CN111289250A - 一种伺服电机滚动轴承剩余使用寿命预测方法 - Google Patents

Abstract

本发明具体公开了一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法包括以下步骤：S1、采集多种工况下滚动轴承的振动加速度信号；S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器进行深层次的特征学习和特征压缩以构建退化特征向量；S4、将所构建的退化特征向量输入深层门控循环单元网络中进行训练；S5、采集待预测滚动轴承的振动加速度信号并重复步骤S2和步骤S3，然后将待预测滚动轴承对应的退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络中预测出实际剩余使用寿命。本发明可准确预测出伺服电机滚动轴承的剩余使用寿命。

Description

一种伺服电机滚动轴承剩余使用寿命预测方法

技术领域

本发明涉及电机设备故障预测与健康管理技术领域，尤其涉及一种伺服电机滚动轴承剩余使用寿命预测方法。

背景技术

近年来，伺服电机被广泛地应用在工业机器人及数控机床中。有研究表明，相当一部分伺服电机的故障是由于滚动轴承故障导致的。一旦轴承发生故障，会影响电机其他部件的正常运转，有可能会导致整个机器人或机床瘫痪，严重时，甚至会带来安全风险。为了预防因轴承故障而造成的电机异常，需要实时监测轴承的健康状态，评估电机轴承的剩余使用寿命(Remaining Useful Life,RUL)，以方便有关人员制定有效的维修策略。

轴承RUL预测主要有两种方法，一种是基于模型的方法，这种方法需要建立数学模型来准确描述轴承的退化，目前来说是一个难以解决的复杂问题。另一种是基于数据驱动的方法，这种方法旨在通过大数据计算和人工智能来挖掘轴承当前状态数据与RUL之间的潜在关系。近年来，随着传感器、工业物联网技术、深度学习技术的发展，基于历史工业大数据的数据驱动方法一直是国内外学者研究的重点。其主要由轴承退化特征空间构建和剩余寿命预测模型构建两部分组成。在退化特征空间构建方面，国内外学者往往通过一系列信号处理方法从轴承传感器信号中提取许多特征以构建退化特征空间，但所提取的特征中含有大量冗余特征，难以提取最佳特征且难以进行有效的特征压缩，这将导致模型训练困难和过度拟合。在剩余寿命模型构建方面，大多数学者选择机器学习算法处理输入特征以得到轴承的剩余寿命，但是这些模型往往独立地考虑每个时间点，没有考虑时间序列不同时间步之间的关联性，丢弃了历史数据中的大量信息，往往会出现预测值偏离真实值较大的情况。

鉴于此，设计一种能够准确有效的预测出伺服电机滚动轴承剩余使用寿命的预测方法是本技术领域技术人员亟待解决的技术问题。

发明内容

本发明的目的是提供一种伺服电机滚动轴承剩余使用寿命预测方法，所述方法可以准确预测出所述伺服电机滚动轴承的真实剩余使用寿命。

为解决上述技术问题，本发明提供一种伺服电机滚动轴承剩余使用寿命预测方法，包括以下步骤：

S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；

S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；

S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；

S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；

S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。

优选地，所述步骤S1中滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。

优选地，所述步骤S2的具体实现方式包括：

S21、提取步骤S1中所采集的每一个滚动轴承振动加速度信号的时域特征，包括振动加速度信号的均方根值、方差、均值、绝对均值、峰峰值、最大值、最小值、峭度、歪度和脉冲指标；

S22、对步骤S1中所采集的每一个滚动轴承振动加速度信号进行经验模态分解，并分别提取每一个振动加速度信号的N个IMF(Intrinsic Mode Function)分量，选取前面R(R≤N)个IMF分量并计算所选取的R个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征；

S23、将步骤S22中所提取的N个IMF分量组合成大小为N×M的矩阵A，同时对矩阵A进行奇异值分解，可用公式表示：

A＝UΛΛ^T (1)

式(1)中，M表示IMF分量的离散点个数，U表示N×N的正交矩阵，V表示M×M的正交矩阵，Λ表示N×M的对角矩阵；

S24、计算出滚动轴承振动加速度信号所对应矩阵A的前面S(S≤N)个奇异值；

S25、将步骤S21中提取的时域特征、步骤S22中提取的IMF分量能量和步骤S24中所计算的矩阵A的奇异值组合构建一个原始特征集。

优选地，所述步骤S21中所提取的滚动轴承振动加速度信号时域特征可用公式表示：

X_max＝max{x_i},(i＝1,2,…,n) (4)

X_min＝min{x_i},(i＝1,2,…,n) (5)

X_p＝X_max-X_min (6)

式(2)～式(11)中，X_rms表示均方根值，n表示在某一时刻振动传感器所采集的采样数，x_i表示某一时刻振动传感器采样数据中的第i个数据，σ_x表示方差，X_max表示最大值，X_min表示最小值，X_p表示峰峰值，

表示均值，X_β表示峭度，X_α表示歪度，I_t表示脉冲指标。

优选地，所述步骤S3中根据特征的单调性对原始特征集进行特征选择的具体实现方式包括：

S31、分别计算步骤S2中得到的滚动轴承每一个特征的单调性，可用公式表示：

式(12)中，K表示滚动轴承全寿命周期样本的个数，dx_i表示滚动轴承全寿命周期样本特征序列某一点x_i的差分值，且dx_i＝x_i+1-x_i,i＝1,2,3···K-1；

S32、将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，并选取排名靠前的T个特征构成特征向量γ＝{γ₁,γ₂,…,γ_T}。

优选地，所述步骤S3中构建轴承退化特征向量的具体实现方式包括：

S33、对步骤S32中得到的特征向量进行标准化，可用公式表示：

式(13)中，γ表示特征向量，mean(γ)表示某一个特征向量的平均值，std(γ)表示某一个特征向量的标准差；

S34、将步骤S33中标准化后的特征向量γ_norm输入至第一个稀疏自编码器中并采用梯度下降算法进行训练，得到第一个稀疏自编码器的隐含层输出h₁，可用公式表示：

h₁＝f_θ1(ω_e1γ_norm+b_e1) (14)

式(14)中，f_θ1表示第一个稀疏自编码器中编码器的激活函数，ω_e1表示训练好的第一个自稀疏编码器的权重矩阵，b_e1表示训练好的第一个自稀疏编码器的偏置量；

S35、将步骤S34中得到的第一个稀疏自编码器的隐含层输出h₁输入第二个稀疏自编码器中并采用梯度下降算法进行训练；

S36、将第一个训练好的稀疏自编码器输出h₁作为第二个稀疏自编码器的输入并组成两层堆叠稀疏自编码器，然后再将步骤S33中标准化后的特征向量γ_norm输入所述两层堆叠稀疏自编码器中，从而得到第二个稀疏自编码器的隐含层输出h₂，即得到滚动轴承退化特征向量γ_final＝h₂，其中隐含层输出h₂可用公式表示：

h₂＝f_θ2(ω_e2h₁+b_e2) (15)

式(15)中，f_θ2表示第二层稀疏自编码器中编码器的激活函数，ω_e2表示训练好的第二个自稀疏编码器的权重矩阵，b_e2表示训练好的第二个自稀疏编码器的偏置量。

优选地，所述步骤S4的具体实现方式包括：

S41、设置深层门控循环单元网络架构；

S42、将步骤S1中所采集的多种工况下滚动轴承的振动加速度信号数据输入步骤S41中设置的深层门控循环单元网络，并采用Adam优化算法进行训练，从而得到训练好的深层门控循环单元网络，可用公式表示：

m_t＝β₁*m_t-1+(1-β₁)*g_t (16)

ν_t＝β₂*ν_t-1+(1-β₂)*g_t ² (17)

式(16)～(20)中，m_t表示时刻t的初始化一阶矩向量，ν_t表示时刻t的初始化二阶矩向量，β₁表示一阶矩估计指数衰减率，β₂表示二阶矩估计指数衰减率，

表示时刻t的偏差校正后的一阶矩向量，

表示时刻t的偏差校正后的二阶矩向量，β₁ ^t表示时刻t一阶矩估计指数衰减率，β₂ ^t表示时刻t的二阶矩估计指数衰减率，g_t表示时刻t的梯度，θ表示网络权值，η表示学习率，ε为常数(ε＝10^-8)。

优选地，所述步骤S41中深层门控循环单元网络包括一层输入层、两层门控循环单元网络层、两层全连接层、两层丢弃层和一层回归输出层。

优选地，所述步骤S4和步骤S5中输入至深层门控循环单元网络进行训练和测试的滚动轴承样本均采用对应滚动轴承归一化的剩余使用寿命阈值rul_out，可用公式表示：

式(22)中，rul表示滚动轴承当前剩余使用寿命，

其中rul_real表示当前滚动轴承实际剩余使用寿命(被rul_max所裁剪)，若rul_real为0，表示滚动轴承剩余使用寿命为0，滚动轴承发生故障；若rul_real为1,，表示滚动轴承剩余使用寿命大于等于rul_max，滚动轴承完好，rul_max表示滚动轴承训练样本的平均剩余使用寿命，

C表示滚动轴承训练样本的数量，rul_y表示某一个滚动轴承训练样本y的剩余使用寿命。

优选地，所述步骤S5中深层门控循环单元网络输出的滚动轴承剩余使用寿命预测值需要进行反归一化，从而得到滚动轴承真实的剩余使用寿命预测值，可用公式表示：

rul_pred＝rul_out×rul_max (21)

式(21)中，rul_pred表示滚动轴承当前真实的剩余使用寿命预测值，rul_max表示滚动轴承剩余使用寿命阈值，rul_out表示深层门控循环单元网络输出的滚动轴承归一化的剩余使用寿命预测值。

与现有技术比较，本发明通过采集多种工况下伺服电机滚动轴承的加速度信号，并对所采集的数据进行时域、时频域的特征提取构成原始特征集，然后根据特征的单调性对所述原始特征集进行特征选择，并利用两层堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量，再将所构建的滚动轴承退化特征向量输入深层门控循环单元网络中训练，最后将待预测伺服电机滚动轴承的振动加速度数据处理后输入至训练好的深层门控循环单元网络中，从而准确有效的预测出该伺服电机滚动轴承的真实剩余使用寿命，具有预测准确率高的特点。

附图说明

图1是本发明一种伺服电机滚动轴承剩余使用寿命预测方法的流程图，

图2是本发明中构成原始特征集的方法流程图，

图3是本发明中构建滚动轴承退化特征向量的方法流程图，

图4是本发明中训练滚动轴承深层门控循环单元网络的方法流程图，

图5是本发明中两层堆叠稀疏自编码器的示意图，

图6是本发明中深层门控循环单元网络的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。

如图1～图6所示，本发明的目的是提供一种能够准确有效的预测出伺服电机滚动轴承剩余使用寿命方法，其采用的技术手段包括以下步骤：

S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；

S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；

S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；

S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；

S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。

本实施例中，所述滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。首先通过振动传感器采集多种工况下伺服电机滚动轴承的振动加速度信号数据，并对所采集的振动加速度信号数据进行时域、时频域的特征提取构成一个原始特征集，然后根据特征的单调性对原始特征集进行特征选择，再利用两层堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量，之后再将所构建的滚动轴承退化特征向量输入到设置的深层门控循环单元网络中进行训练，最后将处理后的待预测伺服电机滚动轴承振动加速度信号数据输入至训练好的深层门控循环单元网络中，从而输出该伺服电机滚动轴承的剩余使用寿命，具有预测准确率高的特点。

如图2所示，所述步骤S2的具体实现方式包括：

S21、提取步骤S1中所采集的每一个滚动轴承振动加速度信号的时域特征，包括振动加速度信号的均方根值、方差、均值、绝对均值、峰峰值、最大值、最小值、峭度、歪度和脉冲指标；

S22、对步骤S1中所采集的每一个滚动轴承振动加速度信号进行经验模态分解，并分别提取每一个振动加速度信号的N个IMF(Intrinsic Mode Function)分量，选取前面R(R≤N)个IMF分量并计算所选取的R个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征；

S23、将步骤S22中所提取的N个IMF分量组合成大小为N×M的矩阵A，同时对矩阵A进行奇异值分解，可用公式表示：

A＝UΛΛ^T (1)

式(1)中，M表示IMF分量的离散点个数，U表示N×N的正交矩阵，V表示M×M的正交矩阵，Λ表示N×M的对角矩阵；

S24、计算出滚动轴承振动加速度信号所对应矩阵A的前面S(S≤N)个奇异值，即对角矩阵Λ的前S个对角线元素；

S25、将步骤S21中提取的时域特征、步骤S22中提取的IMF分量能量和步骤S24中所计算的矩阵A的奇异值组合构建一个原始特征集。

本实施例中，所述滚动轴承振动加速度信号时域特征可用公式表示：

X_max＝max{x_i},(i＝1,2,…,n) (4)

X_min＝min{x_i},(i＝1,2,…,n) (5)

X_p＝X_max-X_min (6)

式(2)～式(11)中，X_rms表示均方根值，n表示在某一时刻振动传感器所采集的采样数，x_i表示某一时刻振动传感器采样数据中的第i个数据，σ_x表示方差，X_max表示最大值，X_min表示最小值，X_p表示峰峰值，

表示均值，X_β表示峭度，X_α表示歪度，I_t表示脉冲指标。

同时，步骤S22中进行经验模态分解时设置可得到最大八个IMF分量，然后选取前面两个IMF分量并计算前两个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征，由于水平方向振动加速度信号和垂直方向振动加速度信号均计算前两个IMF分量，即可得到四个时频域特征，同时步骤S24中计算滚动轴承振动加速度信号所对应矩阵A的前四个奇异值，即可得到八个奇异值，然后将滚动轴承振动加速度信号的时域特征、IMF分量的能量和对应矩阵的奇异值组合，即可构建一个具有三十二个特征的原始特征集。

如图3、图5所示，所述步骤S3中根据特征的单调性对原始特征集进行特征选择并构建轴承退化特征向量的具体实现方式包括：

S31、分别计算步骤S2中得到的滚动轴承每一个特征的单调性，可用公式表示：

式(12)中，K表示滚动轴承全寿命周期样本的个数，dx_i表示滚动轴承全寿命周期样本特征序列某一点x_i的差分值，且dx_i＝x_i+1-x_i,i＝1,2,3···K-1；

S32、将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，并选取排名靠前的T个特征构成特征向量γ＝{γ₁,γ₂,…,γ_T}。

S33、对步骤S32中得到的特征向量进行标准化，可用公式表示：

式(13)中，γ表示特征向量，mean(γ)表示某一个特征向量的平均值，std(γ)表示某一个特征向量的标准差；

S34、将步骤S33中标准化后的特征向量γ_norm输入至第一个稀疏自编码器中并采用梯度下降算法进行训练，得到第一个稀疏自编码器的隐含层输出h₁，可用公式表示：

h₁＝f_θ1(ω_e1γ_norm+b_e1) (14)

式(14)中，f_θ1表示第一个稀疏自编码器中编码器的激活函数，ω_e1表示训练好的第一个自稀疏编码器的权重矩阵，b_e1表示训练好的第一个自稀疏编码器的偏置量；

S35、将步骤S34中得到的第一个稀疏自编码器的隐含层输出h₁输入第二个稀疏自编码器中并采用梯度下降算法进行训练；

S36、将第一个训练好的稀疏自编码器输出h₁作为第二个稀疏自编码器的输入并组成两层堆叠稀疏自编码器，然后再将步骤S33中标准化后的特征向量γ_norm输入所述两层堆叠稀疏自编码器中，从而得到第二个稀疏自编码器的隐含层输出h₂，即得到滚动轴承退化特征向量γ_final＝h₂，其中隐含层输出h₂可用公式表示：

h₂＝f_θ2(ω_e2h₁+b_e2) (15)

式(15)中，f_θ2表示第二层稀疏自编码器中编码器的激活函数，ω_e2表示训练好的第二个自稀疏编码器的权重矩阵，b_e2表示训练好的第二个自稀疏编码器的偏置量。

本实施例中，首先计算滚动轴承的每一个特征单调性并将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，再选取排名靠前的特征构成一个特征向量，然后分别对该特征向量进行标准化，再将标准化后的特征向量分别输入两层堆叠稀疏自编码器中得到滚动轴承对应的退化特征向量。本实施例中，特征向量选取的是排名靠前的二十个特征，在其他实施例中，也可以选取其他数量的特征来构成特征向量。

如图4、图6所示，所述步骤S4的具体实现方式包括：

S41、设置深层门控循环单元网络架构；

S42、将步骤S1中所采集的多种工况下滚动轴承的振动加速度信号数据输入步骤S41中设置的深层门控循环单元网络，并采用Adam优化算法进行训练，从而得到训练好的深层门控循环单元网络，可用公式表示：

m_t＝β₁*m_t-1+(1-β₁)*g_t (16)

ν_t＝β₂*ν_t-1+(1-β₂)*g_t ² (17)

式(16)～(20)中，m_t表示时刻t的初始化一阶矩向量，ν_t表示时刻t的初始化二阶矩向量，β₁表示一阶矩估计指数衰减率，β₂表示二阶矩估计指数衰减率，

表示时刻t的偏差校正后的一阶矩向量，

表示时刻t的偏差校正后的二阶矩向量，β₁ ^t表示时刻t一阶矩估计指数衰减率，β₂ ^t表示时刻t的二阶矩估计指数衰减率，g_t表示时刻t的梯度，θ表示网络权值，η表示学习率，ε为常数(ε＝10^-8)。本实施例中，β₁默认值为0.9，β₂ ^t默认值为0.999。

所述深层门控循环单元网络输出的滚动轴承剩余使用寿命预测值需要进行反归一化，从而得到滚动轴承真实的剩余使用寿命预测值，可用公式表示：

rul_pred＝rul_out×rul_max (21)

式(21)中，rul_pred表示滚动轴承当前真实的剩余使用寿命预测值，rul_max表示滚动轴承剩余使用寿命阈值，rul_out表示深层门控循环单元网络输出的滚动轴承归一化的剩余使用寿命预测值。

本实施例中，所述深层门控循环单元网络包括一层输入层、两层门控循环单元网络层、两层全连接层、两层丢弃层和一层回归输出层。如图5所示，深层门控循环单元网络中的输入层节点为8个，两层门控循环单元网络层隐藏层状态都设置为240，第一层全连接层节点数设置为100，第二层全连接层节点数设置为50，两层丢弃层均设置丢弃概率为0.4，回归输出层输出维度为1。通过将采集的多种工况下滚动轴承振动加速度信号数据经过处理后得到的退化特征向量(即通过训练样本获得的对应滚动轴承退化特征向量)输入至设置的深层门控循环单元网络中进行训练，获得训练好的深层门控循环单元网络，然后采集待预测伺服电机滚动轴承的振动加速度信号数据，并通过相同的方式进行处理，得到测试样本所对应的滚动轴承退化特征向量，然后将该测试样本所对应的滚动轴承退化特征向量输入至训练好的深层门控循环单元网络中，即可得到待预测伺服电机滚动轴承的剩余使用寿命预测值，由于输入至深层门控循环单元网络进行训练和测试的滚动轴承样本均采用对应滚动轴承归一化的剩余使用寿命阈值rul_out，因此需要对所得到的待预测伺服电机滚动轴承的剩余使用寿命预测值进行反归一化，以获取伺服电机滚动轴承真实的剩余使用寿命预测值。

为了更加清楚理解本发明的工作原理和技术效果，下面我们取20个与待预测伺服电机滚动轴承同一型号且未经使用的全新滚动轴承进行加速老化实验予以说明。

(1)采集滚动轴承振动加速度信号数据

取20个与待预测伺服电机滚动轴承同一型号且未经使用的全新滚动轴承进行加速老化实验，直到所有轴承发生故障。实验共分三种工况，即径向载荷4000N，电机转速1800r/min(工况一)；径向载荷4200N，电机转速1650r/min(工况二)；径向载荷5000N，电机转速1500r/min(工况三)。其中8个滚动轴承在工况一条件下做实验，6个滚动轴承在工况二条件下做实验，6个滚动轴承在工况三条件下做实验，每隔1小时对滚动轴承水平方向和垂直方向上的振动加速度信号数据进行采集并保存成文件,每次采样时间为1秒，从而得到20个滚动轴承从未经使用的全新状态到故障状态的全寿命振动数据。每个轴承每一时刻采集的振动数据作为该轴承全寿命数据的数据样本。假设某个滚动轴承运行2000小时后发生故障，则该滚动轴承全寿命振动数据包含2000个振动数据样本文件，每个样本文件包含20480个数据点，则20480为振动传感器的采样频率。

(2)提取每一个滚动轴承振动加速度信号的特征构成原始特征集

2.1、提取每一个滚动轴承振动加速度信号的时域特征，包括均方根值、方差、绝对均值、峰峰值、最大值、最小值、峭度、歪度、脉冲指标。包括水平方向振动加速度信号和垂直方向振动加速度信号各10个时域特征，总计20个特征；

2.2、对滚动轴承振动加速度信号进行经验模态分解，设置最大可得到8个IMF分量,计算前2个IMF分量的能量作为时频域特征，时频域特征计算可用公式表示：

其中E表示IMF分量的能量，imf_j表示IMF分量的第j个离散点幅值，分别计算水平方向振动加速度信号和垂直方向振动加速度信号前两个IMF分量的能量，总计4个特征；

2.3、对矩阵A进行奇异值分解，计算出前4个奇异值(即计算对角矩阵Λ的前4个对角线元素)，总计8个特征，其中矩阵A的大小为8×20480,U为8×8的正交矩阵，V为20480×20480的正交矩阵，Λ为8×20480的对角矩阵；

2.4、将得到的滚动轴承振动加速度信号的时域特征、时频域特征和奇异值特征组合构成原始特征集。

(3)获取滚动轴承振动加速度信号对应的退化特征向量

首先计算滚动轴承对应每一个特征的单调性并将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，再选取排名靠前的20个特征构成特征向量，然后将特征向量进行标准化后，按照步骤S34-步骤S36进行处理，得到滚动轴承退化特征向量γ_final(即为第二个稀疏自编码器的隐含层输出h₂)，一共有8维。

(4)获取训练好的深层门控循环单元网络

将(3)中获得的滚动轴承振动加速度信号对应的退化特征向量输入至设置的深层门控循环单元网络进行训练，得到训练好的深层门控循环单元网络。

(5)获取待预测伺服电机滚动轴承剩余使用寿命

将待预测伺服电机滚动轴承的测试数据按照(2)和(3)进行处理，然后输入至(4)中训练好的深层门控循环单元网络，最后将训练好的深层门控循环单元网络的输出进行反归一化，即得到待预测伺服电机滚动轴承的实际剩余使用寿命。

以上对本发明所提供的一种伺服电机滚动轴承剩余使用寿命预测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，包括以下步骤：

S1、利用振动传感器采集多种工况下滚动轴承的振动加速度信号数据；

S2、对所采集的振动加速度信号数据进行时域、时频域的特征提取以构成原始特征集；

S3、根据特征的单调性对原始特征集进行特征选择，并通过堆叠稀疏自编码器对所选择的特征进行深层次的特征学习和特征压缩以构建滚动轴承退化特征向量；

S4、将步骤S3中构建的滚动轴承退化特征向量输入深层门控循环单元网络中进行训练，得到训练好的深层门控循环单元网络；

S5、采集待预测伺服电机滚动轴承的振动加速度信号并重复步骤S2和步骤S3，得到待预测伺服电机滚动轴承振动加速度信号对应的退化特征向量，然后将所得到的对应滚动轴承退化特征向量输入至所述步骤S4中训练好的深层门控循环单元网络，从而预测出待预测伺服电机滚动轴承的剩余使用寿命。

2.如权利要求1所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S1中滚动轴承的振动加速度信号包括水平方向的振动加速度信号和垂直方向的振动加速度信号。

3.如权利要求2所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S2的具体实现方式包括：

S21、提取步骤S1中所采集的每一个滚动轴承振动加速度信号的时域特征，包括振动加速度信号的均方根值、方差、均值、绝对均值、峰峰值、最大值、最小值、峭度、歪度和脉冲指标；

S22、对步骤S1中所采集的每一个滚动轴承振动加速度信号进行经验模态分解，并分别提取每一个振动加速度信号的N个IMF(Intrinsic Mode Function)分量，选取前面R(R≤N)个IMF分量并计算所选取的R个IMF分量的能量作为滚动轴承对应振动加速度信号的时频域特征；

S23、将步骤S22中所提取的N个IMF分量组合成大小为N×M的矩阵A，同时对矩阵A进行奇异值分解，可用公式表示：

A＝UΛΛ^T (1)

式(1)中，M表示IMF分量的离散点个数，U表示N×N的正交矩阵，V表示M×M的正交矩阵，Λ表示N×M的对角矩阵；

S24、计算出滚动轴承振动加速度信号所对应矩阵A的前面S(S≤N)个奇异值；

S25、将步骤S21中提取的时域特征、步骤S22中提取的IMF分量能量和步骤S24中所计算的矩阵A的奇异值组合构建一个原始特征集。

4.如权利要求3所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S21中所提取的滚动轴承振动加速度信号时域特征可用公式表示：

X_max＝max{x_i},(i＝1,2,…,n) (4)

X_min＝min{x_i},(i＝1,2,…,n) (5)

X_p＝X_max-X_min (6)

式(2)～式(11)中，X_rms表示均方根值，n表示在某一时刻振动传感器所采集的采样数，x_i表示某一时刻振动传感器采样数据中的第i个数据，σ_x表示方差，X_max表示最大值，X_min表示最小值，X_p表示峰峰值，

表示均值，X_β表示峭度，X_α表示歪度，I_t表示脉冲指标。

5.如权利要求4所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S3中根据特征的单调性对原始特征集进行特征选择的具体实现方式包括：

S31、分别计算步骤S2中得到的滚动轴承每一个特征的单调性，可用公式表示：

式(12)中，K表示滚动轴承全寿命周期样本的个数，dx_i表示滚动轴承全寿命周期样本特征序列某一点x_i的差分值，且dx_i＝x_i+1-x_i,i＝1,2,3···K-1；

S32、将不同滚动轴承相同特征的单调性分别进行加和后按从大到小的顺序进行排列，并选取排名靠前的T个特征构成特征向量γ＝{γ₁,γ₂,…,γ_T}。

6.如权利要求5所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S3中构建轴承退化特征向量的具体实现方式包括：

S33、对步骤S32中得到的特征向量进行标准化，可用公式表示：

式(13)中，γ表示特征向量，mean(γ)表示某一个特征向量的平均值，std(γ)表示某一个特征向量的标准差；

S34、将步骤S33中标准化后的特征向量γ_norm输入至第一个稀疏自编码器中并采用梯度下降算法进行训练，得到第一个稀疏自编码器的隐含层输出h₁，可用公式表示：

h₁＝f_θ1(ω_e1γ_norm+b_e1) (14)

式(14)中，f_θ1表示第一个稀疏自编码器中编码器的激活函数，ω_e1表示训练好的第一个自稀疏编码器的权重矩阵，b_e1表示训练好的第一个自稀疏编码器的偏置量；

S35、将步骤S34中得到的第一个稀疏自编码器的隐含层输出h₁输入第二个稀疏自编码器中并采用梯度下降算法进行训练；

S36、将第一个训练好的稀疏自编码器输出h₁作为第二个稀疏自编码器的输入并组成两层堆叠稀疏自编码器，然后再将步骤S33中标准化后的特征向量γ_norm输入所述两层堆叠稀疏自编码器中，从而得到第二个稀疏自编码器的隐含层输出h₂，即得到滚动轴承退化特征向量γ_final＝h₂，其中隐含层输出h₂可用公式表示：

h₂＝f_θ2(ω_e2h₁+b_e2) (15)

式(15)中，f_θ2表示第二层稀疏自编码器中编码器的激活函数，ω_e2表示训练好的第二个自稀疏编码器的权重矩阵，b_e2表示训练好的第二个自稀疏编码器的偏置量。

7.如权利要求6所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S4的具体实现方式包括：

S41、设置深层门控循环单元网络架构；

S42、将步骤S1中所采集的多种工况下滚动轴承的振动加速度信号数据输入步骤S41中设置的深层门控循环单元网络，并采用Adam优化算法进行训练，从而得到训练好的深层门控循环单元网络，可用公式表示：

m_t＝β₁*m_t-1+(1-β₁)*g_t (16)

ν_t＝β₂*n_t-1+(1-β₂)*g_t ² (17)

式(16)～(20)中，m_t表示时刻t的初始化一阶矩向量，ν_t表示时刻t的初始化二阶矩向量，β₁表示一阶矩估计指数衰减率，β₂表示二阶矩估计指数衰减率，

表示时刻t的偏差校正后的一阶矩向量，

表示时刻t的偏差校正后的二阶矩向量，β₁ ^t表示时刻t一阶矩估计指数衰减率，β₂ ^t表示时刻t的二阶矩估计指数衰减率，g_t表示时刻t的梯度，θ表示网络权值，η表示学习率，ε为常数(ε＝10^-8)。

8.如权利要求7所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S41中深层门控循环单元网络包括一层输入层、两层门控循环单元网络层、两层全连接层、两层丢弃层和一层回归输出层。

9.如权利要求8所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S4和步骤S5中输入至深层门控循环单元网络进行训练和测试的滚动轴承样本均采用对应滚动轴承归一化的剩余使用寿命阈值rul_out，可用公式表示：

式(22)中，rul表示滚动轴承当前剩余使用寿命，

其中rul_real表示当前滚动轴承实际剩余使用寿命(被rul_max所裁剪)，rul_max表示滚动轴承训练样本的平均剩余使用寿命，

C表示滚动轴承训练样本的数量，rul_y表示某一个滚动轴承训练样本y的剩余使用寿命。

10.如权利要求9所述的伺服电机滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤S5中深层门控循环单元网络输出的滚动轴承剩余使用寿命预测值需要进行反归一化，从而得到滚动轴承真实的剩余使用寿命预测值，可用公式表示：

rul_pred＝rul_out×rul_max (21)

式(21)中，rul_pred表示滚动轴承当前真实的剩余使用寿命预测值，rul_max表示滚动轴承剩余使用寿命阈值，rul_out表示深层门控循环单元网络输出的滚动轴承归一化的剩余使用寿命预测值。

Images