[发明专利]一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法

权利要求书

1.一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：

(1)采集训练组滚动轴承在某一工况下的全寿命原始振动信号作为训练集，采集测试组滚动轴承在同一工况下的全寿命原始振动信号作为测试集；

(2)提取训练集轴承的时域特征，并对每个特征作最小-最大规范化处理，构造训练特征集X^l：

其中，l代表训练集轴承编号(l＝1,2...q)，m代表特征总数，m＝36，n代表第l个训练集轴承的样本总数，代表第l个训练轴承的第n个样本的第m个规范化特征；

(3)在训练过程中，构造p种健康因子并将其与采样时长结合，即：

将健康因子归一化到[0,1]，得到归一化后的健康因子

其中，t是时间，p代表函数类型，p≥2，t_k对应于第l个训练集轴承的第k个样本采样时长，T是总的采样时长，θ^l(t)∈(0,1]，是第l个轴承的θ^l(t)与之间的映射关系；

(4)建立LSTM预测模型，在步骤(3)建立的p种健康因子下，分别将q组训练轴承特征作为LSTM预测模型的输入，作为输出，调整隐藏层网络层数M₁及节点数Q₁、初始学习率L、学习率衰减D、丢包率B、最大回合数R参数，训练LSTM模型，得到训练轴承特征与每种健康因子的映射关系F_p^l，构造基于LSTM的轴承特征-健康因子模型，即：

其中，F_p^l是第l个训练轴承特征X^l与第p种健康因子的映射关系，F(X)＝F(X¹)∪F(X²)...∪F(X^q)；

(5)建立TDNN预测模型，分别将步骤(4)LSTM预测模型输出的p种训练集健康因子作TDNN模型的输入，训练集轴承剩余寿命百分比作为输出，调整隐藏层数M₂及节点数Q₂、验证检查数目P、时间延迟步数d参数，训练TDNN预测模型，得到每种健康因子与剩余寿命百分比的映射关系，构造基于TDNN的健康因子-剩余寿命预测模型，即：

其中，T_c是当前已耗寿命，T₁₀₀是总寿命，G_p是第p种健康因子与剩余寿命百分比的映射关系；

(6)提取测试集轴承的时域特征，并对每个特征作最小-最大规范化处理，构造测试特征集：

其中，T代表测试集轴承编号(T＝1)，m代表特征总数，m＝36，i代表第T个测试集轴承的样本总数，代表第T组训练轴承的第i个样本的第m个规范化特征；

(7)分别将测试集轴承特征输入步骤(4)构造的基于LSTM的轴承特征-健康因子模型中，即可输出测试集轴承的p种健康因子簇，将p种健康因子簇分别计算平均值即：

(8)将步骤(7)所得到的测试集健康因子平均值输入基于TDNN的健康因子-剩余寿命预测模型中，输出p个测试集待测轴承的剩余寿命百分比，利用RMSE函数和Score函数中的至少一个作为评价指标评估预测结果准确率，找寻最优的健康因子-剩余寿命预测模型，即RMSE函数或/和Score函数的值最小时所对应的健康因子-剩余寿命预测模型；

(9)将步骤(8)所确定的最优健康因子-剩余寿命预测模型作为滚动轴承剩余寿命预测模型，计算待测轴承的剩余寿命。

2.根据权利要求1所述的一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，其特征在于，所述步骤(1)中第l个训练集轴承的样本总数n是指第l个训练集轴承在加速寿命试验中每隔10s～60s采集的振动信号的集合。

3.根据权利要求1所述的一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，其特征在于，所述步骤(2)中所提取的时域特征为训练集轴承在水平方向及垂直方向的全寿命周期振动信号的18维时域特征；所述步骤(6)中所提取的时域特征为测试集轴承在水平方向及垂直方向的全寿命周期振动信号的18维时域特征。