轴承剩余寿命预测方法、装置、系统和可读存储介质制造方法及图纸

本申请提供一种轴承剩余寿命预测方法、装置、系统和可读存储介质。其中方法包括获取待预测轴承的待测时序数据；提取所述待测时序数据的待测时域特征；根据所述待测时域特征，利用时序处理模型，得到与所述待测时域特征关联的估计值，所述时序处理模型是通过轴承样本的全周期数据训练得到的，所述轴承样本的全周期数据包括轴承样本的健康数据和轴承样本的故障数据，估计值是根据待测时域特征及轴承样本的健康数据，使用时序处理模型得到的；根据所述估计值与所述待测时域特征，确定残差值；依据所述残差值与轴承寿命之间的一对一的对应关系，确定所述残差值对应的轴承寿命，作为所述待预测轴承的剩余寿命。如此，预测的轴承寿命更为准确。命更为准确。命更为准确。

【技术实现步骤摘要】
轴承剩余寿命预测方法、装置、系统和可读存储介质


[0001]本申请涉及轴承检测
，尤其涉及一种轴承剩余寿命预测方法、装置、系统和可读存储介质。

技术介绍

[0002]轴承是机械设备的重要传动部件，其工作状况会对设备产生极大的影响。轴承的故障往往会降低设备的可靠性和精度，不仅影响生产、减少设备寿命，甚至会造成事故。因此，对轴承的剩余使用寿命进行预测研究意义重大。
[0003]现有技术中使用RNN处理对轴承的时序信号，预测轴承剩余寿命。由于RNN学习的数据周期短，比如一个月的数据，因此只能预测一个月的数据，对于更长时间的数据，会出现梯度消失和梯度爆炸，导致预测的轴承寿命不准确。

技术实现思路

[0004]本申请提供一种轴承剩余寿命预测方法、装置、系统和可读存储介质，方法的预测的轴承寿命更为准确。
[0005]本申请提供一种轴承剩余寿命预测方法，包括：
[0006]获取待预测轴承的待测时序数据；
[0007]提取所述待测时序数据的待测时域特征；
[0008]根据所述待测时域特征，利用时序处理模型，得到与所述待测时域特征关联的估计值，所述时序处理模型是通过轴承样本的全周期数据训练得到的，所述轴承样本的全周期数据包括轴承样本的健康数据和轴承样本的故障数据，所述估计值是根据所述待测时域特征及所述轴承样本的健康数据，使用所述时序处理模型得到的；
[0009]根据所述估计值与所述待测时域特征，确定残差值；
[0010]依据所述残差值与轴承寿命之间的一对一的对应关系，确定所述残差值对应的轴承寿命，作为所述待预测轴承的剩余寿命。
[0011]进一步的，所述轴承剩余寿命预测方法还包括：
[0012]获取轴承样本的全周期数据；
[0013]提取所述全周期数据的时域特征；
[0014]对所述时域特征进行处理，得到处理后的所述时域特征，所述处理后的时域特征包括健康数据对应的时域特征及故障数据对应的时域特征；
[0015]利用处理后的所述时域特征对所述时序处理模型进行训练；
[0016]使用所述健康数据对应的时域特征输入至所述时序处理模型，得到所述健康数据对应的时域特征关联的预测值；
[0017]确定所述预测值与所述故障数据对应的时域特征之间的残差曲线，所述残差曲线包括故障数据的残差值；所述故障数据包括所述故障数据的故障发生起始时刻及故障发生时间段；
[0018]根据所述残差曲线，确定所述残差值与轴承寿命之间的一对一的对应关系。
[0019]进一步的，所述对所述时域特征进行处理，得到处理后的所述时域特征，包括：
[0020]对所述时域特征进行归一化处理，得到归一化后的所述时域特征；
[0021]所述利用处理后的所述时域特征对所述时序处理模型进行训练，并得到所述待测时域特征关联的预测值，包括：
[0022]利用归一化后的所述时域特征对所述时序处理模型进行训练。
[0023]进一步的，所述方法还包括：
[0024]采用如下方式，获取所述残差值与轴承寿命之间的一对一的对应关系：
[0025]根据所述轴承样本的残差数据及所述轴承样本的轴承寿命，构建残差曲线；
[0026]拟合所述残差曲线，得到拟合曲线，所述残差曲线包括残差值与轴承寿命之间的一对多的对应关系，所述拟合曲线包括残差值与轴承寿命之间的一对一的对应关系。
[0027]进一步的，所述拟合所述残差曲线，得到拟合曲线，包括：
[0028]使用指数函数，对所述故障发生时间段对应的残差曲线进行拟合，得到拟合曲线，所述残差曲线包括残差值与轴承寿命之间的一对多的对应关系，所述拟合曲线包括残差值与轴承寿命之间的一对一的对应关系。
[0029]进一步的，所述时序处理模型包括Bayes
‑
LSTM模型或Bayes
‑
GRU模型。
[0030]进一步的，所述根据所述待测时域特征，利用时序处理模型，得到与所述待测时域特征关联的估计值，包括：
[0031]对所述待测时域特征进行处理，得到处理后的所述待测时域特征；
[0032]将处理后的所述待测时域特征输入至所述时序处理模型中，以输出所述估计值。
[0033]进一步的，所述对所述待测时域特征进行处理，得到处理后的所述待测时域特征，包括：从所述待测时序数据的待测时域特征中，选择表征轴承退化趋势的任一待测时域特征；对所选择的任一待测时域特征进行归一化处理，得到归一化后的所述待测时域特征；所述将处理后的所述待测时域特征输入至所述时序处理模型中，以输出所述估计值，包括：将归一化后的所述待测时域特征输入至所述时序处理模型中，以输出所述估计值；所述根据所述估计值与所述待测时域特征，确定残差值，包括：确定所述估计值，与所选择的任一待测时域特征之间的残差，作为所述残差值；
[0034]和/或，
[0035]所述对所述待测时域特征进行处理，得到归一化后的所述待测时域特征，包括：从所述待测时序数据的待测时域特征中，选择表征轴承退化趋势的多个待测时域特征；对所选择的多个待测时域特征进行归一化处理，得到归一化后的所述待测时域特征；所述将处理后的所述待测时域特征输入至所述时序处理模型中，以输出所述估计值，包括：将归一化处理后的所述待测时域特征输入至所述时序处理模型中，以输出所述估计值；所述根据所述估计值与所述待测时域特征，确定残差值，包括：确定所述估计值，与所选择的多个待测时域特征之间的多个残差；确定所述多个残差的平均值，作为所述残差值。
[0036]本申请的提供一种轴承剩余寿命预测装置，包括：
[0037]获取模块，用于获取待预测轴承的待测时序数据；
[0038]提取模块，用于提取所述待测时序数据的待测时域特征；
[0039]第一处理模块，用于根据所述待测时域特征，利用时序处理模型，得到与所述待测
时域特征关联的估计值，所述时序处理模型是通过轴承样本的全周期数据训练得到的，所述轴承样本的全周期数据包括轴承样本的健康数据和轴承样本的故障数据，所述估计值是根据所述待测时域特征及所述轴承样本的健康数据，使用所述时序处理模型得到的；
[0040]第二处理模块，用于根据所述估计值与所述待测时域特征，确定残差值；
[0041]第三处理模块，用于依据所述残差值与轴承寿命之间的一对一的对应关系，确定所述残差值对应的轴承寿命，作为所述待预测轴承的剩余寿命。
[0042]本申请的提供一种轴承剩余寿命预测系统，包括一个或多个处理器，用于实现如上任一项所述的方法。
[0043]本申请的提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上任一项所述的方法。
[0044]在一些实施例中，本申请的轴承剩余寿命预测方法，根据待测时域特征，使用轴承样本的全生命周期数据训练的时序处理模型，以输出与待测时域特征关联的估计值；根据估计值与待测时域特征，确定残本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承剩余寿命预测方法，其特征在于，包括：获取待预测轴承的待测时序数据；提取所述待测时序数据的待测时域特征；根据所述待测时域特征，利用时序处理模型，得到与所述待测时域特征关联的估计值，所述时序处理模型是通过轴承样本的全周期数据训练得到的，所述轴承样本的全周期数据包括轴承样本的健康数据和轴承样本的故障数据，所述估计值是根据所述待测时域特征及所述轴承样本的健康数据，使用所述时序处理模型得到的；根据所述估计值与所述待测时域特征，确定残差值；依据所述残差值与轴承寿命之间的一对一的对应关系，确定所述残差值对应的轴承寿命，作为所述待预测轴承的剩余寿命。2.如权利要求1所述的轴承剩余寿命预测方法，其特征在于，所述轴承剩余寿命预测方法还包括：获取轴承样本的全周期数据；提取所述全周期数据的时域特征；对所述时域特征进行处理，得到处理后的所述时域特征，所述处理后的时域特征包括健康数据对应的时域特征及故障数据对应的时域特征；利用处理后的所述时域特征对所述时序处理模型进行训练；使用所述健康数据对应的时域特征输入至所述时序处理模型，得到所述健康数据对应的时域特征关联的预测值；确定所述预测值与所述故障数据对应的时域特征之间的残差曲线，所述残差曲线包括故障数据的残差值；所述故障数据包括所述故障数据的故障发生起始时刻及故障发生时间段；根据所述残差曲线，确定所述残差值与轴承寿命之间的一对一的对应关系。3.如权利要求2所述的轴承剩余寿命预测方法，其特征在于，所述对所述时域特征进行处理，得到处理后的所述时域特征，包括：对所述时域特征进行归一化处理，得到归一化后的所述时域特征；所述利用处理后的所述时域特征对所述时序处理模型进行训练，并得到所述待测时域特征关联的预测值，包括：利用归一化后的所述时域特征对所述时序处理模型进行训练。4.如权利要求1所述的轴承剩余寿命预测方法，其特征在于，所述方法还包括：采用如下方式，获取所述残差值与轴承寿命之间的一对一的对应关系：根据所述轴承样本的残差数据及所述轴承样本的轴承寿命，构建残差曲线；拟合所述残差曲线，得到拟合曲线，所述残差曲线包括残差值与轴承寿命之间的一对多的对应关系，所述拟合曲线包括残差值与轴承寿命之间的一对一的对应关系。5.如权利要求4所述的轴承剩余寿命预测方法，其特征在于，所述拟合所述残差曲线，得到拟合曲线，包括：使用指数函数，对所述故障发生时间段对应的残差曲线进行拟合，得到拟合曲线，所述残差曲线包括残差值与轴承寿命之间的一对多的对应关系，所述拟合曲线包括残差值与轴承寿命之间的一对一的对应关系。
6.如权利要求1至5任一项所述的轴承剩余寿命预测方法，其特征在于，所述时序处理模型包括Bayes
‑
LSTM模型或Bayes
‑
G...

【专利技术属性】
技术研发人员：姜孝谟，赵慧君，杨海宾，赵庆港，蒋勇，成骁彬，林琳，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：