本發明涉及軸承使用壽命，特別涉及一種軸承剩余壽命預測方法及裝置。

背景技術：

1、軸承在復雜環境、變化載荷等條件下長時間運轉，由于內部熱應力、機械應力復雜多變，內部結構極易發生損壞，當軸承發生失效后，影響機械正常運轉，會造成相應的生產損失。

2、為了將軸承使用壽命控制在正常范圍之內，普遍采用過度保護策略，在軸承未發生嚴重磨損或破壞之前進行代替品更換，這種更換方法完全憑借經驗，沒有嚴格的理論依據，在軸承剩余使用壽命未完全消耗盡前就盡心該更換，造成了軸承壽命的浪費。在相關研究領域中，也有研究人員使用隱馬爾可夫模型、貝葉斯模型等機器學習算法構建預測模型，但這類方法需要人工進行特征提取，人工提取的特征存在遺漏，因此提取到的特征不能完全表示軸承磨損退化的狀態，導致擬合出來的模型對軸承壽命預測不準確。

技術實現思路

1、本發明實施例提供一種軸承剩余壽命預測方法及裝置，用于解決現有技術中過度保護策略造成了軸承壽命的浪費，且機器學習算法對軸承壽命預測不準確的問題。

2、為了解決上述技術問題，本發明采用如下技術方案：

3、本發明實施例提供一種軸承剩余壽命預測方法，包括：

4、獲取加速度傳感器每個預設時間采集的多個軸承全部生命周期過程的多組振動信號，所述加速度傳感器用于采集所述軸承在第一方向和第二方向上的振動信號，所述第一方向和所述第二方向垂直于所述軸承的軸向，且所述第一方向與所述第二方向垂直；

5、采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到不同數據采集時間與所述振動信號的第一對應關系；

6、建立所述振動信號為輸入所述軸承的剩余壽命為輸出的第一模型；

7、根據所述第一對應關系對所述第一模型進行訓練，得到預測模型；

8、根據所述預測模型對目標軸承的剩余壽命進行預測。

9、進一步地，所述采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到不同數據采集時間與所述振動信號的第一對應關系，包括：

10、采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到第一信號數據；

11、對所述第一信號數據進行歸一化處理，得到處理后的第二信號數據；

12、根據所述第二信號數據確定所述第一對應關系。

13、進一步地，所述采用小波軟硬閾值折衷法對多組所述加速度傳感器信號進行處理，得到第一信號數據，包括：

14、將多組所述加速度傳感器信號分解為高頻信號分量和低頻信號分量；

15、對所述高頻信號分量進行小波分解，得到高頻系數和低頻系數；

16、對所述高頻系數進行軟硬閾值折衷處理，得到第三信號數據；

17、將所述第三信號數據與所述低頻系數進行小波重構，得到第四信號數據；

18、將所述第四信號數據與所述低頻信號分量進行小波重構，得到所述第一信號數據。

19、進一步地，所述根據所述第二信號數據確定所述第一對應關系，包括：

20、將每組所述第二信號數據對應的采集時刻進行標記；

21、確定所述標記與所述第二信號數據的所述第一對應關系。

22、進一步地，所述建立所述加速度傳感器信號為輸入，所述軸承的剩余壽命為輸出的第一模型，包括：

23、建立基于雙向長短期記憶神經網絡的所述第一模型；

24、所述第一模型包括基礎卷積模塊、信號數據深層特征提取模塊、映射關系搭建模塊以及預測模塊，且所述第一模型為融入了注意力機制的模型。

25、進一步地，所述基礎卷積模塊，包括：

26、一維卷積網絡層、bn歸一化層(batchnorm)、激活函數層和最大池化層。

27、進一步地，所述信號數據深層特征提取模塊，包括：

28、空間注意力機制(sk?attention)、激活函數層(relu)以及平均池化層(averagepooling)。

29、進一步地，所述預測模塊，包括：

30、雙向的長短期記憶神經網絡(bilstm)和全連接層(fullconnect?layer)。

31、進一步地，所述根據所述預測模型對目標軸承的剩余壽命進行預測，包括：

32、計算所述預測模型的預測誤差；

33、在所述預測模型的預測誤差小于預設閾值的情況下，根據所述預測模型對目標軸承的剩余壽命進行預測。

34、本發明實施例還提供一種軸承剩余壽命預測裝置，包括：

35、獲取模塊，用于獲取加速度傳感器每個預設時間采集的多個軸承全部生命周期過程的多組振動信號，所述加速度傳感器用于采集所述軸承在第一方向和第二方向上的振動信號，所述第一方向和所述第二方向垂直于所述軸承的軸向，且所述第一方向與所述第二方向垂直；

36、處理模塊，用于采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到不同數據采集時間與所述振動信號的第一對應關系；

37、建立模塊，用于建立所述振動信號為輸入所述軸承的剩余壽命為輸出的第一模型；

38、訓練模塊，用于根據所述第一對應關系對所述第一模型進行訓練，得到預測模型；

39、預測模塊，用于根據所述預測模型對目標軸承的剩余壽命進行預測。

40、本發明的有益效果是：

41、本發明實施例的軸承剩余壽命預測方法，通過對多個軸承的整個生命周期的所述振動信號進行采集，對所建立的以振動信號為輸入、軸承剩余壽命為輸出的第一模型進行模型訓練；能夠通過訓練得到的預測模型對軸承的剩余壽命進行預測。本發明實施例的軸承剩余壽命預測方法，將軸承整個生命周期的數據作為訓練數據，能夠對各個階段的軸承進行剩余壽命預測，提高了軸承剩余壽命預測的準確性，提高了軸承壽命的利用率。

技術特征：

1.一種軸承剩余壽命預測方法，其特征在于，包括：

2.根據權利要求1所述的軸承剩余壽命預測，其特征在于，所述采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到不同數據采集時間與所述振動信號的第一對應關系，包括：

3.根據權利要求2所述的軸承剩余壽命預測，其特征在于，所述采用小波軟硬閾值折衷法對多組所述加速度傳感器信號進行處理，得到第一信號數據，包括：

4.根據權利要求2所述的軸承剩余壽命預測，其特征在于，所述根據所述第二信號數據確定所述第一對應關系，包括：

5.根據權利要求1所述的軸承剩余壽命預測，其特征在于，所述建立所述加速度傳感器信號為輸入，所述軸承的剩余壽命為輸出的第一模型，包括：

6.根據權利要求5所述的軸承剩余壽命預測，其特征在于，所述基礎卷積模塊，包括：

7.根據權利要求5所述的軸承剩余壽命預測，其特征在于，所述信號數據深層特征提取模塊，包括：

8.根據權利要求5所述的軸承剩余壽命預測，其特征在于，所述預測模塊，包括：

9.根據權利要求1所述的軸承剩余壽命預測，其特征在于，所述根據所述預測模型對目標軸承的剩余壽命進行預測，包括：

10.一種軸承剩余壽命預測裝置，其特征在于，包括：

技術總結
本發明提供了一種軸承剩余壽命預測方法及裝置，該方法包括：獲取加速度傳感器每個預設時間采集的多個軸承全部生命周期過程的多組振動信號；采用小波軟硬閾值折衷法對多組所述振動信號進行處理，得到不同數據采集時間與所述振動信號的第一對應關系；建立所述振動信號為輸入所述軸承的剩余壽命為輸出的第一模型；根據所述第一對應關系對所述第一模型進行訓練，得到預測模型；根據所述預測模型對目標軸承的剩余壽命進行預測。本發明實施例的軸承剩余壽命預測方法，將軸承整個生命周期的數據作為訓練數據，能夠對各個階段的軸承進行剩余壽命預測，提高了軸承剩余壽命預測的準確性，提高了軸承壽命的利用率。

技術研發人員：董昊,朱興高,欒家輝,張忠偉,劉鵬飛,劉曉玉,代永德,劉鍇
受保護的技術使用者：中國航天標準化研究所
技術研發日：
技術公布日：2025/4/28