本發明涉及軸承壽命預測領域，尤其涉及一種主軸軸承壽命預測方法。

背景技術：

1、軸承是常見的機械設備零部件，軸承的質量也是影響工業生產制造進程的關鍵要素。在高速、高負荷的運行環境下，主軸軸承容易磨損或發生故障，進而影響設備的運行效率和精度。因此需要對軸承的壽命進行預測，以便在軸承失效之前進行更換或維修，從而避免故障停機、提高生產效率和設備可靠性。長短期記憶網絡是一種用于處理時間序列數據的時間遞歸神經網絡。其獨特的門控機制使其能夠有效捕捉和學習數據中的長期依賴關系，因此在時間序列預測領域得到應用。

2、公開號為cn111581888a的中國專利申請文件公開了風力發電機軸承剩余使用壽命預測模型的構建方法，所述方法由如下步驟實現：步驟1、采集軸承振動頻率數據；步驟2、數據預處理；步驟3、構建長短期記憶網絡并配置網絡參數、指定訓練選項；步驟4、訓練網絡；步驟5、預測模型的驗證。通過給出基于長短期記憶網絡的風力發電機軸承剩余使用壽命預測模型的構建方法，進而實現風力發電機軸承剩余使用壽命的預測。

3、在利用長短期記憶網絡模型預測軸承的使用壽命時，首先需要構建長短期記憶網絡模型，然后對長短期網絡模型進行訓練，最后利用訓練好的長短期網絡模型對軸承的壽命進行預測，而現有的訓練過程中，通常采用固定的學習率。然而，學習率太大可能導致模型在最優值附近震蕩，甚至無法收斂；學習率太小則會導致訓練過程緩慢，容易陷入局部最優。最終導致長短期記憶網絡模型預測結果的準確性較低。

技術實現思路

1、為了解決采用固定學習率訓練長短期網絡模型導致軸承預測壽命準確性較低的問題，本發明提供一種主軸軸承壽命預測方法。

2、本發明提供一種主軸軸承壽命預測方法，采用如下的技術方案：

3、獲取軸承在不同歷史時刻的參數，參數包括多個子參數；

4、構建長短期記憶網絡模型，計算長短期記憶網絡模型的學習率，利用歷史參數對長短期記憶網絡模型進行訓練得到預測模型以用于對軸承壽命進行預測；

5、其中，學習率的計算方法為：對歷史時刻進行劃分得到每個歷史時刻所處的時間段；計算每個歷史時刻子參數的第一影響因子和第二影響因子，第一影響因子表示相應歷史時刻所在的時間段內子參數的平均偏差，第二影響因子表示相應歷史時刻所在的時間段內子參數的波動范圍；對第一影響因子和第二影響因子進行加權求和得到每個歷史時刻子參數的影響程度；對每個歷史時刻的多個子參數的影響程度進行加權求和得到相應歷史時刻的影響程度，計算每個歷史時刻的學習率，表達式為：

6、

7、式中，表示第t個歷史時刻對應的學習率，表示預設的初始學習率，表示第t個歷史時刻的影響程度。

8、在訓練長短期記憶網絡模型過程中，根據不同歷史時刻的異常程度自適應調整學習率，當異常程度較高時，降低學習率以避免模型對異常數據的過度反應，當異常程度較低時，提高學習率以加快模型收斂，從而提高長短期記憶網絡模型預測結果的準確性。

9、優選的，對歷史時刻進行劃分得到每個歷史時刻所處的時間段的方法為：以任一歷史時刻為中心，沿時間方向前后各延伸多個時刻得到相應歷史時刻的時間段。

10、通過對歷史時刻劃分相應的時間段，便于對相應時間段內的參數進行分析，從而便于判斷相應歷史時刻的參數是否處于異常狀態。

11、優選的，方法還包括：計算每個歷史時刻子參數的被關注權重，表達式為：

12、

13、式中，表示第t個歷史時刻的子參數的被關注權重，表示第t個歷史時刻的子參數，表示第t個歷史時刻以前所有子參數的均值，norm表示歸一化函數。

14、通過被關注權重能夠初步了解相應歷史時刻中的子參數處于異常狀態的可能性，為更新長短期記憶網絡模型內的參數提供理論基礎。

15、優選的，方法還包括：利用stl算法對歷史時刻的子參數進行分解得到每個時刻的趨勢性成分。

16、優選的，第一影響因子的表達式為：

17、

18、式中，表示第t個歷史時刻子參數的第一影響因子，表示歸一化函數，表示第t個歷史時刻的子參數的被關注權重，、分別表示趨勢性成分的最小值和最大值，表示第t個歷史時刻的趨勢性成分，表示第t+i個歷史時刻的子參數，表示第t個歷史時刻以前所有子參數的均值，表示第ti個歷史時刻的子參數和第t個歷史時刻的子參數之間的時間長度，n表示第t個歷史時刻所處的時間段內剩余時刻個數的一半。

19、通過多個要素計算得到第一影響因子，提高了計算結果的準確性，第一影響因子綜合反映了相應歷史時刻的參數處于異常的可能性。

20、優選的，方法還包括：將每個歷史時刻之前所有時刻子參數的方差作為相應歷史時刻的整體方差，將每個歷史時刻所處的時間段內每個時刻的子參數的方差作為相應歷史時刻的局部方差。

21、優選的，第二影響因子的表達式為：

22、

23、式中，表示第t個歷史時刻對應的第二影響因子，表示第t個歷史時刻對應的整體方差，表示第t個歷史時刻對應的局部方差，β表示預設的權重。

24、通過對比整體方差和局部方差得到第二影響因子，通過比值的方式更適用于捕捉參數顯著的波動變化。

25、優選的，子參數的影響程度的表達式為：

26、

27、式中，表示第t個歷史時刻子參數的影響程度，表示第t個歷史時刻子參數的第一影響因子，表示第t個歷史時刻對應的第二影響因子。

28、對第一影響因子和第二影響因子進行加權融合得到影響程度，通過影響程度綜合反映了相應歷史時刻子參數的重要性。

29、優選的，歷史時刻的影響程度的表達式為：

30、

31、式中，表示第t個歷史時刻的影響程度，表示第t個歷史時刻中第一個子參數的影響程度，表示第t個歷史時刻中第二個子參數的影響程度。

32、優選的，多個子參數分別為振動頻率和溫度。

33、溫度變化可以反映軸承的潤滑狀態、摩擦情況和潛在的熱損傷，能夠評估軸承的健康狀態。振動頻率能夠反映機械的狀態信息，如不平衡、不對中、軸承故障。通過同時考慮溫度和振動頻率，能夠更全面地評估軸承的運行狀態，避免單一數據源帶來的局限性。

34、本發明具有以下技術效果：

35、在訓練長短期記憶網絡模型過程中，根據不同歷史時刻的異常程度自適應調整學習率，當異常程度較高時，降低學習率以避免模型對異常數據的過度反應，當異常程度較低時，提高學習率以加快模型收斂，從而提高長短期記憶網絡模型預測結果的準確性。

技術特征：

1.一種主軸軸承壽命預測方法，其特征在于，包括步驟：

2.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，對歷史時刻進行劃分得到每個歷史時刻所處的時間段的方法為：以任一歷史時刻為中心，沿時間方向前后各延伸多個時刻得到相應歷史時刻的時間段。

3.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，方法還包括：計算每個歷史時刻子參數的被關注權重，表達式為：

4.根據權利要求3所述的一種主軸軸承壽命預測方法，其特征在于，方法還包括：利用stl算法對歷史時刻的子參數進行分解得到每個時刻的趨勢性成分。

5.根據權利要求4所述的一種主軸軸承壽命預測方法，其特征在于，第一影響因子的表達式為：

6.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，方法還包括：將每個歷史時刻之前所有時刻子參數的方差作為相應歷史時刻的整體方差，將每個歷史時刻所處的時間段內每個時刻的子參數的方差作為相應歷史時刻的局部方差。

7.根據權利要求6所述的一種主軸軸承壽命預測方法，其特征在于，第二影響因子的表達式為：

8.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，子參數的影響程度的表達式為：

9.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，歷史時刻的影響程度的表達式為：

10.根據權利要求1所述的一種主軸軸承壽命預測方法，其特征在于，多個子參數分別為振動頻率和溫度。

技術總結
本發明涉及軸承壽命預測領域，尤其涉及一種主軸軸承壽命預測方法，方法包括：獲取軸承在不同歷史時刻的參數，參數包括多個子參數；構建長短期記憶網絡模型，計算長短期記憶網絡模型的學習率，利用歷史參數對長短期記憶網絡模型進行訓練得到預測模型以實現對軸承壽命進行預測。本發明通過自適應獲得學習率，從而提高長短期記憶網絡模型預測結果的準確性。

技術研發人員：王朋朋,軒凱,軒磊,任寧
受保護的技術使用者：冠縣凱磊軸承有限公司
技術研發日：
技術公布日：2025/4/24