基于改进的二维CNN模型的滚动轴承剩余寿命预测方法技术

本发明专利技术提出了基于改进二维CNN模型的滚动轴承剩余寿命预测方法，用于解决现有技术中存在的预测精度较低和速度较慢的技术问题。实现步骤为：获取滚动轴承的频域振动数据；基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据；基于BP算法对改进二维CNN模型进行训练；通过训练好改进的二维CNN模型对测试集进行特征提取；通过输出特征结合双高斯模型进行拟合，得到滚动轴承剩余寿命的预测结果。

【技术实现步骤摘要】
基于改进的二维CNN模型的滚动轴承剩余寿命预测方法
本专利技术属于是旋转机械
，涉及一种滚动轴承预测轴承剩余寿命预测方法，特别涉及基于改进的二维CNN神经网络对轴承精准预测轴承剩余寿命的方法，可用于合理安排轴承的性能检查和替换维护，保证旋转机械设备正常工作。
技术介绍
旋转机械设备在工业设备中占有重要地位，滚动轴承是旋转机械设备中最重要的零部件之一，在旋转机械设备中应用广泛，其性能状态的好坏直接影响整台设备的健康情况，然而很多精密的旋转机械设备的滚动轴承服役周期并不长，其寿命受许多因素的影响，如运行条件、振动、温度等。所以导致其一旦运行时间超出服役寿命，轴承运行精度会急剧下降，进而导致机械设备不能正常工作。因此，为了合理安排轴承的性能检查和替换维护，保证旋转机械设备正常工作，对滚动轴承的剩余寿命预测极为必要。滚动轴承的剩余寿命预测实现原理为，数据采集，训练模型，基于训练好的模型进行特征提取，用所得特征进行实验仿真得到预测结果。其中评判滚动轴承剩余寿命预测优劣的标准包括预测的速度和精确度。传统的滚动轴承剩余寿命预测主要使用模型驱动，模型驱动主要是依据经验知识和收集的数据建立数学模本文档来自技高网...

【技术保护点】
1.基于改进的二维CNN模型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)获取滚动轴承的频域振动数据：对通过加速度传感器采集的滚动轴承的时域振动数据进行快速傅里叶变换，得到滚动轴承的频域振动数据；(2)基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据；(3)基于BP算法对改进二维CNN模型进行训练：将一半以上的二维图像数据作为训练集，其余部分作为测试集，并基于BP算法通过训练集对改进二维CNN模型进行训练，得到训练好的改进二维CNN模型；(4)采用已训练改进的二维CNN模型对测试集进行特征提取；(4a)通过第一卷积层对测试集进行卷积，得到第一卷积特征；(4b)通过第一池化...

【技术特征摘要】
1.基于改进的二维CNN模型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)获取滚动轴承的频域振动数据：对通过加速度传感器采集的滚动轴承的时域振动数据进行快速傅里叶变换，得到滚动轴承的频域振动数据；(2)基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据；(3)基于BP算法对改进二维CNN模型进行训练：将一半以上的二维图像数据作为训练集，其余部分作为测试集，并基于BP算法通过训练集对改进二维CNN模型进行训练，得到训练好的改进二维CNN模型；(4)采用已训练改进的二维CNN模型对测试集进行特征提取；(4a)通过第一卷积层对测试集进行卷积，得到第一卷积特征；(4b)通过第一池化层对第一卷积特征进行均值池化，得到第一池化特征；(4c)通过第二卷积层对第一池化特征进行卷积，得到第二卷积特征；(4d)通过第二池化层对第二卷积特征进行均值池化，得到第二池化特征；(4e)通过展开层对第二池化特征进行一维展开，得到一维特征向量；(4f)将一维特征向量作为三层前向神经网络的输入，并采用sigm激活函数对三层前向神经网络的输出进行归一化，得到在0到1之间的输出特征；(5)通过输出特征结合双高斯模型进行拟合，得到滚动轴承剩余寿命的预测结果。2.根据权利要求1所述的基于改进二维CNN模型的滚动轴承剩余寿命预测方法，其特征在于，步骤(2)中所述的基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据，实现步骤为：(2a)采用变量L定义频域振动数据的长度，变量M2定义二维图像数据的大...

【专利技术属性】
技术研发人员：王奇斌，孔宪光，马洪波，陈改革，赵博，王亚军，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61