CN110543869A - 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明提供了了一种滚珠丝杠寿命预测方法、装置、计算机设备及存储介质，本发明通过采用多层卷积神经网络来对待测滚珠丝杠的振动信号进行特征提取，将提取到的运行特征作为长短时记忆神经网络的输入，利用长短时记忆神经网络对待测滚珠丝杠的当前时刻的运行误差进行预测，从而建立起振动信号与滚珠丝杠的运行误差之间的关系，再利用长短时记忆神经网络预测出待测滚珠丝杠的运行误差达到失效阈值的失效时刻，以该失效时刻与当前时刻的时间差计算得到待测滚珠丝杠的剩余寿命，提高了滚珠丝杠的剩余寿命预测的准确性。

Description

滚珠丝杠寿命预测方法、装置、计算机设备及存储介质

技术领域

本发明涉及深度学习技术，具体而言，涉及一种滚珠丝杠寿命预测方法、装置、计算机设备及存储介质。

背景技术

随着工业自动化程度的不断提高以及计算机技术的不断进步，设备的预测性维护成为各个厂商持续关注的热点。设备预测性维护中的寿命预测技术是智能维护的关键技术，如果能够准确的预测设备何时会出现故障，对于厂商提前备货以及规划生产计划起着重要的作用。工业数据中包含着大量的信息，深入挖掘大数据内部的有用信息成为智能维护的一个研究热点。伴随着数据量的增加以及计算机处理技术的不断进步，使得深度学习模型的迭代与优化成为可能。

滚珠丝杠作为机床等设备中重要的传动部件，安全高精度的运行是保证设备高质量工作的重要条件。滚珠丝杠是重要的传动部件，但也是设备中的易损部件之一。随着滚珠丝杠长时间的运行，特别是性能下降时，会造成设备运行精度差，寿命降低或者停机。目前对于该问题通常采用的策略是，通过对滚珠丝杠的寿命进行预测，提前预测滚珠丝杠的生命周期，从而避免滚珠丝杠对设备的运行造成的影响。

现有技术中，对滚珠丝杠的寿命预测主要是通过算法预测丝杠出现故障的时间。目前，基于数据驱动的滚珠丝杠寿命预测主要是基于滚珠丝杠的振动信号中健康因子的发展趋势来预测丝杠的剩余寿命，该方法主要通过机器学习数据融合的方法将所提取到的特征融合成健康因子，通过该健康因子来判断出滚珠丝杠的剩余寿命。另外在机床行业滚珠丝杠的剩余寿命可以通过额定寿命计算的方式获得，即可以通过额定寿命减去累计运行时间获得。

上述现有技术中，滚珠丝杠的额定寿命通过公式的方式进行计算，额定寿命减去累计折算运行的时间，即为剩余的寿命，这种方法可以粗略估计剩余寿命，但是，对于转速负载不断变换的情况，折算运行时间较为复杂，简单地做减法，会使得剩余寿命预测的误差比较大。

发明内容

本发明的主要目的在于提供一种滚珠丝杠寿命预测方法、装置、计算机设备及存储介质，以解决现有技术中对于滚珠丝杠的剩余寿命预测误差比较大的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种滚珠丝杠寿命预测方法包括：获取待测滚珠丝杠工作时的振动信号；利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征；将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻；计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

可选地，所述多层卷积神经网络包括至少两层卷积层，在训练阶段每层卷积之后增加随机失活操作。

可选地，将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻包括：将所述运行特征输入到运行误差预测模型的长短时记忆神经网络，检测得到所述待测滚珠丝杠的运行误差，所述运行误差预测模型还包括所述多层卷积神经网络；获取预先设定的失效阈值，利用剩余寿命预测模型预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻，所述剩余寿命预测模型包括至少两层长短时记忆神经网络和全连接层，所述全连接层与最后一层长短时记忆神经网络的输出连接。

可选地，在利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取之前，所述滚珠丝杠寿命预测方法还包括：获取样本滚珠丝杠的训练样本数据，所述训练样本数据包括滚珠丝杠的全生命周期的振动信号；利用所述训练样本数据对初始运行误差预测模型进行训练，得到所述运行误差训练模型；利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，得到所述剩余寿命预测模型。

可选地，获取样本滚珠丝杠的训练样本数据包括：获取所述样本滚珠丝杠的全生命周期的振动信号；获取利用光栅尺检测到的所述样本滚珠丝杠在全生命周期中的运行精度；基于所述样本滚珠丝杠在全生命周期中各个时间点相对于初始时刻的运行精度，计算得到所述样本滚珠丝杠在全生命周期中各个时间点的实际运行误差。

可选地，利用所述训练样本数据对初始运行误差预测模型进行训练，包括：根据设置的目标精度，通过反向传播算法对所述初始运行误差预测模型的参数进行训练，使得训练后的运行误差预设模型输出的运行误差与所述训练样本数据中对应的时刻的实际运行误差的差小于等于所述目标精度。

可选地，利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，包括：利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差；利用所述n组训练样本数据对所述初始剩余寿命预测模型进行训练。

为了实现上述目的，根据本发明的一个方面，提供了一种滚珠丝杠寿命预测装置，包括：第一获取模块，用于获取待测滚珠丝杠工作时的振动信号；提取模块，用于利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征；检测模块，用于将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻；计算模块，用于计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

可选地，所述多层卷积神经网络包括至少两层卷积层，在训练阶段每层卷积之后增加随机失活操作。

可选地，所述检测模块包括：检测单元，用于将所述运行特征输入到运行误差预测模型的长短时记忆神经网络，检测得到所述待测滚珠丝杠的运行误差，所述运行误差预测模型还包括所述多层卷积神经网络；获取单元，用于获取预先设定的失效阈值，利用剩余寿命预测模型预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻，所述剩余寿命预测模型包括至少两层长短时记忆神经网络和全连接层，所述全连接层与最后一层长短时记忆神经网络的输出连接。

可选地，所述滚珠丝杠寿命预测装置还包括：第二获取模块，用于在利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取之前，获取样本滚珠丝杠的训练样本数据，所述训练样本数据包括滚珠丝杠的全生命周期的振动信号；第一训练模块，用于利用所述训练样本数据对初始运行误差预测模型进行训练，得到所述运行误差训练模型；第二训练模块，用于利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，得到所述剩余寿命预测模型。

可选地，所述第二获取模块包括：第一获取单元，用于获取所述样本滚珠丝杠的全生命周期的振动信号；第二获取单元，用于获取利用光栅尺检测到的所述样本滚珠丝杠在全生命周期中的运行精度；计算单元，用于基于所述样本滚珠丝杠在全生命周期中各个时间点相对于初始时刻的运行精度，计算得到所述样本滚珠丝杠在全生命周期中各个时间点的实际运行误差。

可选地，所述第一训练模块具体用于根据设置的目标精度，通过反向传播算法对所述初始运行误差预测模型的参数进行训练，使得训练后的运行误差预设模型输出的运行误差与所述训练样本数据中对应的时刻的实际运行误差的差小于等于所述目标精度。

可选地，所述第二训练模块具体用于利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差；利用所述n组训练样本数据对所述初始剩余寿命预测模型进行训练。

根据本发明的另一方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述滚珠丝杠寿命预测方法的步骤。

根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述滚珠丝杠寿命预测方法的步骤。

应用本发明的技术方案，采用多层卷积神经网络来对待测滚珠丝杠的振动信号进行特征提取，将提取到的运行特征作为长短时记忆神经网络的输入，利用长短时记忆神经网络对待测滚珠丝杠的当前时刻的运行误差进行预测，从而建立起振动信号与滚珠丝杠的运行误差之间的关系，再利用长短时记忆神经网络预测出待测滚珠丝杠的运行误差达到失效阈值的失效时刻，以该失效时刻与当前时刻的时间差计算得到待测滚珠丝杠的剩余寿命，提高了滚珠丝杠的剩余寿命预测的准确性。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本发明实施例的滚珠丝杠寿命预测方法的流程图；

图2示出了本发明实施例的一种运行误差预测模型的架构图；

图3示出了本发明实施例的一种剩余寿命预测模型的架构图；

图4示出了本发明实施例的滚珠丝杠寿命预测装置的示意图；

图5为本发明实施例计算机设备的硬件结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在介绍本发明实施例之前，先对本发明实施例中涉及到的术语进行描述。

卷积神经网络（Convolutional Neural Networks，简写为CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deeplearning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-Invariant ArtificialNeural Networks, SIANN）”。

长短时记忆神经网络（Long Short-Term Memory ，简写为LSTM是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。

本发明实施例提供了一种滚珠丝杠寿命预测方法，该方法可以用于预测滚珠丝杠的剩余寿命利用设置在滚珠丝杠上的传感器检测到振动信号，实现对滚珠丝杠的剩余寿命的预测。如图1所示，该方法包括：

步骤S101，获取待测滚珠丝杠工作时的振动信号。

该振动信号可以是有振动传感器采集到的滚珠丝杠的振动信号，振动传感器测点设置于轴承支座与丝母上。需要说明的是，振动信号可以是指当前时刻之前的一段时间内滚珠丝杠运行过程中的振动信号。本发明实施例中，当前时刻的振动信号可以是指当前采集时刻到上一次采集时刻之间的振动信号数据。振动信号可以是三通道下的振动信号。

可选地，为了保证寿命预测的准确性，本发明实施例中，在获取滚珠丝杠工作时的振动信号之后，所述滚珠丝杠寿命预测方法还包括：对所述振动信号进行降噪处理，得到处理后的振动信号；将所述处理后的振动信号输入到所述多层卷积神经网络中。

对振动信号的降噪处理可以采用小波降噪，可以采用‘db4’小波基函数对振动信号进行分解，然后计算降噪后的信号。以三通道的振动信号为例，采用‘db4’小波基函数对每个通道的信号进行4层小波分解，记降噪后的信号为,其中为降噪后的三个通道的信号。

本发明实施例中，通过对振动信号降噪处理之后，输入到神经网络中，以便于神经网络识别，可以避免噪声对检测结果的影响，从而间接提升滚珠丝杠的剩余寿命预测的准确性。

步骤S102，利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征。

多层卷积神经网络是指包含采用一维卷积的多层卷积层的神经网络。本发明实施例中，该多层卷积神经网络主要用于从滚珠丝杠的振动信号中提取滚珠丝杠的运行特征，以便于后续进行运行误差的检测和识别。本发明实施例中的多层卷积神经网络的具体训练过程后文将进行详细介绍。采用多层卷积神经网络来提取振动信号的特征，可以避免手动提取特征的不便。

步骤S103，将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻。

本发明实施例中，将多层卷积神经网络提取到的运行特征作为长短时记忆神经网络的输入通过预先训练得到的长短时记忆神经网络识别出待测滚珠丝杠的当前时刻运行误差，从而实现振动信号与运行误差之间的关联。与此同时，通过预先训练得到的网络参数，利用长短时记忆神经网络计算该待测滚珠丝杠的运行误差达到失效阈值的失效时刻。该时刻表示该待测滚珠丝杠失效报废，失效阈值为运行误差的临界值，当滚珠丝杠的运行误差达到该临界值时，表明滚珠丝杠失效。本发明实施例中所述的失效阈值可以是预先设置的，其具体值可以通过零件加工要求中设定的滚珠丝杠的运行误差的临界值，也可以是通过统计大量滚珠丝杠的运行误差的临界值来确定出的。由于统计结果可能是一个范围值，为避免滚珠丝杠对整机设备的影响，可以以最小临界值作为该失效阈值。

步骤S104，计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

在利用长短时记忆神经网络预测出失效时刻之后，可以利用该失效时刻与当前时刻的时间差作为待测滚珠丝杠的剩余寿命。具体地，定义待测滚珠丝杠的失效时的运行误差为，通过长短时记忆神经网络LSTM预测的待测滚珠丝杠当前时刻的运行误差为。通过非全生命周期长短时记忆神经网络（LSTM）预测误差到达失效阈值为的时刻为，则待测滚珠丝杠的剩余寿命为。

根据本发明实施例，采用多层卷积神经网络来对待测滚珠丝杠的振动信号进行特征提取，将提取到的运行特征作为长短时记忆神经网络的输入，利用长短时记忆神经网络对待测滚珠丝杠的当前时刻的运行误差进行预测，从而建立起振动信号与滚珠丝杠的运行误差之间的关系，再利用长短时记忆神经网络预测出待测滚珠丝杠的运行误差达到失效阈值的失效时刻，以该失效时刻与当前时刻的时间差计算得到待测滚珠丝杠的剩余寿命，提高了滚珠丝杠的剩余寿命预测的准确性。

作为一种可选实施方式，本发明实施例中，将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻包括：

S11，将所述运行特征输入到运行误差预测模型的长短时记忆神经网络，检测得到所述待测滚珠丝杠的运行误差，所述运行误差预测模型还包括所述多层卷积神经网络。本发明实施例中所述的运行误差预测模型包括多层卷积神经网络和长短记忆神经网络，该模型主要用于检测识别出待测滚珠丝杠的运行误差。

本发明实施例所述的运行误差预测模型的一种示例框架图如图2所示，所述多层卷积神经网络包括至少两层卷积层，在训练阶段每层卷积之后增加随机失活操作，也即是增加dropout操作，以防止网络的过拟合。具体地，本发明实施例的运行误差预测模型中，三个通道原始的振动信号经过降噪处理后作为多层卷积神经网络的输入，与二维卷积不同，该时序数据属于一维卷积，经过卷积层的输出为，其中为网络的权重，即卷积核的参数，偏置，为激活函数；第一层卷积层中过滤器的个数为10个，卷积核大小为8，每次移动的步长为1；第二层卷积神经网络的过滤器个数为20个，卷积核的大小为8，每次移动的步长为1；为了防止网络的过拟合，在每层卷积操作后增加了dropout操作。在这里将Dropout的参数设置为0.1。需要说明的是，本发明实施例中所述的过滤器个数、移动的步长、卷积核的大小等均可以根据需要进行设置，本发明上述实施例仅是一种示例，并没有不当限定。

另一方面，对于长短时记忆神经网络（LSTM）隐藏层节点个数，可以设置为50个，以滚珠丝杠的运行误差作为目标值。在进行训练时，采用的损失函数为交叉熵损失函数。

其中表示样本个数，为模型的期望输出，为模型的实际输出，为每个输入样本。

S12，获取预先设定的失效阈值，利用剩余寿命预测模型预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻，所述剩余寿命预测模型包括至少两层长短时记忆神经网络和全连接层，所述全连接层与最后一层长短时记忆神经网络的输出连接。

本发明实施例的剩余寿命预测模型中，第一层LSTM网络中包含50个神经元，第二层LSTM网络中包含100个神经元，第二层神经元的输出经过全连接层得到最终的输出。

根据本发明实施例，通过采用运行误差预测模型来检测待测滚珠丝杠的运行误差，利用剩余寿命预测模型来预测出待测滚珠丝杠的剩余寿命，这样使得在进行模型训练时，可以分别对运行误差预测模型和剩余寿命预测模型进行训练，能够提高神经网络模型的识别准确率，从而提高滚珠丝杠的剩余寿命的预测的准确性。

本发明实施例所述的滚珠丝杠寿命预测方法在使用之前，需要训练得到上述运行误差训练模型和剩余寿命预设模型，也即是训练得到多层卷积神经网络和长短时记忆神经网络。具体地，在利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取之前，还包括：

S21，获取样本滚珠丝杠的训练样本数据，所述训练样本数据包括滚珠丝杠的全生命周期的振动信号。

训练样本数据包括训练集和测试集，对于用于训练运行误差预测模型的训练样本数据中包括样本滚珠丝杠的振动信号和检测的实际运行误差。具体地，获取样本滚珠丝杠的训练样本数据包括：获取所述样本滚珠丝杠的全生命周期的振动信号；获取利用光栅尺检测到的所述样本滚珠丝杠在全生命周期中的运行精度；基于所述样本滚珠丝杠在全生命周期中各个时间点相对于初始时刻的运行精度，计算得到所述样本滚珠丝杠在全生命周期中各个时间点的实际运行误差。

设初始时刻光栅尺的读数为，运行时刻为时光栅尺的读数为，则时刻丝杠的运行误差为。

对于用于训练剩余寿命预测模型的训练样本数据，则是利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差，后面将进行具体介绍。

S22，利用所述训练样本数据对初始运行误差预测模型进行训练，得到所述运行误差训练模型。

S23，利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，得到所述剩余寿命预测模型。

本发明实施例中，通过分别对运行误差预测模型和剩余寿命预测模型进行训练，可以并行对两个模型进行训练，提高神经网络模型的识别准确率，从而提高滚珠丝杠的剩余寿命的预测的准确性。

进一步地，利用所述训练样本数据对初始运行误差预测模型进行训练，包括：根据设置的目标精度，通过反向传播算法对所述初始运行误差预测模型的参数进行训练，使得训练后的运行误差预设模型输出的运行误差与所述训练样本数据中对应的时刻的实际运行误差的差小于等于所述目标精度。

具体地，将降噪后的信号输入到多层卷积神经网络中，进行特征提取，将提取到的特征作为长短时记忆神经网络（LSTM）的输入，网络的输出目标值为丝杠的运行误差，根据目标精度，通过反向传播算法进行网络参数的训练。

其中，为实际运行误差，为预测运行误差，为样本的个数。

本发明实施例中，长短时记忆神经网络的输入维数可以为32768×3，其中32768为每个样本的步数，3为每个样本的维数。在每个时间步下的LSTM输出经过Relu激活函数作为该层的输出，由于单个样本下只有一个输出值，因此，所有时间步下的输出经过一个全连接层来输出最终预测值。在模型编译中，采用Adam优化器，学习率，迭代次数为100次。损失函数为交叉熵损失函数：

其中表示样本个数，为模型的期望输出，为模型的实际输出，为每个输入样本。

本发明实施例中，利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，包括：利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差；利用所述n组训练样本数据对所述初始剩余寿命预测模型进行训练。

具体地，根据运行误差预测模型，预测出丝杠当前时刻的运行误差；在剩余寿命预测模型中的训练阶段，采用当前时刻下的前n组数据构建训练数据集。以n=20为例，具体如下：

其中，表示：采用时刻下的误差预测时刻下的误差。

对于构建的20组训练数据来训练模型参数；在剩余寿命预测模型中，第一层LSTM网络中包含50个神经元，第二层LSTM网络中包含100个神经元，第二层神经元的输出经过全连接层得到最终的输出，具体示例如图3所示。

在模型的训练阶段，采用的优化器为Adam,学习率，迭代次数为100次，batch_size=1,损失函数为均方差损失函数。

从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：本发明实施例通过多层卷积神经网络与长短时记忆神经网络建立了振动信号与丝杠运行误差之间的非线性映射关系，多通道的振动信号，通过小波降噪去除噪声，然后，采用多层一维卷积神经网络对振动信号进行特征提取，将提取的特征按照时间步长输入到长短时记忆神经网络中，建立了原始信号输入到运行误差目标输出的端到端的网络结构，卷积神经网络与长短时记忆神经网络结合在一起进行训练，不需要人工特征提取与选择，简化了设计思路；在寿命预测阶段，采用非全生命周期的长短时记忆神经网络对当前数据之后的特定步长的数据进行预测，根据当前时刻与预测失效时刻的差值预测丝杠的剩余寿命。

本发明实施例还提供了一种滚珠丝杠寿命预测装置，该装置可以用于执行本发明实施例的所述滚珠丝杠寿命预测方法。具体地，如图4所述，该装置包括：第一获取模块401，用于获取待测滚珠丝杠工作时的振动信号；提取模块402，用于利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征；检测模块403，用于将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻；计算模块404，用于计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

根据本发明实施例，采用多层卷积神经网络来对待测滚珠丝杠的振动信号进行特征提取，将提取到的运行特征作为长短时记忆神经网络的输入，利用长短时记忆神经网络对待测滚珠丝杠的当前时刻的运行误差进行预测，从而建立起振动信号与滚珠丝杠的运行误差之间的关系，再利用长短时记忆神经网络预测出待测滚珠丝杠的运行误差达到失效阈值的失效时刻，以该失效时刻与当前时刻的时间差计算得到待测滚珠丝杠的剩余寿命，提高了滚珠丝杠的剩余寿命预测的准确性。

可选地，所述多层卷积神经网络包括至少两层卷积层，在训练阶段每层卷积之后增加随机失活操作。

可选地，所述检测模块包括：检测单元，用于将所述运行特征输入到运行误差预测模型的长短时记忆神经网络，检测得到所述待测滚珠丝杠的运行误差，所述运行误差预测模型还包括所述多层卷积神经网络；获取单元，用于获取预先设定的失效阈值，利用剩余寿命预测模型预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻，所述剩余寿命预测模型包括至少两层长短时记忆神经网络和全连接层，所述全连接层与最后一层长短时记忆神经网络的输出连接。

可选地，所述滚珠丝杠寿命预测装置还包括：第二获取模块，用于在利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取之前，获取样本滚珠丝杠的训练样本数据，所述训练样本数据包括滚珠丝杠的全生命周期的振动信号；第一训练模块，用于利用所述训练样本数据对初始运行误差预测模型进行训练，得到所述运行误差训练模型；第二训练模块，用于利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，得到所述剩余寿命预测模型。

可选地，所述第二获取模块包括：第一获取单元，用于获取所述样本滚珠丝杠的全生命周期的振动信号；第二获取单元，用于获取利用光栅尺检测到的所述样本滚珠丝杠在全生命周期中的运行精度；计算单元，用于基于所述样本滚珠丝杠在全生命周期中各个时间点相对于初始时刻的运行精度，计算得到所述样本滚珠丝杠在全生命周期中各个时间点的实际运行误差。

可选地，所述第一训练模块具体用于根据设置的目标精度，通过反向传播算法对所述初始运行误差预测模型的参数进行训练，使得训练后的运行误差预设模型输出的运行误差与所述训练样本数据中对应的时刻的实际运行误差的差小于等于所述目标精度。

可选地，所述第二训练模块具体用于利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差；利用所述n组训练样本数据对所述初始剩余寿命预测模型进行训练。

具体描述参见上述方法实施例，这里不再赘述。

本实施例还提供一种计算机设备，如可以执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图5所示。需要指出的是，图5仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器21（即可读存储介质）包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施例所述的滚珠丝杠寿命预测装置的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行滚珠丝杠寿命预测装置，以实现实施例的滚珠丝杠寿命预测方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储滚珠丝杠寿命预测装置，被处理器执行时实现实施例的滚珠丝杠寿命预测方法。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种滚珠丝杠寿命预测方法，其特征在于，包括：

获取待测滚珠丝杠工作时的振动信号；

利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征；

将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻；

计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

2.根据权利要求1所述的滚珠丝杠寿命预测方法，其特征在于，所述多层卷积神经网络包括至少两层卷积层，在训练阶段每层卷积之后增加随机失活操作。

3.根据权利要求1所述的滚珠丝杠寿命预测方法，其特征在于，将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻包括：

将所述运行特征输入到运行误差预测模型的长短时记忆神经网络，检测得到所述待测滚珠丝杠的运行误差，所述运行误差预测模型还包括所述多层卷积神经网络；

获取预先设定的失效阈值，利用剩余寿命预测模型预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻，所述剩余寿命预测模型包括至少两层长短时记忆神经网络和全连接层，所述全连接层与最后一层长短时记忆神经网络的输出连接。

4.根据权利要求3所述的滚珠丝杠寿命预测方法，其特征在于，在利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取之前，所述滚珠丝杠寿命预测方法还包括：

获取样本滚珠丝杠的训练样本数据，所述训练样本数据包括滚珠丝杠的全生命周期的振动信号；

利用所述训练样本数据对初始运行误差预测模型进行训练，得到所述运行误差训练模型；

利用所述训练样本数据对初始剩余寿命预测模型进行训练，得到所述剩余寿命预测模型。

5.根据权利要求4所述的滚珠丝杠寿命预测方法，其特征在于，获取样本滚珠丝杠的训练样本数据包括：

获取所述样本滚珠丝杠的全生命周期的振动信号；

获取利用光栅尺检测到的所述样本滚珠丝杠在全生命周期中的运行精度；

基于所述样本滚珠丝杠在全生命周期中各个时间点相对于初始时刻的运行精度，计算得到所述样本滚珠丝杠在全生命周期中各个时间点的实际运行误差。

6.根据权利要求5所述的滚珠丝杠寿命预测方法，其特征在于，利用所述训练样本数据对初始运行误差预测模型进行训练，包括：

根据设置的目标精度，通过反向传播算法对所述初始运行误差预测模型的参数进行训练，使得训练后的运行误差预设模型输出的运行误差与所述训练样本数据中对应的时刻的实际运行误差的差小于等于所述目标精度。

7.根据权利要求4所述的滚珠丝杠寿命预测方法，其特征在于，利用所述训练样本数据对所述初始剩余寿命预测模型进行训练，包括：

利用所述样本滚珠丝杠的n组训练样本数据构建训练集，其中，n组训练样本数据n个连续时间的振动信号和对应的实际运行误差；

利用所述n组训练样本数据对所述初始剩余寿命预测模型进行训练。

8.一种滚珠丝杠寿命预测装置，其特征在于，包括：

获取模块，用于获取待测滚珠丝杠工作时的振动信号；

提取模块，用于利用预先训练得到的多层卷积神经网络对所述振动信号进行特征提取，得到所述待测滚珠丝杠的运行特征；

检测模块，用于将所述运行特征输入到预先训练得到的长短时记忆神经网络中，检测出所述待测滚珠丝杠当前时刻的运行误差，并预测出所述待测滚珠丝杠的运行误差达到失效阈值时的失效时刻；

计算模块，用于计算所述失效时刻与当前时刻的时间差，得到所述待测滚珠丝杠的剩余寿命。

9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。