【技术实现步骤摘要】
一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法
[0001]本专利技术涉及轴承检测
，具体涉及一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法。
技术介绍
[0002]预测与健康管理是系统在实际运行条件下提高安全性、完好性和任务成功性的有效方法，剩余寿命预测是预测与健康管理中最具挑战性的技术。在现代铁路列车运行中，轴承是决定铁路列车安全运行的关键零部件，铁路列车轴承因其恶劣的工作条件，众多的退化诱因以及离散的寿命周期等特点导致安全问题多发，对社会经济和安全效益造成一定的损失和影响，因此对铁路列车轴承在运行中的健康状态进行实时监测和剩余使用寿命(Remaining Useful Life,RUL)预测具有重大意义。在各种机器学习算法中，深度学习网络模型由于强大的可扩展性和表征学习能力，能够从原始数据中自动学习多层次特征，这种机器学习算法是当前设备寿命预测研究算法中的热点与重点之一。
[0003]近年来，许多学者在轴承剩余使用寿命预测的方法上进行了诸多研究，并提...
【技术保护点】
【技术特征摘要】
1.一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法，其特征在于，包括以下步骤：构建故障特征参数集：从轴承全寿命振动数据中提取时域，频域和时频域特征参数；其中，时域特征和频域特征包括均方根、峭度、峰峰值、偏斜度、均方值和均方误差，并进行归一化处理；db5小波包对振动信号执行三层小波包分解生成的8个频率子带的能量比作为时频域特征；所提取时域、频域和时频域特征作为第一特征序列；定义故障时间标签：以轴承退化点到完全失效的时间作为轴承的RUL，将关于RUL的时间标准化为[0，1]，并作为CAN和LSTM模型训练的标签；式中：i为当前时刻值，n为轴承寿命值，k为故障起始时刻；CAN网络训练：在CNN中加入注意力机制得到CAN模型，挖掘振动信号中通道和空间维度深层故障特征，使用CAN模型对第一特征序列进行特征提取，得到第二特征序列；RUL预测：将第二特征序列输入到LSTM网络中，对LSTM网络进行训练，其循环网络结构，可处理不同退化状态间时间序列，保存训练工程中误差最小的模型，并使用这种模型预测轴承RUL，获取特征量化值，最终得到轴承剩余寿命预测值；预测结果评价：为降低震荡对预测值的影响，采用五点滑动平滑法对量化值进行平滑处理，得到预测寿命值，通过评价函数对预测结果进行评价。2.根据权利要求1所述的一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法，其特征在于：步骤构建故障特征参数集的步骤中，提取铁路列车轴承原始振动信号数据特征，构建故障特征参数集，作为第一特征序列并划分为训练集和测试集。3.根据权利要求1所述的一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法，其特征在于：定义故障时间标签的步骤中，对于轴承全寿命振动信号，在振幅与正常标准振幅相比，轴承振幅显著增加的时刻，这一时刻定义为轴承退化点并开始预测轴承RUL。4.根据权利要求1所述的一种基于CAN
‑
LSTM的铁路列车轴承剩余寿命预测方法，其特征在于：CAN网络训练的步骤中，CAN模型包括卷积层、池化层、Attention层、Dropout层和全连接层；所述池化层为最大池化层；第一特征序列输入至CNN模型生成特征映射，所述注意力机制从时间维度和通道维度计算特征映射的注意力映射，然后将注意力映射与特征映射相乘最终得到轴承数据第二特征序列。5.根据权利要求4所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。