[发明专利]一种滚动轴承剩余寿命预测方法

说明书

本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。

技术领域

本发明涉及滚动轴承寿命预测领域，特别是涉及一种滚动轴承剩余寿命预测方法。

背景技术

滚动轴承是绝大多数机械设备中都包含的关键零部件，机械设备的健康状态与滚动轴承的健康状态息息相关，研究滚动轴承剩余寿命预测方法能够预防机械设备发生故障导致宕机或人员伤亡，对提高机械设备工作效率至关重要。

在实际工程应用中，为了更好地将轴承振动信号应用于后续的故障诊断或剩余寿命预测任务，需要从滚动轴承振动信号中提取能够反映其特性的特征信息，为了实现更高的故障诊断和剩余寿命预测准确率，采用特征增强的方法对滚动轴承特征信息进行处理，但现有的特征增强方法存在对于噪声成分较为敏感，或由于滚动轴承信号的复杂性，对时间相关特征表达能力不强而导致重要的特征信息不明显。

剩余寿命趋势预测通常采用统计学原理、数据、深度学习等，前两者存在数据拟合能力、特征学习较弱的问题，会直接影响预测精度，深度学习通常采用单一尺度下学习特征具有局限性，同样存在影响预测精度的问题。

发明内容

为了解决上述问题，本发明提供了一种滚动轴承剩余寿命预测方法，能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。

本发明提供了一种滚动轴承剩余寿命预测方法，包括如下步骤：

S1、提取原始振动信号，并降噪处理；

S2、将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；

S3、将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。

进一步的，步骤S2包括：

S21、分解出降噪后信号中的低共振分量X；

S22、将所述低共振分量X重构为若干个短时序列，进而得到多维短时序列矩阵：Y＝{Y₁、Y₂，Y₃，…Y_N}；

S23、将所述短时序列通过时延分段和相空间稀疏重构处理得到灰度图像，计算灰度图像中所有像素点的概率分布；

S24、根据所述像素点概率分布得到各短时序列的多尺度排列熵值，进而得到多尺度排列熵值矩阵，对所述多尺度排列熵值矩阵进行降维融合处理，得到多尺度融合排列熵特征。

进一步的，步骤S21的分解方法采用共振稀疏分解方法。

进一步的，步骤S22的重构方法采用滑动窗口切片方法。

进一步的，步骤S23包括：

S231、将每个短时序列Y_i分别重构为多维矩阵A_i；

S232、对所述多维矩阵A_i进行归一化处理，并根据矩阵对应位置的数值，转换为相应的像素点，进而得到灰度图像A′_i；

S233、利用直方图均衡方法增强所述灰度图像A′_i中的特征信息；

S234、计算所述灰度图像A′_i的像素概率分布H_i。

进一步的，步骤S24包括：