[发明专利]一种旋转机械剩余使用寿命预测方法及系统

说明书

本发明公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN‑LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值；训练后的ChebGCN‑LSTM预测模型获取方法为：构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN‑LSTM预测模型，并将训练路径图输入ChebGCN‑LSTM预测模型训练，得到训练后的ChebGCN‑LSTM预测模型。本发明使用路径图，表示信号的时间和空间依赖关系，将更全面地表征旋转机械退化状态；使用ChebGCN‑LSTM预测模型，克服了传统ChebGCN在表征信号全局时间相关性上的缺陷和不足，提高了预测精度。

技术领域

本发明属于旋转机械剩余使用寿命预测技术领域，更具体地，涉及一种旋转机械剩余使用寿命预测方法及系统。

背景技术

旋转机械作为传动系统的关键组件，已广泛用于现代制造和工业过程中，其运行状态的好坏将直接影响整台设备性能。如果能在旋转机械失效前，准确地预测出其剩余使用寿命，便可及时采取一定的措施对设备进行维护，从而避免造成重大的经济损失、甚至人员伤亡。

旋转机械的剩余使用寿命预测方法总体上可分为两大类，分别为基于解析模型的方法和基于数据驱动的方法。其中，基于解析模型的方法是通过构建旋转机械性能退化过程的数学或物理模型进行剩余使用寿命预测，但由于旋转机械运行环境变得愈加复杂，构建解析模型的方法变得愈发困难；基于数据驱动的方法受益于机器学习的发展，可以从海量监测数据中模拟出旋转机械性能退化过程的模糊函数，进而实现对旋转机械的剩余使用寿命预测。因此，基于数据驱动的旋转机械剩余使用寿命预测方法近年来受到国内外众多学者的青睐和探究，逐步成为主流方法。

旋转机械剩余使用寿命预测本质上是时间序列预测问题，而以循环神经网络为代表的新一代人工智能技术在时间序列处理方面具有明显的优越性，然而这些方法更多地去关注信号的时间依赖性，而忽略了信号的空间依赖性。事实上，信号的空间依赖性提供了更多的特征信息。图作为一种非欧几里得数据，与传统的欧式数据相比，其边可以用来表示信号的空间依赖关系，因此采用图数据分析并预测剩余使用寿命，其效果将得到进一步提高。基于此，本发明综合图数据表示信号空间依赖关系以及循环神经网络捕捉信号时间信息的优点，提出一种旋转机械剩余使用寿命预测方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种旋转机械剩余使用寿命预测方法及系统，旨在解决现有技术中旋转机械振动信号的空间依赖关系未被充分关注导致的旋转机械剩余使用寿命预测精度低的问题。

为实现上述目的，按照本发明的一个方面，提供了一种旋转机械剩余使用寿命预测方法，包括：

获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；

将预测路径图输入训练后的ChebGCN-LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值。

进一步的，训练后的ChebGCN-LSTM预测模型获取方法为：

获取旋转机械处于不同寿命时期下的振动信号，将其作为训练样本，根据训练样本构建训练路径图；

构建基于ChebGCN(切比雪夫图卷积网络)和BiLSTM(双向长短时记忆网络)的旋转机械剩余使用寿命的ChebGCN-LSTM预测模型，并将训练路径图输入ChebGCN-LSTM预测模型训练，得到训练后的ChebGCN-LSTM预测模型。

进一步的，路径图的构建方法为：

提取样本的时域统计指标，将振动信号视为节点，时域统计指标视为节点特征，振动信号所处寿命时期的先后排列顺序视为边，每个节点与其前后的相邻节点之间用边连接构建成路径图；