【技术实现步骤摘要】
一种滚动轴承剩余寿命预测方法及系统
[0001]本专利技术涉及轴承故障预测与健康管理
,尤其涉及一种滚动轴承剩余寿命预测方法及系统
。
技术介绍
[0002]故障预测与健康管理技术
(PHM)
是提高机械设备可靠性和效益的一项重要手段
。
其中剩余使用寿命
(RUL)
预测作为
PHM
的重要组成部分,能够为运维决策提供有价值的建议指导,从而保障机械设备的可靠运行和效率
。
滚动轴承作为旋转机械的关键部件,是维持机械系统正常运行的重要因素
。
在工业实际运用中,时常因为复杂工况下的高速和重载的因素导致其失效,最终引起机械系统故障
。
据统计,旋转机械系统中的故障一半由于轴承故障引起,因此,对滚动轴承进行
RUL
预测,并根据有效的预测结果进行预见性的维护,对于提高机械设备的可靠性具有重要意义
。
[0003]而随着传感器和深度学习技术的不断发展,基于数据驱动的
RUL
预测方法已经受到广泛研究,例如将长短时记忆网络
(LSTM)
构建轴承
RUL
寿命预测模型,提高了对轴承运行状态的认知能力
。
采用门控双注意力单元
(GDAU)
神经网络,有效实现了滚动轴承的
RUL
预测
。
将卷积和长短时记忆模块相结合的卷积长短时记忆
(CNNLSTM) ...
【技术保护点】
【技术特征摘要】
1.
一种滚动轴承剩余寿命预测方法,其特征在于,包括如下步骤:获取样本,所述样本包括有标签的源域样本和无标签的目标域样本;构建增强残差卷积领域适应网络,所述增强残差卷积领域适应网络包括特征提取器
、
领域适应模块以及
RUL
预测器,所述特征提取器采用增强残差卷积网络和卷积注意力模块,用于提取退化特征,并对所述退化特征进行筛选和增强,以分别获得源域特征和目标域特征;所述领域适应模块包括最大均值差异,所述源域特征和目标域特征输入至所述领域适应模块中计算最大均值差异损失;所述源域特征输入所述
RUL
预测器中输出预测误差;利用所述样本对所述增强残差卷积领域适应网络进行训练,得到滚动轴承剩余寿命预测模型;基于所述滚动轴承剩余寿命预测模型得到滚动轴承的剩余寿命预测值
。2.
如权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述增强残差卷积网络的每个卷积块均为残差结构
。3.
如权利要求2所述的滚动轴承剩余寿命预测方法,其特征在于,所述残差结构为:将两层卷积非线性变换前的输入与变换后的输出相连接后进行激活
‑
池化操作
。4.
如权利要求2所述的滚动轴承剩余寿命预测方法,其特征在于,在每个所述卷积块内增加一个卷积
‑
归一化的卷积层
。5.
如权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述领域适应模块还包括并行全连接结构,所述并行全连接结构设置于所述特征提取器与
RUL
预测器以及特征提取器与领域适应模块之间
。6.
【专利技术属性】
技术研发人员:蒋全胜,陆星驰,沈晔湖,吴石磊,姚琴,王报祥,谢鸥,朱其新,
申请(专利权)人:苏州科技大学,
类型:发明
国别省市:
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。