一种伺服电机滚动轴承剩余使用寿命预测方法技术

本发明专利技术具体公开了一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法包括以下步骤：S1、采集多种工况下滚动轴承的振动加速度信号；S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器进行深层次的特征学习和特征压缩以构建退化特征向量；S4、将所构建的退化特征向量输入深层门控循环单元网络中进行训练；S5、采集待预测滚动轴承的振动加速度信号并重复步骤S2和步骤S3，然后将待预测滚动轴承对应的退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络中预测出实际剩余使用寿命。本发明专利技术可准确预测出伺服电机滚动轴承的剩余使用寿命。

A prediction method of residual service life of servo motor rolling bearing

【技术实现步骤摘要】
一种伺服电机滚动轴承剩余使用寿命预测方法
本专利技术涉及电机设备故障预测与健康管理
，尤其涉及一种伺服电机滚动轴承剩余使用寿命预测方法。
技术介绍
近年来，伺服电机被广泛地应用在工业机器人及数控机床中。有研究表明，相当一部分伺服电机的故障是由于滚动轴承故障导致的。一旦轴承发生故障，会影响电机其他部件的正常运转，有可能会导致整个机器人或机床瘫痪，严重时，甚至会带来安全风险。为了预防因轴承故障而造成的电机异常，需要实时监测轴承的健康状态，评估电机轴承的剩余使用寿命(RemainingUsefulLife,RUL)，以方便有关人员制定有效的维修策略。轴承RUL预测主要有两种方法，一种是基于模型的方法，这种方法需要建立数学模型来准确描述轴承的退化，目前来说是一个难以解决的复杂问题。另一种是基于数据驱动的方法，这种方法旨在通过大数据计算和人工智能来挖掘轴承当前状态数据与RUL之间的潜在关系。近年来，随着传感器、工业物联网技术、深度学习技术的发展，基于历史工业大数据的数据驱动方法一直是国内外学者研究的重点。其主要由轴承退化特征空间构建和剩余寿命预测模型构建两部分组成。在退化特征空间构建方面，国内外学者往往通过一系列信号处理方法从轴承传感器信号中提取许多特征以构建退化特征空间，但所提取的特征中含有大量冗余特征，难以提取最佳特征且难以进行有效的特征压缩，这将导致模型训练困难和过度拟合。在剩余寿命模型构建方面，大多数学者选择机器学习算法处理输入特征以得到轴承的剩余寿命，但是这些模型往往独立地考虑每个时间点，没有考虑时间序列不同时间步之间的关联性，丢弃了历史数据中的大量信息，往往会出现预测值偏离真实值较大的情况。鉴于此，设计一种能够准确有效的预测出伺服电机滚动轴承剩余使用寿命的预测方法是本
技术人员亟待解决的技术问题。
技术实现思路
本专利技术的目的是提供一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法可以准确预测出所述伺服电机滚动轴承的真实剩余使用寿命。为解决上述技术问题，本专利技术提供一种伺服电机滚动轴承剩余使用寿命预测方法，包括以下步骤：S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。优选地，所述步骤S1中滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。优选地，所述步骤S2的具体实现方式包括：S21、提取步骤S1中所采集的每一个滚动轴承振动加速度信号的时域特征，包括振动加速度信号的均方根值、方差、均值、绝对均值、峰峰值、最大值、最小值、峭度、歪度和脉冲指标；S22、对步骤S1中所采集的每一个滚动轴承振动加速度信号进行经验模态分解，并分别提取每一个振动加速度信号的N个IMF(IntrinsicModeFunction)分量，选取前面R(R≤N)个IMF分量并计算所选取的R个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征；S23、将步骤S22中所提取的N个IMF分量组合成大小为N×M的矩阵A，同时对矩阵A进行奇异值分解，可用公式表示：A＝UΛΛT(1)式(1)中，M表示IMF分量的离散点个数，U表示N×N的正交矩阵，V表示M×M的正交矩阵，Λ表示N×M的对角矩阵；S24、计算出滚动轴承振动加速度信号所对应矩阵A的前面S(S≤N)个奇异值；S25、将步骤S21中提取的时域特征、步骤S22中提取的IMF分量能量和步骤S24中所计算的矩阵A的奇异值组合构建一个原始特征集。优选地，所述步骤S21中所提取的滚动轴承振动加速度信号时域特征可用公式表示：Xmax＝max{xi},(i＝1,2,…,n)(4)Xmin＝min{xi},(i＝1,2,…,n)(5)Xp＝Xmax-Xmin(6)式(2)～式(11)中，Xrms表示均方根值，n表示在某一时刻振动传感器所采集的采样数，xi表示某一时刻振动传感器采样数据中的第i个数据，σx表示方差，Xmax表示最大值，Xmin表示最小值，Xp表示峰峰值，表示均值，Xβ表示峭度，Xα表示歪度，It表示脉冲指标。优选地，所述步骤S3中根据特征的单调性对原始特征集进行特征选择的具体实现方式包括：S31、分别计算步骤S2中得到的滚动轴承每一个特征的单调性，可用公式表示：式(12)中，K表示滚动轴承全寿命周期样本的个数，dxi表示滚动轴承全寿命周期样本特征序列某一点xi的差分值，且dxi＝xi+1-xi,i＝1,2,3···K-1；S32、将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，并选取排名靠前的T个特征构成特征向量γ＝{γ1,γ2,…,γT}。优选地，所述步骤S3中构建轴承退化特征向量的具体实现方式包括：S33、对步骤S32中得到的特征向量进行标准化，可用公式表示：式(13)中，γ表示特征向量，mean(γ)表示某一个特征向量的平均值，std(γ)表示某一个特征向量的标准差；S34、将步骤S33中标准化后的特征向量γnorm输入至第一个稀疏自编码器中并采用梯度下降算法进行训练，得到第一个稀疏自编码器的隐含层输出h1，可用公式表示：h1＝fθ1(ωe1γnorm+be1)(14)式(14)中，fθ1表示第一个稀疏自编码器中编码器的激活函数，ωe1表示训练好的第一个自稀疏编码器的权重矩阵，be1表示训练好的第一个自稀疏编码器的偏置量；S35、将步骤S34中得到的第一个稀疏自编码器的隐含层输出h1输入第二个稀疏自编码器中并采用梯度下降算法进行训练；S36、将第一个训练好的稀疏自编码器输出h1作为第二个稀疏自编码器的输入并组成两层堆叠稀疏自编码器，然后再将步骤S33中标准化后的特征向量γnorm输入所述两层堆叠稀疏自编码器中，从而得到第二个稀疏自编码器的隐含层输出h2，即得到滚动轴承退化特征向量γfinal＝h2，其中隐含层输出h2可用公式表示：h2＝fθ2(ωe2h1+be2)(15)式(15)中，fθ2表示第二层稀疏自编码器中编码器的激活函数，ωe2表示训练好的第二个自稀疏编本文档来自技高网...

【技术保护点】
1.一种伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，包括以下步骤：/nS1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；/nS2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；/nS3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；/nS4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；/nS5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。/n

【技术特征摘要】
1.一种伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，包括以下步骤：
S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；
S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；
S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；
S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；
S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。


2.如权利要求1所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S1中滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。


3.如权利要求2所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S2的具体实现方式包括：
S21、提取步骤S1中所采集的每一个滚动轴承振动加速度信号的时域特征，包括振动加速度信号的均方根值、方差、均值、绝对均值、峰峰值、最大值、最小值、峭度、歪度和脉冲指标；
S22、对步骤S1中所采集的每一个滚动轴承振动加速度信号进行经验模态分解，并分别提取每一个振动加速度信号的N个IMF(IntrinsicModeFunction)分量，选取前面R(R≤N)个IMF分量并计算所选取的R个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征；
S23、将步骤S22中所提取的N个IMF分量组合成大小为N×M的矩阵A，同时对矩阵A进行奇异值分解，可用公式表示：
A＝UΛΛT(1)
式(1)中，M表示IMF分量的离散点个数，U表示N×N的正交矩阵，V表示M×M的正交矩阵，Λ表示N×M的对角矩阵；
S24、计算出滚动轴承振动加速度信号所对应矩阵A的前面S(S≤N)个奇异值；
S25、将步骤S21中提取的时域特征、步骤S22中提取的IMF分量能量和步骤S24中所计算的矩阵A的奇异值组合构建一个原始特征集。


4.如权利要求3所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S21中所提取的滚动轴承振动加速度信号时域特征可用公式表示：






Xmax＝max{xi},(i＝1,2,…,n)(4)
Xmin＝min{xi},(i＝1,2,…,n)(5)
Xp＝Xmax-Xmin(6)















式(2)～式(11)中，Xrms表示均方根值，n表示在某一时刻振动传感器所采集的采样数，xi表示某一时刻振动传感器采样数据中的第i个数据，σx表示方差，Xmax表示最大值，Xmin表示最小值，Xp表示峰峰值，表示均值，Xβ表示峭度，Xα表示歪度，It表示脉冲指标。


5.如权利要求4所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S3中根据特征的单调性对原始特征集进行特征选择的具体实现方式包括：
S31、分别计算步骤S2中得到的滚动轴承每一个特征的单调性，可用公式表示：



式(12)中，K表示滚动轴承全寿命周期样本的个数，dxi表示滚动轴承全寿命周期样本特征序列某一点xi的差分值，且dxi＝xi+1-xi,i＝1,2,3···K-1；
S32、将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，并选取排名靠前的T个特征构成特征向量γ＝{γ1,γ2,…,γT}。


6.如权利要求5所述的伺服电机滚动轴承剩余使用寿命预测方法，其...

【专利技术属性】
技术研发人员：袁小芳，王浩然，田争鸣，肖祥慧，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43