[发明专利]一种滚动轴承服役寿命评估方法

说明书

本发明涉及一种滚动轴承服役寿命评估方法，属于轴承技术领域，本方法基于多尺度膨胀卷积融合神经网络，通过深度可分离卷积减少网络模型参量和计算量，具体方法包括：步骤一：提取轴承转动的原始信号进行常规卷积处理；步骤二：对所述步骤一中得到的矩阵进行最大池化处理；步骤三：对所述步骤二中的结果进行残差块连接结构的处理；步骤四：对所述步骤三中的结果进行随机丢弃操作；步骤五：对所述步骤四中的结果全连接，得到滚动轴承寿命预测值。本方法可有效用于滚动轴承服役寿命评估研究，具有较好的寿命预测准确性及运算效率。

技术领域

本发明属于轴承技术领域，涉及到一种评估方法，具体为滚动轴承服役寿命评估方法方法。

背景技术

随着工业4.0和物联网的不断发展，故障预测与健康管理(Prognostics healthmanagement,PHM)技术被广泛用于机械装备中关键旋转部件的故障诊断研究。服役寿命评估是制定部件状态维修决策的一个重要影响因素，因此如何有效地从海量监测数据中挖掘特征信息，准确地进行服役寿命评估是机械系统PHM中需解决的关键问题之一。

近年来，服役寿命评估方法不断涌现，主要有基于物理模型及数据驱动两类方法。物理模型方法需要完备的动力学知识构建模型显示方程，但由于机械系统结构的复杂性，难度较大。而数据驱动方法不需掌握部件失效机理，仅通过数据分析便可较为准确地发现失效规律，简便易行。深度学习通过堆叠的多层网络结构，自动的从输入原始数据中挖掘特征信息，克服了对信号处理技术及专家知识的依赖，在分析大数据时具有明显优势，因此基于深度学习的服役寿命评估研究得到了长足发展。LSTM虽然可以挖掘信号中潜在的时序规律，但由于采用串行计算，运算效率偏低，工程应用受到较大限制。

发明内容

本发明为了解决上述问题，设计了一种滚动轴承服役寿命评估方法，基于数据驱动模型，通过构建多尺度膨胀卷积融合神经网络，采用反馈线性化与非线性高阶滑模控制相结合的方式，对于寿命预测具有较高的准确性和运算效率。

本发明的具体技术方案是：

一种滚动轴承服役寿命评估方法，本方法基于多尺度膨胀卷积融合神经网络，通过融合多尺度膨胀因子卷积操作来提取轴承服役过程中特征信息，具体方法包括：

步骤一：提取轴承转动的原始信号进行常规卷积处理；

步骤二：对所述步骤一中得到的矩阵进行最大池化处理；

步骤三：对所述步骤二中的结果进行残差块连接结构的处理；

步骤四：对所述步骤三中的结果进行随机丢弃操作；

步骤五：对所述步骤四中的结果全连接，得到滚动轴承寿命预测值。

所述步骤三中，所述残差块连接结构包括由多个多尺度膨胀卷积因子卷积操作构成的主连接，所述主连接包括：

Setp1：对上一步中的结果进行多尺度膨胀因子卷积操作；

Step2：通过层间级联，将Step1中的不同尺度的特征信息融合成新的输出特征；

Step3：对Step2中输出特征进行第二次多次都膨胀因子卷积操作，通过层间级联再次进行融合；

Step4：对Step3的输出结果进行最大池化操作，降低矩阵的维度。

根据权利要求2所述的一种滚动轴承服役寿命评估方法，其特征在于：所述步骤三还包括，存在于Step1前的Step1-1，和存在于Step3前的Step3-1，

所述Step1-1包括对对上一步骤中的结果进行BN+ReLu的卷积操作；

所述Step3-1包括对所述Step2所输出的输出特征进行BN+ReLu的卷积操作。