[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

说明书

本发明实施例公开了一种基于TCN和BLS的滚动轴承的寿命预测方法及装置，涉及滚动轴承故障诊断领域，能够提高滚动轴承寿命预测的精度。本发明包括：采集全寿命周期的振动信号。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。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。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。

技术领域

本发明涉及滚动轴承故障诊断领域，尤其涉及一种基于TCN(宽度学习)和 BLS(时间卷积网络)的滚动轴承的寿命预测方法及装置。

背景技术

滚动轴承是一种可以将滑动摩擦变成滚动摩擦的机械元件，有效减小了摩擦损失的消耗，此外，它还有便于拆卸、可大批生产和对速度、载荷波动不敏感等优点。但是，一旦经过长期工作，滚动轴承易出现问题，轻则造成财产损失，重则造成人员伤亡。因此，针对滚动轴承的状态进行检测，利用现有智能方法来预测滚动轴承寿命是具有很重要的意义的。

在针对滚动轴承的寿命预测过程中，特征提取是很重要的。传统方法一般是采集数据的均值、方差、峭度等时频域特征作为预测输入，但这些特征并不一定能全面反映寿命的变化趋势，需要进一步发展出运用智能化方法提取特征成的方案。

现有的智能预测方法在传统方法的基础上加入了各类神经网络来增加预测精度。然而，在许多带有深度网络的预测方法中，例如常见的RNN(循环神经网络)、LSTM(长短期记忆网络)等所采用的网络通常较深，因而具有较深的复杂度，这就导致想要得到准确结果的一大前提是需要更好的硬件设备配置和算力来匹配较深的网络模型，否则，强行使用带深度网络的预测方法会使预测结果达不到预期，或者计算时长过长。因此在实际应用中存在硬件成本高，算力资源占用大的问题，而若要提升滚动轴承寿命预测的精度，则需要占用更大的计算资源。

发明内容

本发明的实施例提供一种基于TCN和BLS的滚动轴承的寿命预测方法，能够提高滚动轴承寿命预测的精度。

为达到上述目的，本发明的实施例采用如下技术方案：

一方面，提供一种基于TCN和BLS的滚动轴承的寿命预测方法，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。

另一方面，提供一种基于TCN和BLS的滚动轴承的寿命预测装置，包括：

采集模块，用于采集全寿命周期的振动信号；

预处理模块，用于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；

训练模块，用于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；

预测模块，用于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。