[发明专利]一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法

说明书

本发明公开了一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，包括步骤：(1)提取训练轴承原始振动信号的时域特征，构成时域特征集，并针对每个特征做最小‑最大规范化处理；(2)利用至少两种非线性函数构造健康因子，然后依次利用LSTM、TDNN构建训练特征与健康因子以及健康因子与剩余寿命百分比之间的映射关系，搭建LSTM‑TDNN剩余寿命预测模型；(3)输入测试轴承振动数据，经特征提取、归一化处理后，根据LSTM‑TDNN预测模型获得剩余寿命估计值，并给出预测准确率的综合评价。本发明的滚动轴承剩余寿命预测结果更为准确，实现高精度和强保守的统一，能有效应用于滚动预测维护任务，降低维护成本。

技术领域

本发明涉及滚动轴承剩余寿命预测技术领域，具体涉及一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法。

背景技术

旋转机械作为现代化工业设备的核心部件，在航空航天、水利水电、化工冶金等领域发挥了重要作用。而滚动轴承作为旋转机械的关键零件，影响着整个机械设备的运行状态，其故障发生可能导致机械设备无法实现既定功能，轻则影响工业生产并带来经济损失，重则危及从业人员的生命安全。因此，对滚动轴承进行寿命预测具有重要的指导意义。

目前，针对滚动轴承的剩余寿命预测方法主要分为基于解析模型的方法和数据驱动的方法两大类，数据驱动的方法又包含基于随机过程的方法和基于人工智能的方法。由于轴承运行环境及服役工况的复杂性，难以建立精确的失效机理模型；基于随机过程的方法需预先选择退化过程，其类型直接影响预测的精度；基于人工智能的方法具有强大的数据处理能力，无需物理机理和专家经验，可以不断获取现有数据的信息训练并更新网络模型，在剩余寿命预测领域展现了巨大的发展前景。

现有的滚动轴承剩余寿命智能预测方法多以卷积神经网络或循环神经网络为主体完成数据预处理和剩余寿命的估计，常存在以下问题：第一，忽略了序列不等长及时间延迟的存在，由于工况、安装位置及环境等不同，轴承实际服役时间存在差异，在训练预测模型时存在序列不等长问题，此外借助历史运行信息去估计当前时刻的剩余寿命时，时间延迟难以量化；第二，反应轴承健康状态的性能指标即健康因子获取过程复杂且多样性被忽视，方法的可移植性较差；第三，评价指标仅评判了预测的精度，但具体保守预测或激进预测均缺少评估，实际中应尽可能实现高精度和强保守的统一。

发明内容

本发明的目的在于提供一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，提高滚动轴承剩余寿命预测准确率。

本发明为了实现上述目的，采用的技术解决方案是：

一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法，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模型

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；