申请/专利权人：哈尔滨理工大学

申请日：2020-01-11

公开（公告）日：2020-09-18

公开（公告）号：CN111680446A

主分类号：G06F30/27(20200101)

分类号：G06F30/27(20200101);G06K9/62(20060101);G06K9/46(20060101);G06K9/00(20060101);G01M13/045(20190101)

优先权：

专利状态码：有效-授权

法律状态：2022.11.15#授权;2020.10.20#实质审查的生效;2020.09.18#公开

摘要：一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。

主权项：1.一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，其特征在于，所述方法的实现过程为：步骤1、滚动轴承原始时域信号预处理：先对训练集内各滚动轴承原始振动信号进行FFT预处理，然后根据式1对频域幅值进行迭代计算， 式中：l表示一维时间序列的长度，IFt表示当前时刻t的迭代特征；步骤2、利用CNN提取深层迭代特征DIF：设定CNN卷积层数，滤波器数量，卷积核尺寸，池化层尺寸，池化步长，将迭代特征作为CNN的输入，运用CNN遍历完整的一维时间序列，提取其中局部信息，挖掘蕴含的深层特征，从而获得DIF；步骤3、构建CasCatBoost预测模型：将提取的DIF作为CasCatBoost的输入，先构建第一个级联层，该级联层中含有4个CatBoost，该级联层的4个CatBoost得到预测结果的同时分别得到一个决定系数R2；再构建第二级联层，该级联层中含有4个CatBoost，将第一层的输出结果和原始输入作为其输入，该级联层的4个CatBoost得到预测结果的同时分别得到一个决定系数R2；当4个决定系数的平均值不再提升时，级联停止扩展，否则继续扩展，将最后一个级联层输出4个预测结果的均值作为最终预测结果；将利用CasCatBoost预测模型得到滚动轴承当前预测使用寿命百分比、滚动轴承当前真实使用寿命百分比p以及二者之间的拟合度作为剩余寿命预测性能退化指标；步骤4、滚动轴承剩余寿命预测：首先对测试集内的滚动轴承原始振动信号提取DIF；然后将其输入到训练好的CasCatBoost预测模型中，获取性能退化指标；利用一次函数平滑曲线对其进行拟合，得到未来各点的预测寿命百分比p值趋势，当达到阈值p＝1时，认定达到全寿命；最后利用全寿命Lq减去当前寿命Ld可求得RUL，如式8所示：RUL＝Lq-Ld8利用预测的剩余寿命RUL与真实寿命ActRUL之间的误差E来反映模型剩余寿命预测性能的好坏，如式9所示：

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD