CN112926644A - 一种滚动轴承剩余使用寿命预测方法及系统 - Google Patents
一种滚动轴承剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN112926644A CN112926644A CN202110196762.3A CN202110196762A CN112926644A CN 112926644 A CN112926644 A CN 112926644A CN 202110196762 A CN202110196762 A CN 202110196762A CN 112926644 A CN112926644 A CN 112926644A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- service life
- layer
- neural network
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提供了一种滚动轴承剩余使用寿命预测方法及系统，获取滚动轴承的振动信号数据；对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值；其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层；本公开使用小波变换充分分析了滚动轴承的故障信号特征，将传统卷积神经网络最后的全连接层更换为卷积层和池化层，结合卷积层的权值共享、局部连接等特性，减少了网络权值等训练中需要优化参数的数量，极大的提高了寿命预测的精度。
Description
技术领域
本公开涉及机械部件寿命预测技术领域，特别涉及一种滚动轴承剩余使用寿命预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
现代机械设备结构日趋复杂化与综合化，滚动轴承作为机械设备中最常用的核心基础零部件之一，在机械设备运行中，由于长时间受载、润滑不良、腐蚀、过载等原因，滚动轴承易产生疲劳剥落、磨损、擦伤、烧伤、电蚀、内外环断裂和滚珠失圆等损伤，一旦出现故障，一方面将造成巨大经济损失，另一方面甚至会导致人员伤亡。据统计，约40％～50％的电机故障是由于滚动轴承损伤所造成的电机故障。为避免设备安全事故发生，降低设备检修费用和维持日常生产活动等，研究人员和相关工业部门越来越重视滚动轴承的状态检测技术。因此，在上述的工业背景下，对滚动轴承剩余使用寿命的精准预测能为机械设备的预测性维护提供指导，进而提前进行维修保养，减少不必要的维修次数，可见预测滚动轴承的剩余使用寿命(RUL)具有十分重要的意义。
目前，滚动轴承剩余寿命预测方法主要分为基于机理模型与基于数据驱动模型。传统的寿命预测方法需要两个基础的步骤：(1)建立性能退化指标；(2)研究预测模型。性能退化指标构建的一种方法是从原始信号中提取单一的统计特征并将其作为性能退化指标。为了提取合适的特征，需要对所采集信号的特性有相当程度的了解，并且特征的筛选和融合需要一定的经验与知识，所以合适特征的提取与融合需要投入大量的精力，且单一的统计特征也难以保证后续的预测精度。
得益于信号采集与计算机技术的发展，在设备运行过程中获取大量的状态监测数据成为可能，这推动了数据驱动的机械设备剩余寿命预测方法研究的发展。基于数据驱动，利用深度学习算法构建预测模型，可以自动提取信号特征，且模型泛化能力强，具有很大的优越性。目前，滚动轴承寿命预测多是基于振动信号进行故障特征提取来展开，针对以上内容，主要是通过提取时域、频域或时频域、幅值或能量等相关指标作为参量进行研究。在实际工业环境中，现场工况十分复杂，轴承特征信号往往能量低，易被噪声淹没，且故障信号之间相互耦合、相互干扰，因此，如何将轴承振动特征信号有效的提取并表达出来，在寿命预测任务中具有重大意义。
发明人发现，目前已经有很多神经网络模型被应用于滚动轴承寿命预测当中，但基于卷积神经网络的寿命预测模型中，多是直接使用滚动轴承原始振动信号进行预测，而当滚动轴承开始退化时，采集到的信号往往会表现出非平稳特性，在这种情况下，单一的时域或是频域分析都不能提供可靠的信息，导致现有的技术方案会忽略一些信号的频域特性，导致寿命预测的精准性较低；传统的滚动轴承振动寿命预测方法过于依赖于专家经验，且耗时耗力。而使用数据驱动的深度学习方法自动提取振动信号特征往往是基于时域分析，使用原始振动信号进行寿命预测，会忽略振动信号的频域特性，导致特征分析不完全，具有一定的局限性，预测精度还有提高的空间。同时，使用的神经网络模型结构等因素也会影响预测精度。
发明内容
为了解决现有技术的不足，本公开提供了一种滚动轴承剩余使用寿命预测方法及系统，使用小波变换充分分析了滚动轴承的故障信号特征，将传统卷积神经网络最后的全连接层更换为卷积层和池化层，结合卷积层的权值共享、局部连接等特性，减少了网络权值等训练中需要优化参数的数量，极大的提高了寿命预测的精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种滚动轴承剩余使用寿命预测方法。
一种滚动轴承剩余使用寿命预测方法，包括以下步骤：
获取滚动轴承的振动信号数据；
对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，再对预测值进行加权平均降噪处理，以提高预测精度；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
本公开第二方面提供了一种滚动轴承剩余使用寿命预测系统。
一种滚动轴承剩余使用寿命预测系统，包括：
数据获取模块，被配置为：获取滚动轴承的振动信号数据；
数据处理模块，被配置为：对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
寿命预测模块，被配置为：将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，并对该值进行加权平均降噪处理；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的滚动轴承剩余使用寿命预测方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的滚动轴承剩余使用寿命预测方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，利用小波变换将滚动轴承的原始振动信号进行时频分析，充分挖掘了故障信号的特征，将经过小波变换后的时频图作为全卷积层神经网络的输入，极大的提高了寿命预测的准确性。
2、本公开所述的方法、系统、介质或电子设备，将小波变换技术与全卷积层神经网络进行融合，形成了一个自动提取特征的滚动轴承剩余使用寿命预测模型，预测结果能够较好的接近真实剩余使用寿命值。
3、本公开所述的方法、系统、介质或电子设备，将传统卷积神经网络最后的全连接层更换为卷积层和池化层，利用卷积层的权值共享、局部连接等特性，减少了网络权值等训练中需要优化参数的数量，进一步的提升了预测的准确性。
4、本公开所述的方法、系统、介质或电子设备，使用双线性插值法对时频图进行降维，减小了时频图的尺寸，降低了后续全卷积层神经网络的计算负担。
5、本公开所述的方法、系统、介质或电子设备，通过全卷积层神经网络解决了传统滚动轴承剩余使用寿命预测方法由于基于机理模型而需要专家经验以及需投入大量精力，且预测精度有待提高等问题。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的滚动轴承剩余使用寿命预测方法的流程示意图。
图2为本公开实施例1提供的传统卷积神经网络示意图。
图3为本公开实施例1提供的卷积神经网络中稀疏连接的示意图。
图4为本公开实施例1提供的卷积神经网络中的权值共享的示意图。
图5为本公开实施例1提供的卷积神经网络中的最大池化操作的示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
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公开的示例性实施方式。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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如背景技术中所述，在滚动轴承剩余寿命预测领域，目前大多数神经网络模型都是直接使用滚动轴承原始振动信号，即使用时域信号进行分析，而在滚动轴承开始出现退化趋势时，采集到的振动信号会表现出非平稳特性，导致单一的时域或者频域分析都不能够很好的提供有价值的退化信息，因此也就不能很好的分析信号的特征。
基于上述问题，如图1所示，本公开实施例1提供了一种滚动轴承剩余使用寿命预测方法，包括以下步骤：
获取滚动轴承的振动信号数据；
对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，并对该值进行加权平均降噪处理；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
具体的，包括以下内容：
S1：本实施方式的数据为从滚动轴承加速寿命台架试验采集的振动加速度数据，它来源于IEEE 2012年的PHM数据挑战赛。
该数据集包含3种工况下的17个滚动轴承的全生命周期振动数据，每10秒采集一次数据，采样频率为25.6kHz，一次采样时间为0.1秒，因此每次采集可得到2560个振动加速度，振动加速度的测量值达到预先设定的阈值时认为滚动轴承的剩余使用寿命结束，本实施例选用工况一下的训练集与测试集进行。
S2：对训练集中的振动信号做小波变换，本实施方式选取了与机械轴承冲击信号相似的Morlet小波作为母小波。
进行的运算如式(1)所示：
式中，α为尺度因子，β为时间平移因子，ψ(t)为母小波函数，代表一个函数族，
为归一化常数，用来保证变换过程中的能量守恒，通过小波变换，一维的滚动轴承振动退化时域信号被转换为二维函数U(α，β)，即将原始的滚动轴承振动信号转化为相应的时频图，因此在一个特定的时间常数(参数β)下，可以确定一个特定的频率(参数α)。
S3：使用双线性插值法对小波变换后得到的时频图进行处理，以减小时频图的尺寸，降低后续全卷积层神经网络的计算量。
该步骤如式(2)所示：
V＝φ(U) (2)
式中，φ表示线性插值函数，V是处理过后的特征图。
S4：构建全卷积层神经网络，设置网络参数。
卷积层最重要的特点为权值共享，权值共享是指对模型中的多个函数使用相同的参数，通俗理解就是整张图或者整组特征图共用一个卷积核，卷积核在图上慢慢滑动，所以图上每个区域都是利用了卷积核内的参数。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，已在图像识别领域取得了显著成就。卷积神经网络的核心在于特征的自主学习，与传统的寿命预测方法相比，它减少了人工的特征提取等操作。使用多层卷积神经网络时，每个卷积层将提取信号不同层次的特征，能更好的反应数据本身的特点。传统的卷积神经网络包括卷积层、池化层和全连接层，如图2所示。
本实施例使用的全卷积层神经网络意为将传统卷积神经网络中的全连接层优化为卷积层和池化层。
具体的卷积层运算如式(3)：
式中：*表示卷积操作，
和
分别代表在卷积过程中的r-1层的第i个输入特征图和r层的第j个输出特征图，
为卷积核，
为偏移量，
为非线性激活函数。
局部连接是指卷积神经网络最后的全连接层与输入层之间的“间接连接”是非全连接的，多次卷积可以找出一种合理的连接，使输入图片分成各种“小区域”，这种小区域再成为全连接层的输入。输入层进入全连接的第一层的元素会少很多，全连接层的参数会少很多。卷积神经网络绝大部分待训练参数在全连接层。
因此，局部连接的作用可以减少计算的参数，一定程度上降低了过拟合的风险。局部连接如图3所示。权值共享是指对模型中的多个函数使用相同的参数，通俗理解就是整张图或者整组特征图共用一个卷积核，卷积核在图上慢慢滑动，所以图上每个区域都是利用了卷积核内的参数，这就是权值共享。
权值共享如图4所示。池化也为子采样或下采样，主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性，最大池化操作如图四所示，在2×2的窗口大小下选取最大的值作为输出值。
如图5所示，池化层运算如式(4)所示：
式中：
为r层的第j个输入特征图，
为r+1层的第j个输出特征图，m为池化核的尺寸大小。
S5：将步骤S3中的特征图作为全卷积层神经网络的输入，即每条训练样本{(xi，yi)}中的xi为第i次的采集样本对应的时频图，yi为该次采集时所对应的滚动轴承剩余使用寿命。此处的yi计算如式(5)所示：
S6：经过不断的迭代训练，逐渐优化了此神经网络模型的参数，以不断的提高预测精度。
S7：对测试集中振动信号数据进行小波变换，得到相应的时频图，同样的做双线性插值，之后输入训练完成的全卷积层神经网网络，最终输出相应时刻的滚动轴承的剩余使用寿命预测值，并对预测值进行加权平均降噪处理，该值较接近真实的剩余使用寿命值。
实施例2：
本公开实施例2提供了一种滚动轴承剩余使用寿命预测系统，包括：
数据获取模块，被配置为：获取滚动轴承的振动信号数据；
数据处理模块，被配置为：对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
寿命预测模块，被配置为：将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，并对该值进行加权平均降噪处理；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
所述系统的工作方法与实施例1提供的滚动轴承剩余使用寿命预测方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的滚动轴承剩余使用寿命预测方法中的步骤，所述步骤为：
获取滚动轴承的振动信号数据；
对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，并对该值进行加权平均降噪处理；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
详细步骤与实施例1提供的滚动轴承剩余使用寿命预测方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的滚动轴承剩余使用寿命预测方法中的步骤，所述步骤为：
获取滚动轴承的振动信号数据；
对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值，并对该值进行加权平均降噪处理；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
详细步骤与实施例1提供的滚动轴承剩余使用寿命预测方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种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：
获取滚动轴承的振动信号数据；
对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
2.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
对得到的寿命预测值进行加权平均降噪处理。
3.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
使用双线性插值法对时频图进行降维处理。
4.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
以Morlet小波作为母小波进行小波变换。
5.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
通过小波变换，将一维的滚动轴承的振动时域信号被转换为二维时频信号，在一个特定的时间常数下，可以确定一个特定的频率。
6.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
利用卷积层的权值共享功能，对全卷积层神经网络中的多个函数使用相同的参数。
7.如权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于：
卷积层的卷积操作，包括：
其中，*表示卷积操作，Vi r-1和
分别代表在卷积过程中的r-1层的第i个输入特征图和r层的第j个输出特征图。
为卷积核，
为偏移量，
为非线性激活函数。
8.一种滚动轴承剩余使用寿命预测系统，其特征在于：包括：
数据获取模块，被配置为：获取滚动轴承的振动信号数据；
数据处理模块，被配置为：对获取的振动信号数据进行小波变换，得到时频图，对获取的时频图进行预处理；
寿命预测模块，被配置为：将预处理后的时频图输入到预设全卷积层神经网络中，得到滚动轴承的剩余使用寿命预测值；
其中，全卷积层神经网络中的最后全连接层替换为依次连接的卷积层和池化层。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的滚动轴承剩余使用寿命预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的滚动轴承剩余使用寿命预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110196762.3A CN112926644A (zh) | 2021-02-22 | 2021-02-22 | 一种滚动轴承剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110196762.3A CN112926644A (zh) | 2021-02-22 | 2021-02-22 | 一种滚动轴承剩余使用寿命预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112926644A true CN112926644A (zh) | 2021-06-08 |
Family
ID=76169990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110196762.3A Pending CN112926644A (zh) | 2021-02-22 | 2021-02-22 | 一种滚动轴承剩余使用寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926644A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553759A (zh) * | 2021-06-17 | 2021-10-26 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
| CN113642414A (zh) * | 2021-07-19 | 2021-11-12 | 北京航空航天大学 | 一种基于Transformer模型的滚动轴承剩余使用寿命预测方法 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN114019252A (zh) * | 2021-11-04 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种基于电弧电磁辐射信号的分接开关状态评估方法 |
| CN114137403A (zh) * | 2021-11-22 | 2022-03-04 | 重庆大学 | 一种基于辐射电磁波的有载分接开关电气寿命评估系统和方法 |
| CN116522804A (zh) * | 2023-06-30 | 2023-08-01 | 苏州晨晖智能设备有限公司 | 一种单晶炉底部加热器使用寿命的预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
| CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
| CN112001424A (zh) * | 2020-07-29 | 2020-11-27 | 暨南大学 | 基于对抗训练的恶意软件开放集家族分类方法和装置 |
-
2021
- 2021-02-22 CN CN202110196762.3A patent/CN112926644A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
| CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
| CN112001424A (zh) * | 2020-07-29 | 2020-11-27 | 暨南大学 | 基于对抗训练的恶意软件开放集家族分类方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| LEI REN ETC.: ""Bearing remaining useful life prediction based on deep autoencoder and deep neural networks"", 《JOURNAL OF MANUFACTURING SYSTEMS》 * |
| 张继冬等: ""基于全卷积层神经网络的轴承剩余寿命预测"", 《中国机械工程》 * |
| 钱立军等: ""时频等高图在旋转机械振动故障信号检测中的应用"", 《机械强度》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN113553759A (zh) * | 2021-06-17 | 2021-10-26 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
| CN113553759B (zh) * | 2021-06-17 | 2024-04-30 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
| CN113642414A (zh) * | 2021-07-19 | 2021-11-12 | 北京航空航天大学 | 一种基于Transformer模型的滚动轴承剩余使用寿命预测方法 |
| CN114019252A (zh) * | 2021-11-04 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种基于电弧电磁辐射信号的分接开关状态评估方法 |
| CN114019252B (zh) * | 2021-11-04 | 2024-04-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于电弧电磁辐射信号的分接开关状态评估方法 |
| CN114137403A (zh) * | 2021-11-22 | 2022-03-04 | 重庆大学 | 一种基于辐射电磁波的有载分接开关电气寿命评估系统和方法 |
| CN116522804A (zh) * | 2023-06-30 | 2023-08-01 | 苏州晨晖智能设备有限公司 | 一种单晶炉底部加热器使用寿命的预测方法及系统 |
| CN116522804B (zh) * | 2023-06-30 | 2023-09-22 | 苏州晨晖智能设备有限公司 | 一种单晶炉底部加热器使用寿命的预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
| CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
| Kumar et al. | Bearing defect size assessment using wavelet transform based Deep Convolutional Neural Network (DCNN) | |
| CN113344295A (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
| CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
| CN113532829A (zh) | 基于改进的rcmde往复压缩机故障诊断方法 | |
| Anwarsha et al. | Recent advancements of signal processing and artificial intelligence in the fault detection of rolling element bearings: A review | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
| CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
| CN114486262B (zh) | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 | |
| Amar Bouzid et al. | CNC milling cutters condition monitoring based on empirical wavelet packet decomposition | |
| Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
| CN115577237A (zh) | 基于一维卷积神经网络和元学习的电梯故障诊断方法 | |
| CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN114705427A (zh) | 一种强噪声环境下的滚动轴承智能故障诊断方法 | |
| CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
| CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及系统 | |
| CN112632466A (zh) | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 | |
| Viet-Linh | Deep convolutional neural network-based transfer learning method for health condition identification of cable in cable-stayed bridge |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |