一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法技术

一种基于dropout‑SAE和Bi‑LSTM的滚动轴承RUL预测方法，属于轴承运行状态的预测领域。本发明专利技术为了解决现有的滚动轴承RUL预测方法存在模型训练时间较长且预测准确率较低的问题。本发明专利技术提出一种改进的SAE，即dropout‑SAE对滚动轴承振动信号进行无监督的深层特征自适应提取，该网络应用一种新的Tan激活函数替代原有的sigmoid激活函数，并采用dropout方法实现其稀疏性；同时，考虑到滚动轴承剩余使用寿命预测方法一般仅考虑过去信息而忽略未来信息，提出引入双向长短时记忆网络作为滚动轴承RUL的预测模型。在2个轴承数据集上的实验结果均表明，所提预测方法不仅可以提高模型的收敛速度而且具有较高的准确率。

A residual life prediction method of rolling bearing based on dropout SAE and Bi LSTM

【技术实现步骤摘要】
一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法
本专利技术涉及滚动轴承剩余寿命预测方法，属于轴承运行状态的预测领域。
技术介绍
滚动轴承作为旋转设备最常用且易损坏的关键零部件，其运行状态的好坏往往直接影响整台设备的性能[1]。因此对滚动轴承进行剩余使用寿命(remainingusefullife，RUL)预测具有非常重要的现实意义。特征提取是进行滚动轴承RUL预测的重要前提。近年来，深度学习以其强大的自适应特征提取能力、非线性函数表征能力获得了广泛关注，并为滚动轴承振动信号的特征提取提供了新的解决思路[2]。文献[3]提出一种改进的深度信念网络，直接以滚动轴承原始振动信号作为网络输入，从低层向高层逐层抽象表示，从而达到深度挖掘数据本质特征的目的。文献[4-6]利用卷积神经网络特有的局部卷积、权值共享和降采样等结构特性直接从滚动轴承振动信号中自动提取数据局部抽象信息，实现对振动信号特征的深层挖掘。上述研究虽利用深度学习方法简化了复杂的特征提取过程且挖掘出了振动信号深层本质特征，但是网络结构参数仍需大量带标本文档来自技高网...

【技术保护点】
1.一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法，其特征在于，所述方法的实现过程：/n步骤一、数据预处理：先对滚动轴承原始时域振动数据进行傅里叶变换，将其转换到频域；然后对其进行线性函数归一化处理；最后划分训练集和测试集；/n步骤二、深层特征提取：训练集作为dropout-SAE的输入进行网络参数的训练，提取能够表征轴承退化趋势的特征；/n步骤三、构建Bi-LSTM模型：以dropout-SAE在训练集上提取出的多个特征作为Bi-LSTM网络的输入，当前使用寿命特征点数与全寿命特征点数的比值p，即寿命百分比作为当前寿命的标签输出，设置相关网络参数后进行训练，得到Bi-...

【技术特征摘要】
1.一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法，其特征在于，所述方法的实现过程：
步骤一、数据预处理：先对滚动轴承原始时域振动数据进行傅里叶变换，将其转换到频域；然后对其进行线性函数归一化处理；最后划分训练集和测试集；
步骤二、深层特征提取：训练集作为dropout-SAE的输入进行网络参数的训练，提取能够表征轴承退化趋势的特征；
步骤三、构建Bi-LSTM模型：以dropout-SAE在训练集上提取出的多个特征作为Bi-LSTM网络的输入，当前使用寿命特征点数与全寿命特征点数的比值p，即寿命百分比作为当前寿命的标签输出，设置相关网络参数后进行训练，得到Bi-LSTM模型；
步骤四、模型优化：分别采用Adam、RMSProp、SGDM优化算法对Bi-LSTM模型进行优化，分别计算出每种优化算法下Bi-LSTM模型的均方误差(MeanSquaredError，MSE)、平均绝对误差(meanabsoluteerror，MAE)、平均绝对百分误差(meanabsolutepercentageerror，MAPE)、均方百分比误差(Meansquarepercentageerror，MAPE)、均方根误差(rootmeansquareerror，RMSE)，选取上述5种误差之和最小的优化算法来对Bi-LSTM模型进行优化，得到优化后的Bi-LSTM模型参数，并应用Dropout技术防止过拟合；
步骤五、测试集验证：对测试集采用与训练集相同的数据预处理、特征提取方法进行处理，并将提取出的特征输入到优化后的Bi-LSTM网络模型中，预测已知数据的p值；
步骤六、RUL预测：对预测出的已知数据的p值曲线进行一次函数线性拟合，得到未来各个点的p值趋势，由步骤(3)中p值的设定可知，当p＝1时，轴承失效，即达到全寿命，利用全寿命Lq减去当前寿命Ld可求得第i个轴承的RUL，如式(22)所示：
RULi＝Lq-Ld(22)
通过预测的剩余寿命RULi与真实寿命ActRULi之间的误差Eri来反映模型剩余寿命预测性能的好坏，如式(23)所示：





2.根据权利要求1所述的一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法，其特征在于，在步骤二中，所述dropout-SAE是一种改进的SAE，以Tan激活函数替代原有的sigmoid激活函数、以drop...

【专利技术属性】
技术研发人员：康守强，周月，王玉静，谢金宝，王庆岩，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙;23