[发明专利]一种基于TCN和BLS的滚动轴承的寿命预测方法及装置

权利要求书

1.一种基于TCN和BLS的滚动轴承的寿命预测方法，其特征在于，包括：

S1、采集全寿命周期的振动信号；

S2、对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集；

S3、将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入；

S4、在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果；

在步骤S2中，对采集得到的振动信号进行预处理的过程中，包括：

对采集得到的振动信号进行一阶差分运算去除噪声；

通过自编码器提取振动信号的特征矩阵，并作为原始特征；

在步骤S3中包括：利用所述时间卷积网络模型，对输入的振动信号时间序列进行特征提取，得到映射特征；对映射特征进行函数映射，得到增强特征，利用映射特征和增强特征得到最终特征，将所述最终特征输入所述宽度学习模型；

所述宽度学习模型为采用构建时间卷积网络-宽度学习模型的方式构建时间卷积网络-宽度学习模型，其中含有的三个模块：

映射节点模块f_TCN：将输入层的特征矩阵X通过时间卷积网络进行映射，得到进一步提取的映射特征X_TCN；

增强节点模块f_L，将映射特征X_TCN进行函数映射变换，得到增强特征X_TCNL；

结果输出模块f_OUT，将映射特征X_TCN和增强特征X_TCNL共同作为宽度学习网络隐含层的输入，输出得到预测结果y_OUT，使y_OUT尽可能地接近实际寿命y：

y_OUT＝f_OUT(X_TCN|X_TCNL)；

所述通过所述训练集训练所述宽度学习模型，包括：

将所述训练集输入所述宽度学习模型；

损失函数使用均方根误差RMSE，并通过平均绝对百分比误差MAPE，检测所述宽度学习模型的预测精度，其中：

RMSE为：

MAPE为：

m表示数据个数，i表示从1至m的常数，y表示实际寿命，y_OUT表示预测得到的寿命结果；

并利用矩阵伪逆运算对隐藏层到输出层的权重W_m进行迭代更替，直至损失函数稳定不再下降；

所述利用矩阵伪逆运算对隐藏层到输出层的权重W_m进行迭代更替，包括：

W_m＝[(X_TCN|X_TCNL)^T(X_TCN|X_TCNL)+CI]^-1(X_TCN|X_TCNL)^Ty_mid

其中，y_mid是上一个训练周期得到的寿命预测结果，当全部训练周期结束后，可认为y_mid＝y_OUT；y为实际寿命，C为常数，I为单位矩阵，X_TCN表示映射特征，X_TCNL表示增强特征。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中包括：

采集所述滚动轴承在运行过程中的振动信号，所述振动信号的方向包括水平方向和竖直方向，采样频率为25.6kHz。