[发明专利]一种用于滚动轴承的寿命预测方法

说明书

本发明实施例公开了一种用于滚动轴承的寿命预测方法，涉及滚动轴承技术领域，能够提高滚动轴承寿命预测的准确性。本发明包括：从所采集的滚动轴承的振动信号中，提取所述振动信号的信号特征；根据所述信号特征局限性降维处理得到初始特征矩阵，再利用所述初始特征矩阵进行非线性拟合处理，得到特征矩阵；通过所得到的特征矩阵构成样本段，并上传至训练数据库和测试数据库；利用所述训练数据库对所建立的时间卷积网络模型进行训练；将所述测试数据库中的测试数据输入经过训练的卷积网络模型，并得到故障诊断结果。本发明适用于滚动轴承设计。

技术领域

本发明涉及滚动轴承技术领域，尤其涉及一种用于滚动轴承的寿命预测方法。

背景技术

滚动轴承被誉为“工业的关节”，在航空航天、风力发电等领域被广泛应用，旋转机械的失效很多都是由于滚动轴承故障引起，一旦故障发生，轻则造成财产损失、重则造成人员伤亡。因此，针对滚动轴承进行状态检测，获取机械设备状态，估测滚动轴承寿命，从而对可能出现的故障进行预警是很有必要的。

现有的智能预测方法通常是针对某变量历史数据中的信息来提取特征，根据这些特征来预测该变量未来一段时间的变化趋势。然而，在历史数据较为庞大的情况下，传统数据预测方法提取得到的特征呈现出的时间整体关联性会减弱，不能够反映整个历史数据所隐含的规律，进而导致预测精度变差，有些方法还容易导致过拟合问题。

发明内容

本发明的实施例提供一种用于滚动轴承的寿命预测方法，能够提高滚动轴承寿命预测的准确性。

为达到上述目的，本发明的实施例采用如下技术方案：

从所采集的滚动轴承的振动信号中，提取所述振动信号的信号特征；

根据所述信号特征局限性降维处理得到初始特征矩阵，再利用所述初始特征矩阵进行非线性拟合处理，得到特征矩阵；

通过所得到的特征矩阵构成样本段，并上传至训练数据库和测试数据库；

利用所述训练数据库对所建立的时间卷积网络模型进行训练；

将所述测试数据库中的测试数据输入经过训练的卷积网络模型，并得到故障诊断结果。

本发明实施例提供的用于滚动轴承的寿命预测方法，基于时间卷积网络进行滚动轴承的寿命预测。其中通过时间卷积网络相较传统的神经网络可以并行处理时序数据和对感受野可以灵活改变的特点，在相同条件下可以比传统神经网络提取得到更多的信息，提高了对更长、更复杂的设备历史数据进行处理的能力，能够提高寿命预测的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种可能的实现方式中的具体事例的实现流程示意图；

图2为本发明实施例提供的获取最终特征矩阵的示意图；

图3为本发明实施例提供的时间卷积网络训练以及测试过程的示意图；

图4为本发明实施例提供的时间卷积网络训练流程示意图；

图5为本发明实施例提供的时间卷积网络残差链接部分示意图；

图6为本发明实施例提供的方法流程的示意图。

具体实施方式