[发明专利]基于多模块U-BiLSTM网络的轴承寿命预测方法

说明书

本发明公开了基于多模块U‑BiLSTM网络的轴承寿命预测方法。所述方法包括以下步骤：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)；对采集得到的训练数据和待预测数据标准化处理后，进行数据预处理，获得训练集和待预测集；构建多模块U‑BiLSTM神经网络寿命预测模型；训练集多模块U‑BiLSTM神经网络寿命预测模型，得到训练后的多模块U‑BiLSTM神经网络寿命预测模型；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。本发明可实现对轴承寿命预测过程中深层特征的提取和利用，整体上具有更好的综合预测性能。

技术领域

本发明属于旋转机械寿命预测领域，具体涉及基于多模块U-BiLSTM网络的轴承寿命预测方法。

背景技术

轴承承载能力大，在汽车、船舶、航空等众多领域中应用广泛。但一般轴承工作环境比较恶劣，容易发生故障，轻则影响设备使用寿命，重则引发重大财产损失和人员伤亡，所以对轴承进行高精度寿命预测具有重要意义。近年来，在寿命预测领域，许多专家学者对基于卷积神经网络和循环神经网络的数据驱动方法开展了研究。该类研究基于信号时序特征进行可靠性分析。

常用的寿命预测领域数据驱动方法有将时间窗口法和一维卷积神经网络结合的寿命预测方法(Li X,Ding Q,Sun J Q.Remaining useful life estimation inprognostics using deep convolution neural networks[J].ReliabilityEngineeringSystem Safety,2018,172:1-11.)和生成对抗网络和长短时记忆神经网络相结合的寿命预测方法(Lu H,Barzegar V,Nemani V P,et al.GAN-LSTM predictor forfailure prognostics of rolling element bearings[C]//2021IEEE InternationalConference on Prognostics and Health Management(ICPHM).IEEE,2021:1-8.)，以上寿命预测方法均以传统神经网络为主，较难提取长时间序列的深层特征，对长时间序列的历史信息利用率低。现有的将一维信号转化为二维图像，并利用U-Net神经网络提取深层特征的寿命预测新方法(Eid A,Clerc G,Mansouri B.A Novel Deep Soft Clustering forUnsupervised Univariate Times Series[C]//2021IEEE International Conference onPrognostics and Health Management(ICPHM).IEEE,2021:1-8.)优化了长时间序列特征提取过程，但并未考虑U-Net神经网络对输入图像尺寸有严格限制，处理长时间序列耗时长和长短时记忆神经网络对实时信息敏感度高，对长时间序列的历史信息利用率低的问题，最终导致轴承寿命预测精度下降。

发明内容

本发明的目的是针对现有技术的不足，提供。将多模块U网络和双向长短时记忆神经网络相结合，实现对轴承寿命预测过程中深层特征的提取和利用，整体上具有更好的综合预测性能。

本发明的目的至少通过如下技术方案之一实现。

基于多模块U-BiLSTM网络的轴承寿命预测方法，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；