CN112990524A - 基于残差修正的滚动轴承剩余寿命预测方法 - Google Patents

基于残差修正的滚动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN112990524A
CN112990524A CN201911290741.7A CN201911290741A CN112990524A CN 112990524 A CN112990524 A CN 112990524A CN 201911290741 A CN201911290741 A CN 201911290741A CN 112990524 A CN112990524 A CN 112990524A
Authority
CN
China
Prior art keywords
residual
rolling bearing
model
life
error correction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911290741.7A
Other languages
English (en)
Inventor
夏筱筠
孙鑫
贾欢
宋佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Computing Technology of CAS
Original Assignee
Shenyang Institute of Computing Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Computing Technology of CAS filed Critical Shenyang Institute of Computing Technology of CAS
Priority to CN201911290741.7A priority Critical patent/CN112990524A/zh
Publication of CN112990524A publication Critical patent/CN112990524A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明应用长短记忆网络LSTM和残差修正的方式对滚动轴承的剩余寿命进行预测，属数控技术领域，具体涉及一种基于残差修正的滚动轴承剩余寿命预测方法。本发明包括以下步骤：采集滚动轴承全寿命周期的振动加速度信号，用使用该信号训练剩余寿命预测模型；使用滑动窗口的方式对振动加速度信号进行处理，得到训练集，使用该训练集训练LSTM网络模型；训练预测残差的BP神经网络模型；构建残差修正模型，将LSTM网络模型的结果和BP神经网络模型的结果相加即为最终模型的预测结果；将需要预测滚动轴承剩余寿命的信号，输入到残差修正模型，即可得到当前时刻的剩余寿命。本发明提高了剩余寿命预测的精确度。

Description

基于残差修正的滚动轴承剩余寿命预测方法
技术领域
本发明应用长短记忆网络LSTM和残差修正的方式对滚动轴承的剩余寿命进行预测，属数控技术领域，具体涉及一种基于残差修正的滚动轴承剩余寿命预测方法。
背景技术
滚动轴承是数控机床上应用十分广泛的零件之一。据统计,旋转机械故障有30％是由轴承故障引起的,轴承的健康状态与机械能否正常运行息息相关,因此建立起滚动轴承剩余寿命预测模型，实时的评估滚动轴承的退化程度，根据机械的使用要求及时更换不能满足工作要求的轴承对保证机械健康稳定运行具有重要的意义。
滚动轴承的剩余寿命预测被国内外众多学者所研究，提出了众多的方法。传统的思为，建立性能退化指标；建立预测模型进行预测。
性能退化指标的构建方式为从原始的信号中提取单一的统计特征，如均方根、峭度。使用单一的统计特征来人工构建性能退化指标，需要大量的专业知识和经验，并且单一的统计特征也难以保证后续的预测准确度。
预测模型的构建方式为传统的机器学习回归预测模型，如SVR或者使用隐马尔科夫模型，但这些方式需要人工提取特征，并且模型比较简单，预测的准确度低。
发明内容
本发明为了克服传统方式构建性能退化指标和提取特征困难以及传统预测模型预测寿命效果差的缺点，提出了一种基于LSTM和残差修正的剩余寿命预测的新方法。
本发明为实现上述目的所采用的技术方案是：
基于残差修正的滚动轴承剩余寿命预测方法，包括以下步骤：
1)采集滚动轴承全寿命周期的振动加速度信号；
2)使用滑动窗口的方式对振动加速度信号进行处理，得到训练集，使用该训练集训练LSTM网络模型；
3)训练预测残差的BP神经网络模型；
4)构建残差修正模型，将LSTM网络模型的结果和BP神经网络模型的结果相加即为最终模型的预测结果；
5)将需要预测滚动轴承剩余寿命的信号，输入到残差修正模型，即可得到当前时刻的剩余寿命。
所述LSTM网络模型的输入为通过滑动窗口方式所得到的t时刻的滚动轴承的特征；输出为t时刻LSTM网络模型预测的滚动轴承的寿命。
所述BP神经网络模型的输入为t时刻的振动加速度信号，输出为t时刻BP神经网络模型预测的残差。
所述残差的算法为：
Q＝S-L
其中，Q为残差，S为t时刻测量的滚动轴承振动加速度信号对应的滚动轴承真实剩余寿命，L为t时刻通过LSTM模型预测的滚动轴承剩余寿命。
所述残差修正模型为：
R＝R1(x1)+R2(x2)
其中，R1(x1)作为L为LSTM模型预测的滚动轴承的寿命，R2(x2)作为Q为BP神经网络预测的残差,R为滚动轴承剩余寿命。
本发明具有以下有益效果及优点：
本发明既不需要复杂的统计学习过程也不需要对轴承信息特殊的预处理，提高了剩余寿命预测的精确度。
附图说明
图1为本发明的方法流程图；
图2为训练LSTM网络模型流程图；
图3为训练预测残差的BP神经网络流程图；
图4为滑动过程示意图。
具体实施方式
本发明的的方案为：获取滚动轴承全寿命周期的原始振动加速度信号，将信号输入到训练好的长短记忆网络(LSTM)中进行剩余寿命的预测，将信号输入到训练好的BP神经网络进进行残差的预测，将LSTM和BP神经网络预测的结果相加即为最终的剩余寿命。
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图，具体包含以下步骤：
1、采集多组滚动轴承全寿命周期的振动加速度信号。
2、使用滑动窗口的方式对原始信号进行处理，得到模型的训练集，使用训练集训练LSTM网络模型。
3、训练预测残差的BP神经网络。
4、构建最终的残差修正模型，将LSTM网络的结果和BP神经网络的结果相加即为最终模型的预测结果。
5、将需要预测滚动轴承剩余寿命的信号，输入到上述基于残差修正的最终模型，即可得到当前时刻的剩余寿命。
数据采集的过程具体为：
采集相同工况下的多个滚动轴承的全生命周期振动数据，每10s采集一次数据，采样频率设置为25.6kHz,一次采样的时间为0.1s，振动加速度的测量值达到预先设定的阈值时认为轴承失效，此时停止测量，轴承的剩余使用寿命结束。
如某一轴承共有2000条采集数据，则其使用寿命是20000s，当前样本为其第800条采集数据时，剩余寿命为12000s,即200min,训练时标签yi即为剩余寿命200。
如图4所示为滑动过程示意图，使用滑动窗口的方式对原始信号进行处理，得到模型的训练集的过程具体为：
通常LSTM模型的输入为3维，采集的振动加速度信号为2维，所以采用滑动窗口的方式得到LSTM模型的特征输入，滑动窗口的大小设置维5，即t，t-1，t-2，t-3，t-4连续5个时刻的采集数据，作为t时刻LSTM模型的特征输入。
前4条采集数据不足以滑动，但前期数据处于相对平稳的状态，所以可以用自身数据进行补全，即第1时刻LSTM模型的输入可为5组第1时刻采集数据。
通过上述方式，把某时刻特征和相应的剩余寿命组合起来形成模型的训练集。
如图2所示，使用训练集训练LSTM网络模型的过程具体为：
1、搭建LSTM网络模型；
模型为两层LSTM网络，一层全连接层。
2、使用训练集训练LSTM最优的参数。采用训练集5折交叉验证的方式得到训练好的最优模型。
如图3所示，训练预测残差的BP神经网络的过程为：
1、首先求得残差，某时刻测量的滚动轴承振动加速度信号对应的真实剩余寿命为S，通过LSTM模型预测的剩余寿命为L，则残差Q＝S-L。
2、利用滚动轴承的全生命周期的原始振动数据作为训练数据的特征，利用滚动轴承的全生命周期振动数据对应的真实剩余寿命，以及通过LSTM模型预测得到的剩余寿命，求出残差作为训练数据的标签。特征和对应的标签组合起来形成最终的训练数据集。
3、BP神经网络设置为1个输入层，2个隐藏层，1个输出层。
4、使用训练集训练BP神经网络最优的参数。采用训练集5折交叉验证的方式得到训练好的最优模型。
在LSTM模型的基础上构建残差修正模型的具体过程：
1、构建最终的残差修正模型为：R＝R1(x1)+R2(x2)，其中R1(x1)为LSTM模型预测的结果，R2(x2)为BP神经网络预测的结果。
2、根据残差修正模型求出最终结果。

Claims (5)

1.基于残差修正的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：
1)采集滚动轴承全寿命周期的振动加速度信号；
2)使用滑动窗口的方式对振动加速度信号进行处理，得到训练集，使用该训练集训练LSTM网络模型；
3)训练预测残差的BP神经网络模型；
4)构建残差修正模型，将LSTM网络模型的结果和BP神经网络模型的结果相加即为最终模型的预测结果；
5)将需要预测滚动轴承剩余寿命的信号，输入到残差修正模型，即可得到当前时刻的剩余寿命。
2.根据权利要求1所述的基于残差修正的滚动轴承剩余寿命预测方法，其特征在于，所述LSTM网络模型的输入为通过滑动窗口方式所得到的t时刻的滚动轴承的特征；输出为t时刻LSTM网络模型预测的滚动轴承的寿命。
3.根据权利要求1所述的基于残差修正的滚动轴承剩余寿命预测方法，其特征在于，所述BP神经网络模型的输入为t时刻的振动加速度信号，输出为t时刻BP神经网络模型预测的残差。
4.根据权利要求1或3所述的基于残差修正的滚动轴承剩余寿命预测方法，其特征在于，所述残差的算法为：
Q＝S-L
其中，Q为残差，S为t时刻测量的滚动轴承振动加速度信号对应的滚动轴承真实剩余寿命，L为t时刻通过LSTM模型预测的滚动轴承剩余寿命。
5.根据权利要求1所述的基于残差修正的滚动轴承剩余寿命预测方法，其特征在于，所述残差修正模型为：
R＝R1(x1)+R2(x2)
其中，R1(x1)作为L为LSTM模型预测的滚动轴承的寿命，R2(x2)作为Q为BP神经网络预测的残差,R为滚动轴承剩余寿命。
CN201911290741.7A 2019-12-16 2019-12-16 基于残差修正的滚动轴承剩余寿命预测方法 Pending CN112990524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911290741.7A CN112990524A (zh) 2019-12-16 2019-12-16 基于残差修正的滚动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911290741.7A CN112990524A (zh) 2019-12-16 2019-12-16 基于残差修正的滚动轴承剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN112990524A true CN112990524A (zh) 2021-06-18

Family

ID=76343045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911290741.7A Pending CN112990524A (zh) 2019-12-16 2019-12-16 基于残差修正的滚动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN112990524A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186500A (zh) * 2022-02-16 2022-03-15 华中科技大学 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0312533A (ja) * 1989-06-10 1991-01-21 Takasago Thermal Eng Co Ltd ベアリングの余寿命推定方法
WO2013160059A1 (en) * 2012-04-24 2013-10-31 Aktiebolaget Skf Bearing monitoring method and system
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN110097209A (zh) * 2019-03-26 2019-08-06 朗坤智慧科技股份有限公司 一种基于参数残差的设备劣化分析方法
CN110232249A (zh) * 2019-06-17 2019-09-13 中国人民解放军陆军装甲兵学院 一种滚动轴承剩余寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0312533A (ja) * 1989-06-10 1991-01-21 Takasago Thermal Eng Co Ltd ベアリングの余寿命推定方法
WO2013160059A1 (en) * 2012-04-24 2013-10-31 Aktiebolaget Skf Bearing monitoring method and system
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN110097209A (zh) * 2019-03-26 2019-08-06 朗坤智慧科技股份有限公司 一种基于参数残差的设备劣化分析方法
CN110232249A (zh) * 2019-06-17 2019-09-13 中国人民解放军陆军装甲兵学院 一种滚动轴承剩余寿命预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186500A (zh) * 2022-02-16 2022-03-15 华中科技大学 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法
CN114186500B (zh) * 2022-02-16 2022-04-29 华中科技大学 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法

Similar Documents

Publication Publication Date Title
CN109460618B (zh) 一种滚动轴承剩余寿命在线预测方法及***
CN110866314B (zh) 多层双向门控循环单元网络的旋转机械剩余寿命预测方法
CN110232249B (zh) 一种滚动轴承剩余寿命预测方法
US20240061396A1 (en) Prediction method for tool remaining life of numerical control machine tool based on hybrid neural model
CN112508053A (zh) 基于集成学习框架的智能诊断方法、装置、设备及介质
CN103310051A (zh) 一种全寿命周期内的车载信息终端故障率预测方法
CN111914490B (zh) 一种基于深度卷积随机森林自编码的泵站机组状态评价方法
CN114819374B (zh) 区域新能源超短期功率预测方法及***
CN115034137A (zh) 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法
CN114216558B (zh) 一种无线振动传感器电池剩余寿命预测方法及***
CN116861503A (zh) 一种基于大数据的电力变压器数字孪生模型的构建方法
CN114839540A (zh) 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN116415723A (zh) 一种面向铁路防灾***的风速预测方法及装置
CN112990524A (zh) 基于残差修正的滚动轴承剩余寿命预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN109165396A (zh) 一种故障演化趋势的设备剩余使用寿命预测方法
CN110850837A (zh) 基于长短时记忆神经网络的***寿命分析与故障诊断方法
CN117591857A (zh) 一种基于深度学习的电机检测方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及***
CN117216647A (zh) 车身焊接设备预测性维护及故障诊断方法和***
CN115184734A (zh) 一种电网线路故障检测方法和***
CN111859783B (zh) 水压预测方法、***、存储介质、设备、城市供水***
CN115345192A (zh) 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法
CN114819260A (zh) 一种水文时间序列预测模型动态生成方法
CN109242569B (zh) 一种钼精矿中长期市场价格分析与预测方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination