[发明专利]滚动轴承剩余使用寿命预测方法

权利要求书

1.一种滚动轴承剩余使用寿命预测方法，其特征在于，包括以下步骤：

步骤1，构建训练样本集V＝{V₁,V₂,...,V_n-C+1}；

步骤1.1，选取多个同型号的滚动轴承，预设置多种工况；设置每个滚动轴承与工况的对应关系；

对于每个滚动轴承，使其在对应工况下进行退化，并通过振动加速度传感器采集该滚动轴承从开始工作到完全退化的整个过程中的振动信号，按采集时间顺序排列，形成原始样本集S＝{S₁,S₂,...,S_n}；

步骤1.2，对原始样本集S＝{S₁,S₂,...,S_n}中每个原始样本S_i，其中，i＝1,2,...,n，进行标准化处理，得到标准化处理后的样本S'_i，由此形成经标准化处理后的样本集S'＝{S'₁,S'₂,...,S'_n}；

步骤1.3，对于标准化处理后的样本S'_i，输入到特征提取器中进行多尺度特征提取，得到经特征提取后的样本S_i，由此形成经特征提取后的样本集S＝{S₁,S₂,...,S_n}；

步骤1.4，对于经特征提取后的样本S_i，计算其采样时刻与总寿命的比值，得到对应的寿命比值P_i作为其标签数据，将经特征提取后的样本S_i与其寿命比值P_i进行拼接，得到拼接后的带标签的样本，表示为(S_i,P_i)；

由此共得到n个按时间排列的带标签的样本，分别为：(S₁,P₁),(S₂,P₂),...,(S_n,P_n)；

步骤1.5，对带标签的样本集(S₁,P₁),(S₂,P₂),...,(S_n,P_n)，以C个连续的带标签的样本构成一个训练样本，移动步长为1的方式，构建得到训练样本集V＝{V₁,V₂,...,V_n-C+1}；

具体方式为：

从第1个带标签的样本(S₁,P₁)开始，到第C个带标签的样本(S_C,P_C)为止，(S₁,P₁),(S₂,P₂),...,(S_C,P_C)形成第1个训练样本V₁＝(S₁,P₁),(S₂,P₂),...,(S_C,P_C)；

移动1个步长，从第2个带标签的样本(S₂,P₂)开始，到第C+1个带标签的样本(S_C+1,P_C+1)为止，(S₂,P₂),(S₃,P₃),...,(S_C+1,P_C+1)形成第2个训练样本V₂＝(S₂,P₂),(S₃,P₃),...,(S_C+1,P_C+1)；

依此类推；

直到从第n-C+1个带标签的样本(S_n-C+1,P_n-C+1)开始，到第n个带标签的样本(S_n,P_n)为止，(S_n-C+1,P_n-C+1),(S_n-C+2,P_n-C+2),...,(S_n,P_n)形成第n-C+1个训练样本V_n-C+1＝(S_n-C+1,P_n-C+1),(S_n-C+2,P_n-C+2),...,(S_n,P_n)；

由此形成训练样本集V＝{V₁,V₂,...,V_n-C+1}；

步骤2，采用训练样本集V＝{V₁,V₂,...,V_n-C+1}对构建好的轴承使用寿命预测模型进行训练，得到训练好的轴承使用寿命预测模型；

具体训练方式为：

对于每个训练样本V_j＝(S_j,P_j),(S_j+1,P_j+1),...,(S_j+C-1,P_j+C-1)，其中，j＝n-C+1,将其输入到构建好的轴承使用寿命预测模型中，得到轴承在下一个步长时的寿命比值预测值P'_j，将寿命比值预测值P'_j与下一个带标签的样本(S_j+C,P_j+C)的标签P_j+C比较，得到寿命比值预测差值，再根据寿命比值预测差值对轴承使用寿命预测模型的模型参数进行调节，再采用下一个训练样本对调节参数后的轴承使用寿命预测模型进一步训练，如此不断迭代，直到得到训练好的轴承使用寿命预测模型；

步骤3，在实际使用时，对于某个指定轴承B,采用以下方式，对其当前时刻的剩余使用寿命进行预测：

步骤3.1，指定轴承B从开始工作时刻t_start到当前时刻t_now，持续采集其振动信号，形成样本集S^B＝{S^B₁,S^B₂,...,S^B_u}；u为对轴承B进行采集得到的样本数量；

步骤3.2，对样本集S^B＝{S^B₁,S^B₂,...,S^B_u}中每个样本依次进行标准化处理和特征提取后，得到经特征提取后的样本集S^B＝{S^B₁,S^B₂,...,S^B_u}；

步骤3.3，对于经特征提取后的样本集S^B＝{S^B₁,S^B₂,...,S^B_u}，以C个连续的样本构成一个测试样本，移动步长为1的方式，构建得到测试样本集V^B＝{V^B₁,V^B₂,...,V^B_u-C+1}；

测试样本集V^B＝{V^B₁,V^B₂,...,V^B_u-C+1}中每个测试样本，依次输入到训练好的轴承使用寿命预测模型中，依次得到对应采样时刻的寿命比值预测值，因此，共得到u-C+1个按序排列的寿命比值预测值，分别表示为：P'₁^B,P'^B₂,...,P'^B_u-C+1；

步骤3.4，对u-C+1个寿命比值预测值P'₁^B,P'^B₂,...,P'^B_u-C+1进行平滑处理和曲线拟合，得到指定轴承B从开始工作时刻t_start到当前时刻t_now的寿命预测曲线Z；

再对寿命预测曲线Z的延长趋势进行分析，得到延长趋势后的寿命预测曲线Z'，该延长趋势后的寿命预测曲线Z'与直线y＝1的交点，即为指定轴承B寿命结束时的坐标点，其对应的横坐标时间为指定轴承B的总寿命预测值；

因此，指定轴承B在当前时刻t_now的剩余使用寿命预测值＝总寿命预测值-已使用寿命值，已使用寿命值即为当前时刻t_now，由此完成对指定轴承B剩余使用寿命预测；

步骤1.1中，原始样本集S＝{S₁,S₂,...,S_n}通过以下方式获得：

以滚动轴承开始工作时刻为t＝0时刻，经过1个Δt时间长度，按采样频率f采集T时间内的振动信号，共采集得到m个二维振动信号，形成二维振动信号序列，表示为：形成第1个原始样本S₁，因此，其中，二维振动信号包括水平方向振动信号和垂直方向振动信号；

从t＝0时刻开始，经过2个Δt时间长度，按采样频率f采集T时间内的振动信号，共采集得到m个二维振动信号，形成二维振动信号序列，表示为：形成第2个原始样本S₂，因此，

依此类推；

在其完全退化时，假设经过n个Δt时间长度，按采样频率f采集T时间内的振动信号，共采集得到m个二维振动信号，形成二维振动信号序列，表示为：形成第n个原始样本S_n，因此，

因此，在滚动轴承整个寿命过程中，共按时间顺序采集得到n个原始样本，形成原始样本集S＝{S₁,S₂,...,S_n}；

步骤1.3具体为：

步骤1.3.1：预设置特征提取器的模型结构包括CNNblock1模块、CNNblock2模块、CNNblock3模块、CNNblock4模块、CNNblock5模块、残差网络结构、全局平局池化层和GRU模块和特征拼接模块；

CNNblock1模块是大卷积核，卷积核的大小是48*1，用于提取浅层特征，并删除对目标任务无用的特征信息；CNN block1模块包括一个卷积层、ReLU激活函数层、批量归一化层和MAXPooling层；

CNNblock2模块、CNNblock3模块、CNNblock4模块和CNNblock5模块与CNN block1模块结构相同，但卷积核的大小是3*1，是小卷积核，用于对数据进行降维处理；在每个卷积层中使用ReLU激活函数，在每个卷积层之后都使用了批量归一化层和MAXPooling层，并使用了dropout对神经元进行随机失活；

其中，CNNblock1模块和GRU模块串联，形成GRU路径；

CNNblock1模块、CNNblock2模块、CNNblock3模块、CNNblock4模块、CNNblock5模块、残差网络结构和全局平局池化层构成带残差的深度卷积路径；

步骤1.3.2：标准化处理后的样本S'_i输入到CNNblock1模块进行浅层特征提取，得到浅层特征B'_i；

步骤1.3.3：浅层特征B'_i依次通过CNNblock2模块、CNNblock3模块、CNNblock4模块和CNNblock5模块，进行深层特征提取，得到深层特征D'_i；

使浅层特征B'_i和深层特征D'_i共同输入到残差网络结构，使浅层特征B'_i和深层特征D'_i相加，再将相加后的特征输入到全局平局池化层中进行池化，得到空间特征space'_i；

步骤1.3.4：将浅层特征B'_i输入到GRU模块进行时间特征提取，得到时间特征time'_i；

步骤1.3.5：将空间特征space'_i和时间特征time'_i共同输入到特征拼接模块，进行特征拼接，得到多尺度时空特征，即为经特征提取后的样本S_i；

步骤2具体为：

构建好的轴承使用寿命预测模型包括四层编码器、全连接层和Sigmoid层；每层所述编码器包括多头自注意力机制层、前馈全连接层、第一规范化层、第二规范化层、第一残差层和第二残差层；

每个训练样本V_j＝(S_j,P_j),(S_j+1,P_j+1),...,(S_j+C-1,P_j+C-1)输入到自注意力机制层，得到第一中间特征Mid；

训练样本V_j通过第一残差层与中间特征Mid相加，再输入到第一规范化层，得到第二中间特征Mid'；

使第二中间特征Mid'通过前馈全连接层，得到第三中间特征Mid；

使第二中间特征Mid'通过第二残差层与第三中间特征Mid相加，再输入到第二规范化层，得到高级特征High；

使高级特征High依次通过全连接层和Sigmoid层，得到其在下一个步长时的寿命比值预测值P'_j。