轴承剩余寿命区间预测方法及系统技术方案

本发明专利技术公开一种轴承剩余寿命区间预测方法及系统，方法包括：采集轴承t时刻的信号数据，并基于所述信号数据预测轴承t时刻的寿命预测值；基于历史知识库中存储的轴承生命周期数据和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限；基于轴承t时刻的寿命预测值和所述完整生命周期数据或基于t时刻信号数据和其历史时刻信号数据的误差数据，预测轴承t时刻剩余寿命区间的下限；基于所述轴承t时刻剩余寿命区间的上限和所述轴承t时刻剩余寿命区间的下限，确定轴承t时刻剩余寿命区间。区间。区间。

【技术实现步骤摘要】
轴承剩余寿命区间预测方法及系统


[0001]本专利技术涉及设备健康管理
，具体涉及一种轴承剩余寿命区间预测方法及系统。

技术介绍

[0002]在电池工艺流程中，合桨是最前端工序，也是重要的工序之一，合桨电机的核心是轴承，实现对合桨电机轴承寿命的精准预测，能够及时对设备进行保养，避免一些因为机械故障磨损导致生产停滞情况，同时也能指导人工及时进行维护和备件，将异常性维护转换成预防性维护。
[0003]剩余寿命预测研究(Remaining useful life，RUL)有基于设备退化机理的方法和基于数据驱动的统计学和机器学习方法，也有结合机理和统计的方法进行寿命预测，但是当前这些剩余寿命预测研究，基本上都是将其他领域应用需求驱动下提出并发展起来的各种深度网络直接应用，其网络结构和参数均是确定性的，一般只能得到确定性的剩余寿命预测值，然而，在实际使用时只预测固定值比较限制，在预测不确定性量化能力上明显不足。
[0004]现有的区间预测方法具体可以分为两类方法：统计学方法，使用统计学上的一些方法来估计区间；损失函数法，通过定义特定的损失函数来输出区间。最近几年，基于深度的区间预测的方法都是从损失函数层面来实现的，如分位数损失(quantile loss)，通过对预测结果过拟合和欠拟合实行不同的惩罚权重来得到预测值的上限和下限，但是这种方法只是给了点预测一个看起来没什么问题的上限和下限，实际上模型并没有学习到当前时刻未知的因素，预测的剩余寿命区间并不准确。
[0005]相关技术中，申请公布号为CN112818870A的中国专利技术专利申请文献公开了一种基于门控神经网络框架的轴承剩余寿命预测方法，将测试轴承的振动信号作为输入，门控神经网络模型的输出结果即为当前时刻测试轴承的剩余寿命，通过添加贝叶斯层，将传统点预测结果转化为区间预测，以考虑轴承剩余寿命预测的不确定性。但该方案是采用GRU+注意力机制做点预测，采用贝叶斯算法做概率分布拟合和预测，实现区间预测，区间需模型训练后才可实现，数据处理过程复杂，而且虽然用贝叶斯层学习到了区间的概率分布，但仍不够显式的表达不同传感器数据波动下寿命的波动情况。
[0006]申请公布号为CN115098960A的中国专利技术专利申请文献公开了一种设备剩余使用寿命预测方法及装置，将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算，选取相似性满足预设条件的多组历史数据；将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算，获取具有最高相似性的位置及相似度；根据获得的位置和相似度，计算得到不同操作情况下的剩余寿命，并根据所述设备后续的任务剖面，确定设备剩余寿命点预测结果；在得到设备剩余寿命点预测结果的基础上，确定设备剩余寿命的区间预测结果。
[0007]但该方案采用相似度来进行点估计；在剩余寿命区间的预测过程中，通过训练样
本的模型输出预测结果和标准输出的真实值的残差来构建区间上限数据和区间下限数据训练集来进行模型训练和预测，进而得到区间上限和下限估计；由此可见，该方案中的上下限值计算使用了预测值来做区间预测，这本身就存在着一定的问题和误差。

技术实现思路

[0008]本专利技术所要解决的技术问题在于如何提高轴承剩余寿命区间预测的准确性。
[0009]本专利技术通过以下技术手段实现解决上述技术问题的：
[0010]一方面，提出了一种轴承剩余寿命区间预测方法，所述方法包括：
[0011]采集轴承t时刻的信号数据，并基于所述信号数据预测轴承t时刻的寿命预测值；
[0012]基于历史知识库中存储的轴承生命周期数据和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限；
[0013]基于轴承t时刻的寿命预测值和所述完整生命周期数据或基于t时刻信号数据和其历史时刻信号数据的误差数据，预测轴承t时刻剩余寿命区间的下限
[0014]基于所述轴承t时刻剩余寿命区间的上限和所述轴承t时刻剩余寿命区间的下限，确定轴承t时刻剩余寿命区间。
[0015]进一步地，所述采集轴承t时刻的信号数据，并基于所述信号数据预测轴承t时刻的寿命预测值，包括：
[0016]采集所述轴承t时刻的信号数据，所述信号数据包括多源信号数据和寿命时长；
[0017]将所述轴承t时刻的信号数据作为寿命预测模型的输入，预测所述轴承t时刻的寿命预测值，其中，所述寿命预测模型采用卷积神经网络结合长短期记忆网络的结构。
[0018]进一步地，在所述将所述轴承t时刻的信号数据作为寿命预测模型的输入之前，所述方法还包括：
[0019]对所述轴承t时刻的信号数据进行预处理，得到作为所述寿命预测模型输入的数据格式，所述预处理的方式包括对缺失的数据进行平滑处理、对数据进行分段处理、对数据进行归一化和特征组合。
[0020]进一步地，所述完整生命周期数据包括轴承每个时刻的历史多源信号数据及每个时刻的历史剩余寿命，所述基于历史知识库中存储的轴承生命周期数据和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限，包括：
[0021]从所述历史知识库中获取历史剩余寿命大于所述轴承t时刻的寿命预测值所对应的各条历史多源信号数据；
[0022]分别计算各条历史多源信号数据与所述轴承t时刻的多源信号数据的相似度；
[0023]计算相似度较高的n条历史多源信号数据所对应的历史剩余寿命的第一平均值；
[0024]基于所述历史剩余寿命的第一平均值和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限。
[0025]进一步地，所述轴承t时刻剩余寿命区间的上限的预测公式为：
[0026][0027]式中：为轴承t时刻剩余寿命区间的上限，Y
ipred
(t)为轴承t时刻的寿命预测
值，为历史剩余寿命的第一平均值。
[0028]进一步地，所述完整生命周期数据包括轴承每个时刻的历史多源信号数据及每个时刻的历史剩余寿命，在基于轴承t时刻的寿命预测值和所述完整生命周期数据，预测轴承t时刻剩余寿命区间的下限时，包括：
[0029]从所述历史知识库中获取历史剩余寿命小于所述轴承t时刻的寿命预测值所对应的各条历史多源信号数据；
[0030]分别计算各条历史多源信号数据与所述轴承t时刻的多源信号数据的相似度；
[0031]计算相似度较高的n条历史多源信号数据所对应的历史剩余寿命的第二平均值；
[0032]基于所述历史剩余寿命的第二平均值和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的下限。
[0033]进一步地，所述轴承t时刻剩余寿命区间的下限的预测公式为：
[0034][0035]式中：为轴承t时刻剩余寿命区间的下限，Y
ipred
(t)为轴承t时刻的寿命预测值，为历史剩余寿命的第二平均值。
[0036]进一步地，在基于t时刻信号数据和其历史本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承剩余寿命区间预测方法，其特征在于，所述方法包括：采集轴承t时刻的信号数据，并基于所述信号数据预测轴承t时刻的寿命预测值；基于历史知识库中存储的轴承生命周期数据和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限；基于轴承t时刻的寿命预测值和所述完整生命周期数据或基于t时刻信号数据和其历史时刻信号数据的误差数据，预测轴承t时刻剩余寿命区间的下限；基于所述轴承t时刻剩余寿命区间的上限和所述轴承t时刻剩余寿命区间的下限，确定轴承t时刻剩余寿命区间。2.如权利要求1所述的轴承剩余寿命区间预测方法，其特征在于，所述采集轴承t时刻的信号数据，并基于所述信号数据预测轴承t时刻的寿命预测值，包括：采集所述轴承t时刻的信号数据，所述信号数据包括多源信号数据；将所述轴承t时刻的信号数据作为寿命预测模型的输入，预测所述轴承t时刻的寿命预测值，其中，所述寿命预测模型采用卷积神经网络结合长短期记忆网络的结构。3.如权利要求2所述的轴承剩余寿命区间预测方法，其特征在于，在所述将所述轴承t时刻的信号数据作为寿命预测模型的输入之前，所述方法还包括：对所述轴承t时刻的信号数据进行预处理，得到作为所述寿命预测模型输入的数据格式，所述预处理的方式包括对缺失的数据进行平滑处理、对数据进行分段处理、对数据进行归一化和特征组合。4.如权利要求1所述的轴承剩余寿命区间预测方法，其特征在于，所述完整生命周期数据包括轴承每个时刻的历史多源信号数据及每个时刻的历史剩余寿命，所述基于历史知识库中存储的轴承生命周期数据和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限，包括：从所述历史知识库中获取历史剩余寿命大于所述轴承t时刻的寿命预测值所对应的各条历史多源信号数据；分别计算各条历史多源信号数据与所述轴承t时刻的多源信号数据的相似度；计算相似度较高的n条历史多源信号数据所对应的历史剩余寿命的第一平均值；基于所述历史剩余寿命的第一平均值和所述轴承t时刻的寿命预测值，预测轴承t时刻剩余寿命区间的上限。5.如权利要求4所述的轴承剩余寿命区间预测方法，其特征在于，所述轴承t时刻剩余寿命区间的上限的预测公式为：式中：为轴承t时刻剩余寿命区间的上限，为轴承t时刻的寿命预测值，为历史剩余寿命的第一平均值。6.如权利要求1所述的轴承剩余寿命区间预测方法，其特征在于，所述完整生命周期数据包括轴承每个时刻的历史多源信号数据及每个...

【专利技术属性】
技术研发人员：王岩，徐嘉文，王昴，
申请(专利权)人：合肥国轩高科动力能源有限公司，
类型：发明
国别省市：