申请/专利权人：昆明理工大学

申请日：2023-12-25

公开（公告）日：2024-04-19

公开（公告）号：CN117906954A

主分类号：G01M13/04

分类号：G01M13/04;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于二次特征优选与改进LSTM的滚动轴承剩余使用寿命预测方法，属于机电设备状态监测与故障诊断技术领域。首先获取滚动轴承全寿命周期降噪信号的时域、频域、时频域特征构建高维特征集并进行归一化处理，同时基于特征3约束准则与Pearson相关系数，提出了一种二次特征优选方法。随后通过3σ准则多特征综合平均确定首次预测时间并划分退化阶段以精简数据量，接着又提出基于贝叶斯优化与自注意力机制的双向长短时记忆模型实现滚动轴承RUL自主预测，进一步提升算法效率。最后，基于PRONOSTIA平台数据集进行了预测实验验证。结果表明，本发明所提方法预测精度高，能有效提升滚动轴承剩余使用寿命的准确性。

主权项：1.一种基于二次特征优选与改进LSTM的滚动轴承剩余使用寿命预测方法，具体步骤如下：Step1、提取轴承水平方向传感器的加速度振动信号；Step2、对加速度振动信号进行小波阈值降噪；Step3、在小波阈值降噪所得的数据点中提取多域特征，包括时域、频域和时频域特征，对整个全寿命的每次采样数据都进行特征提取后获得高维特征集；Step4、对高维特征集中的高维特征其进行min-max归一化处理，降低不同特征数量级的差别及对模型影响的差异： 式中：K为每一个特征的样本个数，i表示第i次采样，zi为第i次采样时刻的特征值，maxzi为特征的最大值，minzi为特征的最小值，mi为归一化后的特征值；Step5、对归一化后的高维特征进行二次特征优选：第一次特征优选：选择过程为计算各相关性、单调性、鲁棒性值，后通过线性加权获得综合值作为筛选依据，最终将综合指标高的特征筛选出来：使用平滑方法将特征划分为趋势项和残差项，如下所示：Xtk＝XTtk+XRtkXtk为tk时刻的特征；XTtk是趋势项，XRtk是残差项，tk表示第k次采样时刻；时间相关性、单调性、鲁棒性指标计算公式分别如下所示： 式中：K是时间点总的个数；δ为阶跃函数，其计算公式为： 将指标线性加权作为最终的特征筛选依据，计算公式如下：S＝ω1CorrX,T+ω2MonX+ω3RobX 式中，ωc为各自权值；第二次特征优选：选择与RMS特征Pearson相关系数绝对值高的特征，剔除相关系数绝对值较低的特征，最终获得二次优选后的特征集： 式中，Cov表示两个向量之间的协方差，X，Y分别为两个特征向量，D表示方差，ρX，Y表示两个向量之间的Pearson相关系数，取值范围为[-1,1]，绝对值越接近1，则相关性越强；Step6、根据二次特征优选出来的特征集，选择Pearson系数绝对值较高的特征，依据3σ准则确定FPT：|xtl-μ|≥3σ,l＝1,2,...,5,式中，μ，σ分别为特征在平稳运行期的均值与方差，xtl为特征在tl时刻的值，l表示连续满足3σ准则的点数；设置当连续5个点都满足3σ时，则确定5个点的第一个点为FPT；Step7、将Pearson系数值高的特征分别使用3σ准则确定FPT，之后对求其平均值，得到最终的FPT： 式中，设置m为4，FPTj为第j个特征的首次预测时间点；Step8、定义故障时间标签：将失效时刻值与当前时刻值差值比上失效时刻与退化点时刻差值作为标签数据： 式中：ti为当前时刻，tF失效时刻点，tFPT为首次预测时间点；当确定FPT后，FPT点标签即为1，失效点标签为0；Step9、使用贝叶斯优化SaBiLSTM超参数，包括第一层隐含层细胞数Nu1，第二层隐含层细胞数Nu2，batchsize、学习率learing_rate、丢弃率dropout_rate；Step10、将优化后的超参数输入SaBiLSTM模型，将测试集输入模型测试；Step11、输出测试结果，计算真实值与测试结果的均方误差与平均绝对误差： 式中：n为测试集样本总数，yi真实标签，为测试集产生的标签，评价指标越小，则预测的值与真实值的差距越小，模型的预测精度越高。

全文数据：

权利要求：

百度查询： 昆明理工大学 基于二次特征优选与改进LSTM的滚动轴承剩余使用寿命预测方法

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