[发明专利]一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法

说明书

一种基于dropout‑SAE和Bi‑LSTM的滚动轴承RUL预测方法，属于轴承运行状态的预测领域。本发明为了解决现有的滚动轴承RUL预测方法存在模型训练时间较长且预测准确率较低的问题。本发明提出一种改进的SAE，即dropout‑SAE对滚动轴承振动信号进行无监督的深层特征自适应提取，该网络应用一种新的Tan激活函数替代原有的sigmoid激活函数，并采用dropout方法实现其稀疏性；同时，考虑到滚动轴承剩余使用寿命预测方法一般仅考虑过去信息而忽略未来信息，提出引入双向长短时记忆网络作为滚动轴承RUL的预测模型。在2个轴承数据集上的实验结果均表明，所提预测方法不仅可以提高模型的收敛速度而且具有较高的准确率。

技术领域

本发明涉及滚动轴承剩余寿命预测方法，属于轴承运行状态的预测领域。

背景技术

滚动轴承作为旋转设备最常用且易损坏的关键零部件，其运行状态的好坏往往直接影响整台设备的性能^[1]。因此对滚动轴承进行剩余使用寿命(remaining useful life，RUL)预测具有非常重要的现实意义。

特征提取是进行滚动轴承RUL预测的重要前提。近年来，深度学习以其强大的自适应特征提取能力、非线性函数表征能力获得了广泛关注，并为滚动轴承振动信号的特征提取提供了新的解决思路^[2]。文献[3]提出一种改进的深度信念网络，直接以滚动轴承原始振动信号作为网络输入，从低层向高层逐层抽象表示，从而达到深度挖掘数据本质特征的目的。文献[4-6]利用卷积神经网络特有的局部卷积、权值共享和降采样等结构特性直接从滚动轴承振动信号中自动提取数据局部抽象信息，实现对振动信号特征的深层挖掘。上述研究虽利用深度学习方法简化了复杂的特征提取过程且挖掘出了振动信号深层本质特征，但是网络结构参数仍需大量带标签的数据进行有监督的微调，而实际中标签数据难以获取。

无监督特征学习可以从无标签数据中自动提取数据内在特征^[7]，在标签数据少且难获取情况下，这种方法具有较大优势。稀疏自动编码器(sparse auto encoder，SAE)作为一种典型的无监督特征学习模型，可实现从大量无标签数据中有效地学习数据简明的内在特征表达^[8]，目前已被成功推广到各种标记数据有限的应用场合^[9]。传统的SAE采用sigmoid作为激活函数容易造成梯度消失问题，且采用KL散度进行稀疏性约束在滚动轴承特征提取方面存在局限性。

在特征提取的基础上，进行滚动轴承RUL预测是最终目标。在获取轴承的性能退化特征值的基础上，考虑到深度学习算法中的循环神经网络在处理时间序列数据方面的优势，将长短时记忆网络(long short-term memory，LSTM)作为轴承性能退化曲线构建方法。利用LSTM构建轴承性能退化曲线的方法是将“过去”的信息整合起来，然后辅助处理当前信息。然而，传统的LSTM并没有考虑到滚动轴承的衰退过程实际上是一个在时间上具有前后依赖关系的连续变化过程，当前信息的处理也有必要整合“未来”的信息^[10]。

综上，传统的SAE采用sigmoid作为激活函数容易造成梯度消失问题以及采用KL散度进行稀疏性约束在滚动轴承特征提取方面存在局限性；传统的滚动轴承RUL预测方法仅考虑过去信息而忽略未来信息，这些问题仍没有解决。

发明内容

本发明为了解决现有的滚动轴承RUL预测方法存在模型训练时间较长且预测准确率较底的问题，进而提出一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法。

本发明解决上述技术问题采用的技术方案为：

一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法，所述方法的实现过程：

步骤一、数据预处理：先对滚动轴承原始时域振动数据进行傅里叶变换，将其转换到频域；然后对其进行线性函数归一化处理；最后划分训练集和测试集；