一种基于时频分析与深度学习的轴承剩余寿命预测方法技术

本发明专利技术涉及轴承剩余寿命预测领域，具体是一种基于时频分析与深度学习的轴承剩余寿命划分方法，包括以下步骤：S1、数据集的构建；S2、TFM特征数据集构建；S3、HI预测网络的训练；S4、测试集轴承HI预测；S5测试集轴承RUL预测。本发明专利技术通过深度学习网络来预测轴承的剩余寿命，然而轴承振动信号信息密度低且轴承健康运行阶段的数据退化特征不明显，因此，首先通过专家知识将轴承的运行状态划分为健康与故障；其次，使用连续小波变换将故障的轴承振动信号变换为时频图像数据；最后，在训练网络中加入注意力机制，为不同的特征信息动态给予不同的权重，实现基于轴承的剩余寿命预测。

【技术实现步骤摘要】

本专利技术涉及的是滚动轴承剩余寿命（remaining useful life, rul）预测，具体的说是基于振动信号时频分析与深度学习网络，进行轴承rul预测的方法。

技术介绍

1、滚动轴承作为旋转类设备中的关键部件，通常运行在较为恶劣的环境下。轴承的故障往往会造成整个工作机组的停机故障，甚至出现生产安全事故。因此对滚动轴承进行剩余寿命（remaining useful life, rul）预测，提前获取轴承rul，可以有效避免轴承损坏导致机器在运行中出现失控。

2、轴承运转过程中产生的振动信号，通常是非平稳、非线性的，因此很难直接利用轴承的原始振动信号进行rul预测，需要对轴承的原始振动信号进行预处理或特征提取。当前，针对轴承信号特征提取的方法主要有：提取轴承振动信号的时域特征如：最大值、最小值、均方根值等；提取轴承的频域特征如：利用小波包分解得到贡献度高的频域数据、提取快速傅里叶变换中的频谱特征等；提取轴承的时频特征如：使用短时傅里叶变换（shorttime fourier transform,stft）、连续小波变换（continuou本文档来自技高网...

【技术保护点】

1.一种基于时频分析与深度学习的轴承剩余寿命预测方法，是由连续小波变换，深度学习为残差卷积神经网络与通道注意力机制组成，其特征在于，通过CWT将将轴承的原始振动数据处理为时频谱图（Time - Frequency Map，TFM），基于通道注意力与残差卷积网络构建RUL预测模型并使用轴承训练集的TFM数据进行训练，得到性能指标最好的模型，基于训练好的模型对轴承测试集的TFM进行深层退化特征提取与健康因子（HI）计算，并使用均值平滑HI、多项式回归拟合所有的HI得到轴承的RUL。

2.如权利要求1所述的一种基于时频分析与深度学习的轴承剩余寿命预测方法，其实现步骤如下：步骤一：首...

【技术特征摘要】

1.一种基于时频分析与深度学习的轴承剩余寿命预测方法，是由连续小波变换，深度学习为残差卷积神经网络与通道注意力机制组成，其特征在于，通过cwt将将轴承的原始振动数据处理为时频谱图（time - frequency map，tfm），基于通道注意力与残差卷积网络构建rul预测模型并使用轴承训练集的tfm数据进行训练，得到性能指标最好的模型，基于训练好的模型对轴承测试集的tfm进行深层退化特征提取与健康因子（hi）计算，并使用均值平滑hi、多项式回归拟合所有的hi得到轴承的rul。

2.如权利要求1所述的一种基于时频分析与深度学习的轴承剩余寿命预测方法，其实现步骤如下：步骤一：首先将采集到的所有滚动轴承的全寿命振动加速度数据划分为训练集与测试集，其中xn代表训练集中第n个轴承的全寿命振动加速度数据，yn代表测试集中第n个轴承的全寿命振动加速度数据，针对滚动轴承在整个生命周期中大部分时间运行在健康或者润滑不足（轻微劣化）阶段，本发明通过专家知识与正态分布将轴承的失效阶段划分出来，构建成新的轴承测试集，基于相应的专家知识判断轴承振动加速度信号的有效值，当轴承某个采样时刻的rms值超过该轴承前50%寿命周期的rms值，则认定其为轴承故障数据，正态...

【专利技术属性】
技术研发人员：卜振飞，左明健，饶猛，靳亚强，
申请(专利权)人：青岛明思为科技有限公司，
类型：发明
国别省市：