基于文本特征和卷积神经网络的轴承寿命预测方法及装置与流程

技术特征：
1.基于文本特征和卷积神经网络的轴承寿命预测方法，其特征在于，所述方法包括：获取待预测滚动轴承的时域振动数据；对所述时域振动数据进行降噪处理；对降噪后的时域振动数据经过傅里叶变化获取频域数据；提取所述频域数据的频域特征，以及对所述频域数据进行编码获取文本特征；将所述频域特征，以及所述文本特征输入预先训练好的神经网络模型中，预测所述待预测滚动轴承的预测寿命。2.根据权利要求1所述的方法，其特征在于，获取滚动轴承的时域振动数据，包括：分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度；所述时域振动数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。3.根据权利要求1所述的方法，其特征在于，对所述时域振动数据进行降噪处理，包括：利用小波分解对所述时域振动数据进行降噪处理。4.根据权利要求1所述的方法，其特征在于，对所述时域振动数据进行降噪处理，包括：利用稀疏自编码器对所述时域振动数据进行降噪处理。5.根据权利要求1所述的方法，其特征在于，提取所述频域数据的频域特征，包括：提取所述频域数据的频域特征，并进行平滑变换以及累计变换；其中，所述频域特征包括方差、偏度、峰度、最值以及裕度因子；所述平滑变换利用s-g滤波函数；其中累计变换采用的公式为：x＝[x1，x2，...，x
i
，...，x
n
]]其中，x是输入数据的水平特征以及垂直特征，s
i
是i时刻的累计值，c
i
是i时刻的累计变换值。6.根据权利要求1所述的方法，其特征在于，对所述频域数据进行编码获取文本特征，包括：频域数据共n个样本，每个样本d
i
包含t个时间点，每个时间点为长度l的振动幅度数据；将所述振动幅度数据的值域划分成个j区间，统计每个样本d
i
每个时间点包含的不同振幅的个数，将这j个区间视为j个不同的单词w
j
，得到词频矩阵m；通过以下方法构建词频特征；对所述词频矩阵m进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m*作为词频特征；通过以下方法构建词频-逆文本频率特征：所述词频矩阵m除以采样频率得到第一中间量m’；所述第一中间量m’乘以归一化的逆文本频率，得到第二中间量m”，对所述第二中间量m”进行奇异值分解，利用最大的奇异值重构矩阵，得到的低维特征矩阵m^作为词频-逆文本频率特征；
其中，词频-逆文本频率包括词频系数及归一化的逆文本频率；其中，其中，词频-逆文本频率＝词频系数*归一化的逆文本频率，归一化的逆文本频率的分母|j：w
j
∈d
i
|为包含单词w
j
的样本d
i
的数量。7.根据权利要求1所述的方法，其特征在于，所述神经网络模型包含18个卷积层，其中每3层正向卷积层设置1个残差连接和注意力模块；所述神经网络模型使用自适应矩估计优化器进行参数优化，学习率为0.001；所述神经网络模型卷积层之间使用批归一化和relu激活函数；所述神经网络最后一层为全连接层，并利用sigmoid激活函数对神经网络的输出进行归一化。8.基于文本特征和卷积神经网络的轴承寿命预测装置，其特征在于，所述装置包括：获取模块，用于获取待预测滚动轴承的时域振动数据；降噪模块，用于对所述时域振动数据进行降噪处理，处理模块，用于对降噪后的时域振动数据经过傅里叶变化获取频域数据；以及，提取所述频域数据的频域特征，以及对所述频域数据进行编码获取文本特征；预测模块，用于将所述频域特征，以及所述文本特征输入预先训练好的神经网络模型中，预测所述待预测滚动轴承的预测寿命。9.根据权利要求1所述的装置，其特征在于，所述获取模块具体用于：分别采集待预测滚动轴承的水平方向振动幅度以及垂直方向振动幅度；所述时域振动数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。10.根据权利要求1所述的装置，其特征在于，所述降噪模块具体用于：利用小波分解对所述时域振动数据进行降噪处理。

技术总结
本申请提供基于文本特征和卷积神经网络的轴承寿命预测方法及装置，方法包括：获取待预测滚动轴承的时域振动数据；对时域振动数据进行降噪处理；对降噪后的时域振动数据经过傅里叶变化获取频域数据；提取频域数据的频域特征，以及对频域数据进行编码获取文本特征；将频域特征，以及文本特征输入预先训练好的神经网络模型中，预测待预测滚动轴承的预测寿命。本申请提供的方法使用小波分解、重构的方法进行降噪，避免了阈值挑选的问题；本申请使用的文本特征作为新的退化指标，避免了传统退化指标表征不全面的缺点；并将注意力机制应用到特征通道中，增强了卷积神经网络中的特征关联能力。力。力。


技术研发人员：朱柏康 黄河燕 杨晨
受保护的技术使用者：北京理工大学东南信息技术研究院
技术研发日：2021.11.19
技术公布日：2022/3/15