[发明专利]滚动轴承剩余使用寿命预测方法

说明书

本发明提供一种滚动轴承剩余使用寿命预测方法,包括:构建训练样本集；采用训练样本集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；在实际使用时，对于某个指定轴承B，基于训练好的轴承使用寿命预测模型，对其当前时刻的剩余使用寿命进行预测。本发明提供的滚动轴承剩余使用寿命预测方法，可以有效提高滚动轴承的剩余使用寿命预测精度和效率。

技术领域

本发明属于旋转机械剩余使用寿命预测技术领域，具体涉及一种滚动轴承剩余使用寿命预测方法。

背景技术

随着工业4.0的提出，工程设备不断向着智能化和复杂化的方向发展。因此，在实际应用中，对工程设备的可靠性与安全性提出了极其严格的要求。轴承作为现代工程设备的核心部件之一，广泛应用于旋转机械中。由于轴承是一直处在一定负载条件下工作的，因此会不可避免的产生一些退化趋势，并最终影响到工程设备的正常使用。在现代工业背景下，轴承的意外故障不仅会造成巨大的财产损失，甚至会造成灾难性的后果。相关研究表明，约30％的旋转机械故障是由轴承故障引发的。因此，为了有效避免由轴承故障引发的工程事故，对轴承剩余使用寿命(RUL)进行预测具有十分巨大的研究价值。

现有研究表明，RUL预测方法主要分为三类：基于物理模型的方法、数据驱动的方法和混合方法。随着工程设备日益复杂化，获取设备失效机制的物理模型变得极其困难。与此同时，随着人工智能技术的发展，各种各样的数据驱动算法应运而生。数据驱动的方法可以从工程设备的寿命数据中提取到与性能退化趋势相关的特征信息，并可以有效的节省成本和时间。因此，数据驱动方法成为RUL预测领域的主流方法。

随着“大数据，云计算”时代的到来，工业系统中能够获取的数据大多呈现出海量，高维和非线性的特点。传统的数据驱动方法难以自动处理大量的高维非线性数据，而深度学习作为神经网络发展而来的一项新技术，以其强大的特征提取功能为训练海量的高维非线性数据提供了一种新的解决思路。目前，基于深度学习的剩余寿命预测方法主要有基于CNN的方法和基于RNN的方法。

然而，无论是基于CNN还是基于RNN的RUL预测方法都有局限性。对于前者，CNN受限与自身结构，捕捉长期依赖关系的能力十分有限，提取的更多是数据的空间特征。对于后者，RNN的结构注定其只能以串联的方式处理数据，无法进行并行计算，因此，在训练和预测过程中需要消耗很多时间成本。

因此，亟需研发一种可以弥补CNN和RNN在处理长序列数据时的缺陷的RUL预测方法。

发明内容

针对现有技术存在的缺陷，本发明提供一种滚动轴承剩余使用寿命预测方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种滚动轴承剩余使用寿命预测方法，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}；