一种基于LSTM的轴承故障预测方法技术

本发明专利技术公开了一种基于LSTM的轴承故障预测方法，涉及轴承故障预测技术领域，针对基于振动信号的分析方法在数控机床主轴轴承故障预测过程中，存在故障特征提取困难、预测精度不高的问题，提出了一种基于LSTM的轴承温度预测模型，通过对预测残差分析实现故障预测的方法。首先采取灰色关联度分析法对采集状态变量进行特征筛选，然后以机床正常运行状态下的状态数据建立LSTM模型对轴承温度进行预测，根据预测残差设定报警阈值和规则，最后利用滑动窗口法对预测残差进行分析，实现主轴轴承故障预测。以L企业某型号磨床故障历史数据对提出的方法进行验证，结果表明该方法可以实现对数控磨床主轴轴承的故障预测，为现场维修决策提供一定的指导。一定的指导。一定的指导。

【技术实现步骤摘要】
一种基于LSTM的轴承故障预测方法


[0001]本专利技术涉及轴承故障预测
，尤其涉及一种基于LSTM的轴承故障预测方法。

技术介绍

[0002]数控机床相比于传统机床，表现出专业化、自动化、先进性等特征优势，目前轴承企业普遍采用数控机床进行车削、磨削加工，数控机床的正常运行对于轴承生产企业正常生产有着不可忽视的影响。数控机床最常见的故障是由主传动系统和进给传动系统引起的故障，其中电主轴轴承是电主轴系统中最容易产生故障的零部件之一，常见故障有磨损、点蚀等。轴承一旦发生故障，会直接影响到产品的加工精度和质量；如果未及时更换，随着运行时间加长，故障程度进一步加剧，会造成轴承无法正常运行，由于主轴系统的各零部件间关系紧密，还会造成其他零部件的损坏，影响主轴系统的正常运行。主轴轴承健康状态是影响主轴系统可靠运行的关键，如何依据状态监测数据评估判断主轴轴承健康状况，实现预防性维护，提高设备可靠度，对保障企业生产正常运行具有重要意义。
[0003]目前，基于声音、温度、振动等常用故障诊断技术中，基于振动监测的故障诊断方法得到了广泛研究。现有以振动数据为驱动的方法多数是基于信号分解方法进行的，通过提取信号中的故障特征，结合智能算法实现故障诊断和预测。但数控机床主轴轴承常在不同载荷、不同转速的多工况环境工作，其振动信号复杂，故障特征很容易被设备的其它噪声淹没，故障特征提取困难，导致故障预测精度下降。

技术实现思路

[0004]针对基于振动信号的分析方法在数控机床主轴轴承故障预测过程中，存在故障特征提取困难、预测精度不高的问题，本专利技术提出了一种基于LSTM的轴承故障预测方法。首先利用灰色关联度分析法(Grey Relation Analysis，GRA)对采集状态数据进行处理，筛选相关特征参数；然后以筛选后的状态特征作为LSTM模型的输入，以主轴轴承温度作为模型输出，建立轴承温度预测模型，实现主轴轴承温度的预测；最后利用滑动窗口法对预测残差进行处理分析，实现轴承故障预测，为维修更换主轴轴承提供决策指导。本专利技术的目的是通过下述方案得以实现的：
[0005]一种基于LSTM的轴承故障预测方法，其特征在于，包括以下步骤：
[0006]S1：利用灰色关联度分析法对原始采集数据进行处理，筛选出高关联度特征变量；
[0007]S2：以高关联度特征变量作为LSTM网络模型的输入，以轴承温度作为模型输出，建立轴承温度预测模型，并输出轴承温度的预测值；
[0008]S3：基于轴承温度的预测值，利用滑动窗口法对预测残差进行处理分析，完成轴承故障预测。
[0009]进一步的，步骤S1中灰色关联度分析法的具体操作包括以下步骤：
[0010]S101：利用式(1)对原始采集数据进行归一化处理；
[0011][0012]式中：x
k
为当前数据值；x
max
和x
min
为该特征变量的最大值和最小值；x
k
'为归一化后的数据值；
[0013]S102：利用式(2)计算各比较序列与参考序列在第i个样本点的灰色关联系数；
[0014][0015]式中：为第i个样本点比较序列x
j
与参考序列x0的关联系数，|Δx
j
(i)|表示第i个样本点比较序列x
j
与参考序列x0的差值绝对值；和分别表示全局最小值和全局最大值；ρ为调节系数；
[0016]S103：基于灰色关联系数，利用式(3)计算各比较序列的灰色关联度；
[0017][0018]式中：r
j
为关联度，n为样本总数；
[0019]S104：对步骤S103得到的各比较序列的关联度值进行降序排列，选取高关联度特征变量作为LSTM网络模型的输入。
[0020]进一步的，步骤S104中所述高关联度特征变量指的是关联度值大于0.7的特征变量。
[0021]进一步的，步骤S2的具体操作包括以下步骤：
[0022]S201：读取机床正常状态下关联度值大于0.7的特征变量的历史数据，利用式(1)对历史数据进行归一化处理；
[0023]S202：将归一化处理后的历史数据按比例划分为训练集和测试集，训练集数据用于LSTM网络模型学习，测试集数据用于验证LSTM网络模型预测效果；
[0024]S203：设置时间步长l，以每个时刻前l个时间步的训练集数据作为LSTM网络模型的输入，该时刻的温度值作为LSTM网络模型的目标输出；
[0025]S204：设置LSTM网络参数，并基于每个时刻前l个时间步的训练集数据训练LSTM网络模型；
[0026]S205：用测试集数据作为训练完成的LSTM网络模型的输入，输出模型预测值，并采用均方根误差作为评价指标评价模型的预测精度，其计算公式如式(5)所示：
[0027][0028]S206：对模型预测值进行反归一化处理，输出轴承温度预测值；
[0029]S207：调整LSTM网络参数重复训练，对比不同参数下LSTM网络模型的预测精度值，得到预测精度较高的LSTM网络模型作为最终的轴承温度预测模型。
[0030]进一步的，步骤S204的具体操作包括以下步骤：
[0031]S2041：对LSTM网络参数进行配置，并在隐藏层后加入输出层，按照一定比例随机丢弃隐藏层输出值；所述LSTM网络参数包括神经元个数、训练次数、学习速率、训练目标最
小误差；
[0032]S2042：训练LSTM网络模型，输出层通过计算预测输出与目标输出的均方误差，并将此作为损失函数，不断迭代学习，直到损失函数收敛或达到设置的迭代次数，训练结束，其计算公式如式(4)所示：
[0033][0034]式中：n为样本总数；y(i)为第i个样本点的目标值；y'(i)为对应的预测值。
[0035]进一步的，步骤S3的具体操作包括以下步骤：
[0036]S301：设滑动窗口宽度为q，该窗口下所包含预测残差的均值计算公式如式(6)，利用式(6)对预测残差进行连续分析；
[0037][0038]式中：e
p
为窗口中的第p(p＝1,2,3,...,q)个预测残差；
[0039]S302：统计得到均值的最大绝对值根据式(7)设定阈值：
[0040][0041]式中：为均值预警阈值；λ为比例系数；
[0042]S303：比较预测残差的均值与均值预警阈值的大小，当预测残差的均值超过均值预警阈值时发出故障预警信号。
[0043]与现有技术相比，本专利技术的有益效果是：
[0044](1)在多工况条件下，温度信号和振动信号相比具有噪声小的特点，故障特征明显，基于温度信号的故障预测方法可及时有效的识别出轴承故障，故障预测误报警率低；
[0045](2)设备正常状态下的运行数据易于获取，本专利技术通过充分利用挖掘正常状态下的运行数据特征实现故障预测，可有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的轴承故障预测方法，其特征在于，包括以下步骤：S1：利用灰色关联度分析法对原始采集数据进行处理，筛选出高关联度特征变量；S2：以高关联度特征变量作为LSTM网络模型的输入，以轴承温度作为模型输出，建立轴承温度预测模型，并输出轴承温度的预测值；S3：基于轴承温度的预测值，利用滑动窗口法对预测残差进行处理分析，完成轴承故障预测。2.根据权利要求1所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S1中灰色关联度分析法的具体操作包括以下步骤：S101：利用式(1)对原始采集数据进行归一化处理；式中：x
k
为当前数据值；x
max
和x
min
为该特征变量的最大值和最小值；x
k
'为归一化后的数据值；S102：利用式(2)计算各比较序列与参考序列在第i个样本点的灰色关联系数；式中：为第i个样本点比较序列x
j
与参考序列x0的关联系数，|Δx
j
(i)|表示第i个样本点比较序列x
j
与参考序列x0的差值绝对值；和分别表示全局最小值和全局最大值；ρ为调节系数；S103：基于灰色关联系数，利用式(3)计算各比较序列的灰色关联度；式中：r
j
为关联度，n为样本总数；S104：对步骤S103得到的各比较序列的关联度值进行降序排列，选取高关联度特征变量作为LSTM网络模型的输入。3.根据权利要求2所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S104中所述高关联度特征变量指的是关联度值大于0.7的特征变量。4.根据权利要求3所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S2的具体操作包括以下步骤：S201：读取机床正常状态下关联度值大于0.7的特征变量的历史数据，利用式(1)对历史数据进行归一化处理；S202：将归一化处理后的历史数据按比例划分为训练集和测试集，训练集数...

【专利技术属性】
技术研发人员：杨晓英，赵恒喆，李亚杰，张志文，刘大陆，叶军，佟霖，
申请(专利权)人：国创洛阳轴承产业技术研究院有限公司洛阳轴承研究所有限公司洛阳云锐智能信息科技有限公司，
类型：发明
国别省市：