滚动轴承剩余寿命预测方法与流程

1.本发明涉及机械设备中轴承振动信号处理与剩余寿命预测领域， 具体涉及到一种基于mrsvd和lstm的滚动轴承剩余寿命预测方 法。
技术背景
2.随着机械设备精细化、系统化、自动化、大型化程度的加深，其 工作的可持续性要求也越来越高，因此也提高了对于设备的健康管理 要求。对于有显著退化趋势特征的机械零件，对其进行剩余寿命评估 显得十分有必要，这保证了机械设备的工作效率以及防止因零件失效 带来对机械的二次伤害。滚动轴承是绝大部分机械设备中不可缺少的 零部件之一，在机械系统中有着十分重要的作用，同时，滚动轴承由 于容易在高温、高压的环境下工作，也导致了其使用寿命容易减少， 成为易损耗的机械零件之一。因此对滚动轴承进行当前的剩余使用寿 命预测，成为了在现代设备的健康管理中的重要环节。
3.信号在采集和传输过程中，由于外界环境干扰和本身仪器影响， 会有噪声夹杂在其中，对于信号分析结果会产生巨大的影响，因此信 号去噪是信号分析的一项基本工作。


技术实现要素：

4.本发明的目的在于提供一种滚动轴承剩余寿命预测方法，该方法 预测效果好、精度高、无需建立复杂模型，计算方便。
5.本发明的发明目的通过以下技术方案实现：
6.一种滚动轴承剩余寿命预测方法，包括：
7.步骤(1)：使用振动传感器对滚动轴承的原始时域振动信号进行 采集；
8.步骤(2)：对步骤(1)得到的滚动轴承的原始时域振动信号进 行降噪平滑处理，得到降噪后的平滑时域振动信号；
9.步骤(3)：提取步骤(2)降噪后的平滑时域振动信号的时域特 征指标与频域特征指标；
10.步骤(4)：对步骤(3)提取的时域特征和频域特征进行相关性 分析，选择得出与轴承寿命强相关的特征指标；
11.步骤(5)：利用滚动轴承的全寿命周期的与轴承寿命强相关的特 征指标构建剩余寿命预测模型，该剩余寿命预测模型用于为同况的滚 动轴承进行剩余寿命预测。
12.进一步，所述步骤(2)的降噪平滑处理方法为多分辨奇异值分 解。
13.进一步，多分辨奇异值分解的分解层数为：当细节信号的峭度值 达到最大，分解层数则确定为当前分解层数加5。
14.进一步，步骤(3)中，时域特征指标包括量纲特征与无量纲特 征，量纲特征包含平均幅值、方差、最大值、方根均值、最小值、绝 对平均幅值、峭度、均方根、偏度、峰峰值；无量纲特征包含波形指 标、峰值指标、脉冲指标、裕度指标、峭度指标、偏度指标。
15.进一步，步骤(3)中，频域特征指标包含重心频率、平均频率、 均方根频率、频率标
准差。
16.进一步，步骤(4)的相关性分析为pearson相关性分析，通过下式：
[0017][0018]
其中ρ
x,y
为变量x,y的相关性系数；e为样本的数学期望；
[0019]
选择相关性系数为0.5～1的时域特征指标和频域特征指标作为轴 承寿命强相关的特征指标。
[0020]
进一步，步骤(5)使用长短旗记忆神经网络构建剩余寿命预测 模型；
[0021]
将步骤(4)经过相关性分析后的数据进行min-max标准化处理， 并将标准化后的数据输入长短期记忆神经网络；标准化处理公式为：
[0022]
x
minmax
＝(x-x
min
)/(x
max-x
min
)
[0023]
其中x
min
是序列中的最小值，x
max
是序列中的最大值，x为序列的 当前值。
[0024]
进一步，步骤(5)还包含通过平均误差绝对百分比mape得出当 前剩余寿命预测模型对当前测量的滚动轴承的寿命预测精度：
[0025][0026]
其中y为剩余寿命真实值，yi为剩余寿命预测值，n为预测的总 长度。
[0027]
本发明的有益效果在于：通过振动传感器采集滚动轴承的振动信 号，并通过多分辨奇异值分解去除了原振动信号的噪声，相比于其他 降噪方法，多分辨奇异值分解降噪方法消除了传统方法中的相位偏移 和边界误差，提高了之后数据预测时的精度。再将去噪后的振动信号 提取时域特征和频域特征，得到表征轴承运行状态的特征参数。得到 了对于轴承的健康管理、故障诊断的数据基础。在寿命预测中，通过 pearson相关分析得到了与轴承寿命强相关的特征信息，使用数据对 lstm神经网络进行训练，得到训练好的神经网络后使用待测轴承对 当前状态的数据输入至网络预测当前寿命并计算剩余使用寿命，能够 在失效前的任意时刻对滚动轴承进行寿命预测，并具有相对较高的预 测精度和预测效果。
附图说明
[0028]
为了更清楚说明本发明实施例的技术方案，下面将对实施例中所 需要使用的附图作简单的介绍。应当理解，以下附图仅示出了本发明 的某些实施例，因此不应被看作是对范围的限定。对于本领域普通技 术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他相关的附图。
[0029]
图1为本发明的实施例提供的滚动轴承剩余寿命预测方法打的 流程示意图。
[0030]
图2为本发明中多分辨奇异值分解对于原始振动信号的处理流 程示意图。
具体实施方式
[0031]
下面结合附图，对本发明的具体实施方式进行详细说明。
[0032]
参照附图1，本实施例提供了一种滚动轴承剩余寿命预测方法， 下面对该方法具
体步骤进行说明。
[0033]
步骤(1)：使用振动传感器对滚动轴承的原始时域振动信号进行 采集。此时，振动传感器采集到的信号包含轴承退化信息的数据以及 噪声数据。
[0034]
步骤(2)：对步骤(1)得到的滚动轴承的原始时域振动信号进 行降噪平滑处理，得到降噪后的平滑时域振动信号，该平滑时域振动 信号能够明显表征轴承全寿命周期的有用信号。
[0035]
在本实施例中，降噪平滑处理方法为多分辨奇异值分解 (mrsvd)，得到降噪后的平滑时域振动信号。多分辨奇异值分解是 在奇异值分解的基础上，结合矩阵二分递推结构原理，参考小波多分 辨率分析思想，将信号分解到不同层次子空间的一种信号分解方法。 多分辨奇异值分解可以使分离出的信号保持其在原信号中的相位不 变，也不影响保留下来的信号的相位，因而是一种零相移消噪方法， 这是一般的滤波器方法很难实现的，同时也消除了常用小波变换降噪 中的边界误差。
[0036]
对于一个信号a0＝(x1,x2,...,xn)，构造行数为2的hankel矩阵
[0037][0038]
得到奇异值为σ1,σ2，再由σ1,σ2得到a1,d1，其中a1的贡献量相对 较大，是信号主要成分，d1贡献量小，是细节成分。对信号主要成分 再进行矩阵构造，如此递推下去则可以得到一系列svd信号，主要信 号记为aj，细节信号为dj。
[0039]
对于任何含噪的离散数字信号x(i)，可以表示为
[0040]
x(i)＝s(i) ξ(i)i＝1,2,...,n
[0041]
其中s(i)为正常信号，ξ(i)为噪声信号，n为信号长度，则x(i)构 造的hankel矩阵a可以表示为：
[0042]
a＝as a
ξ
[0043]
其中as和a
ξ
分别为s(i)和ξ(i)构造的hankel矩阵。
[0044]
由于噪声信号的无规则性，ξ(i)分解后的奇异值互相均匀，因此 每对x(i)进行一次奇异值分解，大部分的正常信号被保留下来，而噪 声信号则可以去除一半，第二次分解后噪声信号则只剩下1/4，所以 n次分解后的噪声信号仅仅剩下了原噪声信号的1/2n，却保留了大部 分有用信号，经过一定层数分解后则可获得良好效果。
[0045]
对于分解层数的确定，当细节信号的峭度值达到最大，即当前近 似信号若继续分解得到的下一层细节信号的峭度值出现下降趋势时， 分解层数则确定为当前分解层数加5。
[0046]
步骤(3)：提取步骤(2)降噪后的平滑时域振动信号的时域特 征指标与频域特征指标。时域特征指标包括量纲特征(详细见表1) 与无量纲特征(详细见表2)，频域特征指标(详细见表3)，构建振 动信号参数的多维特征集。
[0047]
表1
[0048][0049]
表2
[0050][0051][0052]
表3
[0053][0054]
步骤(4)：对步骤(3)提取的时域特征和频域特征进行相关性 分析，选择得出与轴承寿命强相关的特征指标。
[0055]
在本实施例中，将提取的时域特征指标与频域特征指标使用 pearson相关性分析法对滚动轴承消噪后的每个特征参数进行相关性 分析，筛选出与轴承剩余使用寿命强相关的振动信号特征参数作为之 后神经网络的输入信号。pearson相关系数计算公式为：
[0056][0057]
其中ρ
x,y
为变量x,y的相关性系数；e为样本的数学期望。
[0058]
当x,y两个变量无关时，pearson相关系数为0，若变量x,y存 在负相关关系，则相关系数ρ
x,y
在-1～0之间，若变量x，y存在正相 关关系，则相关系数ρ
x,y
在0～1之间。相关系数的绝对值越大，则说 明其相关性越强，具体系数范围与相关程度如下表所示：
[0059][0060]
剔除无关和弱相关的特征参数，防止其对神经网络的输入造成污 染，并选择强相关0.5～1的振动信号特征参数构建新的强相关特征集 矩阵。
[0061]
步骤(5)：利用滚动轴承的全寿命周期的与轴承寿命强相关的特 征指标构建剩余寿命预测模型，该剩余寿命预测模型用于为同况的滚 动轴承进行剩余寿命预测。
[0062]
在本实施例中，采用长短期记忆神经网络(long and short timememory neural network，lstm)进行剩余寿命预测模型训练。长短期 记忆神经网络作为一种改进型的循环神经网络，可以有效解决之前的 循环神经网络过深或者时序数过多时的梯度爆炸或者是梯度消失的 问题。同时在时序预测的表现上十分良好，因此在旋转机械的寿命预 测上具有较高的应用价值，因此在寿命预测过程中选用lstm预测方 法。
[0063]
将步骤(4)经过pearson相关性分析后的数据进行min-max标准 化处理，并将标准化后的数据输入长短期记忆神经网络，将滚动轴承 的实际使用寿命作为网络的映射结果，构建lstm剩余使用寿命预测 模型。标准化处理公式为：
[0064]
x
minmax
＝(x-x
min
)/(x
max-x
min
)
[0065]
其中x
min
是序列中的最小值，x
max
是序列中的最大值。x为序列的 当前值。
[0066]
步骤5.1：将标准化后的数据输入长短期记忆神经网络进行训练。 关于长短期记忆神经网络(lstm)，其模型有三个门和一个记忆单元， 分别是输入门(input gate)，输出门(output gate)，遗忘门(forget gate)和 用来保留信息状态的记忆单元(memory cell)。记忆单元c
t
由输入门i
t
和 遗忘门f
t
控制，其作用是保存当前时刻的信息状态。输入门决定了在 当前输入在记忆单元内可以保留多少有效的信息，遗忘门则决定了在 上一时刻中的记忆单元有多少信息可以继承到当前的状态，输出门o
t
则是对当前时刻记忆单元的信息进行处理并输出。
[0067]
上一时刻神经元的输出数据与当前时刻输入一并进入第一个交 互层即遗忘门层中，经遗忘门处理后输出f
t
，值为一个0～1的数字， 与重要程度呈正相关性，其具体表达式如下式所示：
[0068]ft
＝σ[wf·
(h
t-1
,x
t
) bf]
[0069]
第二个交互层为输入门层，上一时刻的数据与当前输入经输入门 处理后决定了哪些信息应该被更新进记忆单元中，表达式如下式所 示：
[0070]it
＝σ[wi·
(h
t-1
,x
t
) bi]
[0071]
输入门计算结束后，创建一个候选值作用为将当前状态输入 门的计算值更新进入整体序列记忆单元c
t
中，其表达式如下：
[0072][0073]
然后是记忆单元的更新，通过遗忘门的计算结果和输入门的计算 结果相结合，可以得到其更新值,符号表示按元素相乘，表达式如下：
[0074][0075]
输出门通过上一时刻的数据与当前输入生成当前状态的lstm 的输出值，表达式如下：
[0076]ot
＝σ[wo·
(h
t-1
,x
t
) bo]
[0077]
基于记忆单元的更新，确定了lstm神经元最终的输出值：
[0078][0079]
步骤5.2：通过试凑法确定lstm的超参数，包括循环次数、神 经元个数、dropout层的比例、目标精度等，当网络收敛后确定lstm 网络。
[0080]
步骤5.3：关于剩余寿命预测模型的应用：由步骤5.1和5.2确定 lstm网络后，使用与训练数据相同工况的同种型号轴承，将实时采 集到的振动信号经过步骤(1)-(4)确定的特征参数数据输入到剩余 寿命预测模型中去，并通过剩余寿命预测模型内部的映射关系得出当 前滚动轴承的剩余使用寿命。
[0081]
步骤5.4：通过平均误差绝对百分比(mape)得出当前神经网络 对该滚动轴承的寿命预测精度，mape的计算公式如下：
[0082][0083]
其中y为剩余寿命真实值，yi为剩余寿命预测值，n为预测的总 长度。mape越小，则预测精度越高。
[0084]
本发明解决了在现有滚动轴承的寿命预测算法中的不足，在降噪 部分相比于现有常用的小波降噪，消除了相位偏移与边界误差的现 象，并且通过pearson相关性分析确定了相关性强的特征参数，防止 了数据污染，在预测过程中使用lstm神经网络进行预测，由于lstm 网络适合由于其结构原因，适合时序数据，而轴承振动信号也与时序 强相关，因此精度相对于其他网络有了更好的提升，当网络训练完成 后，能够对其他同工况的轴承任意时刻进行寿命预测。
[0085]
本行业的技术人员应该了解，本发明不受上述实施例的限制，上 述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明 精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改 进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权 利要求书及其等效物界定。