[发明专利]基于卷积门控循环网络的轴承剩余使用寿命预测方法

说明书

本发明公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，涉及轴承检测方法技术领域。所述方法包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。通过所述方法预测的轴承剩余使用寿命更准确，可以防止重大事故发生，为预测性维修提供参考意见。

技术领域

本发明涉及轴承检测方法技术领域，尤其涉及一种基于卷积门控循环网络的轴承剩余使用寿命预测方法。

背景技术

轴承是机械设备中最重要的部件之一，若轴承发生故障，可能造成经济损失或者人员伤亡的情况。通过对轴承进行剩余使用寿命预测，可以在轴承即将发生故障时进行替换，以规避轴承故障引发的恶劣影响。为更好判断当前轴承的剩余使用寿命，对轴承进行剩余使用寿命预测就显得尤为重要。现亟须一种可以预测轴承剩余使用寿命，将轴承剩余使用寿命具体化为具体数值的剩余使用寿命预测方法，为更好地进行轴承故障诊断维护管理提供便利。

发明内容

本发明所要解决的技术问题是如何提供一种能够准确的预测轴承剩余使用寿命的方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：

采集轴承全生命周期的振动加速度信号；

对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；

设计出卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；

将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；

得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。

进一步的技术方案在于，所述采集轴承全生命周期的振动加速度信号的方法为：

采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。

进一步的技术方案在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：

数据预处理：采用最小最大标准化，将数据集中的最小值和最大值转化为[0,1]之间，缩小数据范围，提高计算速度，具体公式如式(1)所示，式中X_t为数据集t时刻的输入，X_min为数据集的最小值，X_max为数据集的最大值，为t时刻通过数据标准化后的值：

对于轴承剩余使用寿命进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为y_i，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命。经过归一化处理后的剩余使用寿命标签，可以降低不同轴承、不同工况、不同剩余使用寿命值之间的影响，提高剩余使用寿命预测的准确性；

进一步的技术方案在于：所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。