性函数表征能力获得了广泛关注，并为滚动轴承振动信号的特征提取提供了新的解决思路。但是，由于网络结构的固有缺陷，滚动轴承振动信号中的代表性特征很难完全暴露出来，造成重要信息的丢失，从而导致RUL预测的不稳定。

常见的深度学习网络有CNN卷积神经网络、RNN网络、AlexNet网络和VGG等等，CNN框架来处理空间特征，具有强大的特征提取能力和低计算复杂度，但因为其前馈神经网络的限制，只能考虑当前的输入，因此会造成数据的丢失；RNN可以使用其内部存储器来处理任意序列，循坏的神经网络能够对时间序列信息进行预测，但因为RNN中神经元的输出可以在下一个时间段直接作用到自身，因此会出现“梯度消失”的现象，无法解决长时依赖的问题。使用单一深度学习网络进行RUL预测的效果不够理想，因此，需要一种更优的RUL预测方法。

公开号为CN109726524A的中国发明专利公开了一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，使用CNN挖掘深度特征，使用LSTM网络进行趋势性量化健康指标的构建，预测滚动轴承的RUL，但是，在进行特征提取时仍受限于CNN框架，LSTM能够克服RNN的梯度消失问题，但是在预测精度方面仍有所欠缺。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的轴承剩余寿命预测方法及系统，通过CNN网络和tsfresh进行特征提取，得到的特征可靠性更高，剔除了噪声信号等杂质信号，准确的提取与轴承寿命有关的特征，以便为后续训练Bi-LSTM网络计算RUL得出更准确的结果。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的轴承剩余寿命预测方法，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；