[发明专利]一种滚动轴承的剩余寿命的预测方法、装置及系统

说明书

本发明涉及机械设备中滚动轴承的剩余寿命预测技术领域，具体提供一种滚动轴承的剩余寿命的预测方法、装置及系统，旨在解决现有深度学习网络中的网络模型对于轴承的剩余寿命的预测结果的准确度不高的问题。为此目的，本发明的滚动轴承的剩余寿命的预测方法包括：获取滚动轴承的振动时序信号；将所述振动时序信号输入到已训练的预测模型得到所述滚动轴承剩余寿命的预测结果，其中所述预测模型为通过IWOA算法优化BiLSTM‑Attention神经网络的超参数得到的；以及以可视化形式呈现所述预测结果。该预测方法能够在失效前的任意时刻对滚动轴承进行寿命预测，并具有相对较高的预测精度和预测效果。

技术领域

本发明涉及机械设备中滚动轴承的剩余寿命预测技术领域，具体提供一种滚动轴承的剩余寿命的预测方法、装置及系统、电子设备及存储介质。

背景技术

旋转机械作为现代化工业设备的核心部件，在航空航天、水利水电、化工冶金等领域发挥了重要作用。而滚动轴承作为旋转机械的关键零件，影响着整个机械设备的运行状态，其故障发生可能导致机械设备无法实现既定功能，轻则影响工业生产并带来经济损失，重则危及从业人员的生命安全。因此，对滚动轴承进行寿命预测具有重要的指导意义。

现有的电机的滚动轴承剩余寿命预测方法主要有两大类，第一类为基于统计学寿命模型方法，该方法首先使用失效机制来模拟轴承的退化过程，然后使用统计估计技术来识别模型参数并预测剩余寿命，然而，在实际应用中，建立一个精确的退化模型需要大量的专业知识和复杂的建模技巧，这是相当困难的；第二类为另一类为基于状态监测的数据驱动方法，该方法需预先选择退化过程，其类型直接影响预测的精度；其中，基于人工智能的方法具有强大的数据处理能力，无需物理机理和专家经验，可以不断获取现有数据的信息训练并更新网络模型，在剩余寿命预测领域展现了巨大的发展前景，但目前常用的深度学习网络中的生成对抗网络(GAN)、核支持张量机(KSTM)、卷积神经网络(CNN)、ResNet网络和RNN网络等网络模型，对于滚动轴承的剩余寿命的预测结果的准确度都不高。

相应地，本领域需要一种新的滚动轴承的剩余寿命的预测方案来解决上述问题。

发明内容

为了解决现有技术中的上述问题，即为了解决现有深度学习网络中的网络模型对于轴承的剩余寿命的预测结果的准确度不高的问题，本发明提出了一种滚动轴承的剩余寿命的预测方法、装置及系统、电子设备及存储介质。

在第一方面，本发明提供一种滚动轴承的剩余寿命的预测方法，该方法包括：

获取滚动轴承的振动时序信号；

将所述振动时序信号输入到已训练的预测模型得到所述滚动轴承剩余寿命的预测结果，其中，所述预测模型为通过IWOA算法优化BiLSTM-Attention神经网络的超参数得到的；以及

以可视化形式呈现所述预测结果。

在上述滚动轴承的剩余寿命的预测方法的一个技术方案中，所述预测模型包括IWOA单元和BiLSTM-Attention神经网络单元；

所述方法还包括对所述预测模型进行训练，从而得到训练好的预测模型。

在上述滚动轴承的剩余寿命的预测方法的一个技术方案中，所述BiLSTM-Attention神经网络单元包括：

输入层，用于接收振动时序信号；

嵌入层，用于根据接收的振动时序信号得到对应的嵌入表示；

LSTM层，包含前向传播层和后向传播层，用于根据所述嵌入表示得到特征向量；

注意力机制层，用于对所述特征向量进行加权得到加权后的特征向量；

输出层，用于根据所述加权后的特征向量输出分类结果。