[发明专利]一种基于多分辨率特征提取与Bi-LSTM网络的轴承退化趋势预测方法

权利要求书

1.一种基于多分辨率特征提取与Bi-LSTM网络的轴承退化趋势预测方法，其特征在于，包括以下步骤：

S1：获取轴承加速寿命试验中的从开始至完全失效的振动加速度信号；

S2：对所采用的振动信号进行时域分析，提取多角度特征值，初步构建全面描述轴承运行状态的特征集；

S3：分析特征集的趋势性与相关性，选择合适的特征；

S4：将该特征输入多分辨率奇异值分解方法，利用单调性确定合适的分解层数，构建敏感特征；

S5：将敏感特征进行[0,1]归一化处理后，由μ+3σ准则确定起始预测点，划分训练集和预测集；

S6：构建Bi-LSTM网络框架，将归一化处理后的敏感特征作为输入，得到全面表征轴承运行状态的健康指标；

S7：通过训练集训练、预测集验证所述Bi-LSTM网络；

S8：将训练和预测后的健康指标进行反归一化处理转化为预测的轴承退化趋势，构建模型评价指标评价预测退化趋势的精度。

2.根据权利要求1所述的一种轴承退化趋势预测方法，其特征在于：在步骤S2中，时域分析中所包含的滚动轴承适于特征包括均方根值、方差、峰值、均值、绝对均值、峭度。

3.根据权利要求1所述的一种轴承退化趋势预测方法，趋势指标定义为相关度指标定义为最后选择具有较好物理性的特征(如：均方根值)。

4.根据权利要求1所述的一种轴承退化趋势预测方法，其特征在于：在步骤S4中，对所选特征进行奇异值分解，根据某层(如第四层)近似分量单调性最好的原则选择多分辨率奇异值分解结果，停止分解，得到去除随机噪声的近似分量作为敏感特征；单调性指标定义为

5.根据权利要求1所述的一种轴承退化趋势预测方法，其特征在于：在步骤S5中，归一化处理模型为在均方根值值域建立窗宽为n的滑动窗口，对窗口内n个均方根值做线性回归拟合运算RMS＝wt+b，因此窗口每向前滑动一个时刻就会根据该窗口内包含的n个均方根值重新确定斜率w和截距b，其中其中系数w表示均方根值相对于时间t的斜率，以w的绝对值大小建立阈值；阈值由轴承健康阶段数据的平均值μ和标准差σ决定，通过计算μ+3σ确定阈值，当新计算出的w连续n次(如设置n＝5)大于阈值时判定起始预测点；起始预测点之前划分为训练集，起始预测点之后划分为测试集。

6.根据权利要求1所述的一种轴承退化趋势预测方法，其特征在于：在步骤S7中，所述Bi-LSTM网络(双向长短时记忆网络)包括一层输入层、多层隐藏层和一层输出层；采用反向传播算法和梯度下降算法，训练优化算法为Adam，损失函数为均方根值误差，输出层激活函数为tanh函数，其他参数设置为默认值，训练300个回合。

7.根据权利要求1所述的一种轴承退化趋势预测方法，其特征在于：在步骤S8中，反归一化模型为x_scaled＝x_std×(x_max-x_min)+x_min，采用均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R²)及相关度(Con)来评价预测的精度，并与LSTM网络(长短时记忆网络)的预测结果进行对比。