【技术实现步骤摘要】
本专利技术涉及轴承安全监控，更具体地说，涉及一种基于深度学习模型的轴承剩余使用寿命预测方法及装置。
技术介绍
1、随着现代工业的快速发展，旋转机械设备的高度集成化对系统的安全性提出了更高要求。滚动轴承是旋转机械设备的重要部件。例如，风电机组的齿轮箱和发电机轴承、高速列车的轴箱轴承、起重机制动装置轴承、码垛机器人中的伺服点击轴承等。滚动轴承的运行状态直接影响着机械设备的性能和可靠性，轴承是部分设备的故障多发点。据统计，轴承故障占风电机组齿轮箱和发电机总故障的21％和41％，超过30％的旋转机械设备故障是由轴承故障引起的。因此，有必要对滚动轴承的运行状态进行监测以预防相关故障的发生。故障预测与健康管理(phm)是对设备运行状态进行诊断、评估、预测以及对设备的使用计划、维修资源等进行管理的多学科交叉技术。剩余使用寿命(rul)预测是phm的核心技术，目的是预测设备的健康情况以减小突发故障造成的损失，最终实现预测性维护。
2、现阶段，轴承rul预测方法可以分为两大类，基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法需要根据...
【技术保护点】
1.一种基于深度学习模型的轴承剩余使用寿命预测方法，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，对轴承振动信号数据集处理得到轴承剩余使用寿命预测数据集，步骤包括：
3.根据权利要求2所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，所述特征评估度量指标包括单调性、趋势性和可预测性。
4.根据权利要求2所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，所述轴承剩余寿命标签通过记录轴承从开始运行到失效的总时间减去当前时间点，得到轴承剩余使用寿命，对轴...
【技术特征摘要】
1.一种基于深度学习模型的轴承剩余使用寿命预测方法，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，对轴承振动信号数据集处理得到轴承剩余使用寿命预测数据集，步骤包括：
3.根据权利要求2所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，所述特征评估度量指标包括单调性、趋势性和可预测性。
4.根据权利要求2所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，所述轴承剩余寿命标签通过记录轴承从开始运行到失效的总时间减去当前时间点，得到轴承剩余使用寿命，对轴承剩余使用寿命进行归一化处理。
5.根据权利要求1所述的一种基于深度学习模型的轴承剩余使用寿命预测方法，其特征在于，所述编码器层包括多头自注意力机制和前馈神经网络；所述多头自注意力机制通过多个自注意力机制拼接形成；所述多头自注意力机制利用多个自注意力头分别学习不同特征的表现子空间信息，再将多个自注意力头进行拼接与线性变换，得到最终的注意力值，计算公式为：
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。