[发明专利]一种滚动轴承剩余使用寿命预测方法及系统

说明书

本公开提供了一种滚动轴承剩余使用寿命预测方法及系统，获取滚动轴承的振动信号数据；对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值；其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层；本公开使用小波变换充分分析了滚动轴承的故障信号特征，将传统卷积神经网络最后的全连接层更换为卷积层和池化层，结合卷积层的权值共享、局部连接等特性，减少了网络权值等训练中需要优化参数的数量，极大的提高了寿命预测的精度。

技术领域

本公开涉及机械部件寿命预测技术领域，特别涉及一种滚动轴承剩余使用寿命预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

现代机械设备结构日趋复杂化与综合化，滚动轴承作为机械设备中最常用的核心基础零部件之一，在机械设备运行中，由于长时间受载、润滑不良、腐蚀、过载等原因，滚动轴承易产生疲劳剥落、磨损、擦伤、烧伤、电蚀、内外环断裂和滚珠失圆等损伤，一旦出现故障，一方面将造成巨大经济损失，另一方面甚至会导致人员伤亡。据统计，约40％～50％的电机故障是由于滚动轴承损伤所造成的电机故障。为避免设备安全事故发生，降低设备检修费用和维持日常生产活动等，研究人员和相关工业部门越来越重视滚动轴承的状态检测技术。因此，在上述的工业背景下，对滚动轴承剩余使用寿命的精准预测能为机械设备的预测性维护提供指导，进而提前进行维修保养，减少不必要的维修次数，可见预测滚动轴承的剩余使用寿命(RUL)具有十分重要的意义。

目前，滚动轴承剩余寿命预测方法主要分为基于机理模型与基于数据驱动模型。传统的寿命预测方法需要两个基础的步骤：(1)建立性能退化指标；(2)研究预测模型。性能退化指标构建的一种方法是从原始信号中提取单一的统计特征并将其作为性能退化指标。为了提取合适的特征，需要对所采集信号的特性有相当程度的了解，并且特征的筛选和融合需要一定的经验与知识，所以合适特征的提取与融合需要投入大量的精力，且单一的统计特征也难以保证后续的预测精度。

得益于信号采集与计算机技术的发展，在设备运行过程中获取大量的状态监测数据成为可能，这推动了数据驱动的机械设备剩余寿命预测方法研究的发展。基于数据驱动，利用深度学习算法构建预测模型，可以自动提取信号特征，且模型泛化能力强，具有很大的优越性。目前，滚动轴承寿命预测多是基于振动信号进行故障特征提取来展开，针对以上内容，主要是通过提取时域、频域或时频域、幅值或能量等相关指标作为参量进行研究。在实际工业环境中，现场工况十分复杂，轴承特征信号往往能量低，易被噪声淹没，且故障信号之间相互耦合、相互干扰，因此，如何将轴承振动特征信号有效的提取并表达出来，在寿命预测任务中具有重大意义。

发明人发现，目前已经有很多神经网络模型被应用于滚动轴承寿命预测当中，但基于卷积神经网络的寿命预测模型中，多是直接使用滚动轴承原始振动信号进行预测，而当滚动轴承开始退化时，采集到的信号往往会表现出非平稳特性，在这种情况下，单一的时域或是频域分析都不能提供可靠的信息，导致现有的技术方案会忽略一些信号的频域特性，导致寿命预测的精准性较低；传统的滚动轴承振动寿命预测方法过于依赖于专家经验，且耗时耗力。而使用数据驱动的深度学习方法自动提取振动信号特征往往是基于时域分析，使用原始振动信号进行寿命预测，会忽略振动信号的频域特性，导致特征分析不完全，具有一定的局限性，预测精度还有提高的空间。同时，使用的神经网络模型结构等因素也会影响预测精度。

发明内容

为了解决现有技术的不足，本公开提供了一种滚动轴承剩余使用寿命预测方法及系统，使用小波变换充分分析了滚动轴承的故障信号特征，将传统卷积神经网络最后的全连接层更换为卷积层和池化层，结合卷积层的权值共享、局部连接等特性，减少了网络权值等训练中需要优化参数的数量，极大的提高了寿命预测的精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种滚动轴承剩余使用寿命预测方法。