[发明专利]基于多模块U-BiLSTM网络的轴承寿命预测方法

权利要求书

1.基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，包括以下步骤：

S1、分别采集同工况下滚动轴承全寿命周期的振动加速度信号训练数据x_S(t)和待预测数据x_T(t)；

S2、对步骤S1中采集得到的训练数据和待预测数据标准化处理后，使用时间窗嵌入策略对训练数据和待预测数据进行数据预处理，获得训练集和待预测集；

S3、构建多模块U-BiLSTM神经网络寿命预测模型，其中，多模块U网络用于特征提取，BiLSTM网络用于回归预测；

S4、将滚动轴承实际剩余使用寿命(RUL)占全寿命周期的百分比作为对应标签，将训练集作为输入数据输入到多模块U-BiLSTM神经网络寿命预测模型进行迭代训练，直至损失函数达到预设值，得到训练后的多模块U-BiLSTM神经网络寿命预测模型；

S5、将待预测集输入到完成训练后的多模块U-BiLSTM神经网络寿命预测模型中，输出轴承剩余使用寿命的预测结果。

2.根据权利要求1所述的基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，步骤S1具体包括以下步骤：

S1.1、根据右手定则建立三维空间坐标系：X轴平行于轴承所在轴的轴向，正方向指向电机侧；Z轴垂直于地面，正方向竖直向上；Y轴正向由右手定则确定；

S1.2、安装传感器：将两个单向加速度传感器分别通过磁座固定于被测滚动轴承的水平和竖直方向上，用于测量被测滚动轴承的振动加速度数据；将传感器、数据采集系统和计算机正确连接；

S1.3、设置数据采集参数：设置采样总时长为T，采样频率设为f_s，则对应的采样时间间隔Δt＝1/f_s，采样点数N＝f_s·T，记采集的时域振动加速度信号为x(t)；

S1.4、将采集得到的滚动轴承时域振动加速度信号x(t)按时间区分，前一部分时间中的时域振动加速度信号为x(t)作为训练数据x_S(t)，后一部分时间中的时域振动加速度信号为x(t)作为待预测数据x_T(t)。

3.根据权利要求1所述的基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，步骤S2中，为尽量减小同工况下不同轴承全寿命周期的差异对所提模型预测精度的影响，对采集得到的训练数据x_S(t)和待预测数据x_T(t)分别做标准化处理，标准化公式为：

其中，x_t为采集得到的原始数据，包括训练数据x_S(t)和待预测数据x_T(t)；μ为原始数据的均值，σ为原始数据的标准差，x^t_norm表示标准化后的原始数据。

4.根据权利要求3所述的基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，步骤S2中，标准化后，利用时间窗嵌入策略对得到的标准化后的训练数据和待预测数据进行数据预处理，获得训练集X_S和待预测集X_T，时间窗嵌入策略得到的训练集和待预测集分别由一定时间窗大小的振动信号及其前S-1个步长的信号组成，表示为：

其中，为标准化后t时刻的数据，为标准化后t-S+1时刻的数据，x^t_input为t时刻的样本，S为时间窗滑动时的总步长。

5.根据权利要求1所述的基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，步骤S3中，所述多模块U-BiLSTM寿命预测神经网络模型包括顺次连接的编码器、解码器和回归器；

编码器包括顺次连接的第一模块和第二模块，第一模块为二维卷积神经网络，提取振动信号数据的浅层特征；第二模块包括顺次连接的残差块和二维深度卷积可分神经网络；

解码器包括第三模块，第三模块包括顺次连接的逆卷积层、池化层和批归一化层；

回归器包括顺次连接的双向长短时记忆神经网络和全连接层；

其中，编码器和解码器按照顺序线性连接并统称为多模块U网络，回归器称为BiLSTM网络。