CN115983452A - 一种基于lstm的轴承故障预测方法 - Google Patents
一种基于lstm的轴承故障预测方法 Download PDFInfo
- Publication number
- CN115983452A CN115983452A CN202211629735.1A CN202211629735A CN115983452A CN 115983452 A CN115983452 A CN 115983452A CN 202211629735 A CN202211629735 A CN 202211629735A CN 115983452 A CN115983452 A CN 115983452A
- Authority
- CN
- China
- Prior art keywords
- prediction
- value
- formula
- lstm
- bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000000227 grinding Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于LSTM的轴承故障预测方法，涉及轴承故障预测技术领域，针对基于振动信号的分析方法在数控机床主轴轴承故障预测过程中，存在故障特征提取困难、预测精度不高的问题，提出了一种基于LSTM的轴承温度预测模型，通过对预测残差分析实现故障预测的方法。首先采取灰色关联度分析法对采集状态变量进行特征筛选，然后以机床正常运行状态下的状态数据建立LSTM模型对轴承温度进行预测，根据预测残差设定报警阈值和规则，最后利用滑动窗口法对预测残差进行分析，实现主轴轴承故障预测。以L企业某型号磨床故障历史数据对提出的方法进行验证，结果表明该方法可以实现对数控磨床主轴轴承的故障预测，为现场维修决策提供一定的指导。
Description
技术领域
本发明涉及轴承故障预测技术领域，尤其涉及一种基于LSTM的轴承故障预测方法。
背景技术
数控机床相比于传统机床，表现出专业化、自动化、先进性等特征优势，目前轴承企业普遍采用数控机床进行车削、磨削加工，数控机床的正常运行对于轴承生产企业正常生产有着不可忽视的影响。数控机床最常见的故障是由主传动系统和进给传动系统引起的故障，其中电主轴轴承是电主轴系统中最容易产生故障的零部件之一，常见故障有磨损、点蚀等。轴承一旦发生故障，会直接影响到产品的加工精度和质量；如果未及时更换，随着运行时间加长，故障程度进一步加剧，会造成轴承无法正常运行，由于主轴系统的各零部件间关系紧密，还会造成其他零部件的损坏，影响主轴系统的正常运行。主轴轴承健康状态是影响主轴系统可靠运行的关键，如何依据状态监测数据评估判断主轴轴承健康状况，实现预防性维护，提高设备可靠度，对保障企业生产正常运行具有重要意义。
目前，基于声音、温度、振动等常用故障诊断技术中，基于振动监测的故障诊断方法得到了广泛研究。现有以振动数据为驱动的方法多数是基于信号分解方法进行的，通过提取信号中的故障特征，结合智能算法实现故障诊断和预测。但数控机床主轴轴承常在不同载荷、不同转速的多工况环境工作，其振动信号复杂，故障特征很容易被设备的其它噪声淹没，故障特征提取困难，导致故障预测精度下降。
发明内容
针对基于振动信号的分析方法在数控机床主轴轴承故障预测过程中，存在故障特征提取困难、预测精度不高的问题，本发明提出了一种基于LSTM的轴承故障预测方法。首先利用灰色关联度分析法(Grey Relation Analysis，GRA)对采集状态数据进行处理，筛选相关特征参数；然后以筛选后的状态特征作为LSTM模型的输入，以主轴轴承温度作为模型输出，建立轴承温度预测模型，实现主轴轴承温度的预测；最后利用滑动窗口法对预测残差进行处理分析，实现轴承故障预测，为维修更换主轴轴承提供决策指导。本发明的目的是通过下述方案得以实现的：
一种基于LSTM的轴承故障预测方法，其特征在于，包括以下步骤：
S1：利用灰色关联度分析法对原始采集数据进行处理，筛选出高关联度特征变量；
S2：以高关联度特征变量作为LSTM网络模型的输入，以轴承温度作为模型输出，建立轴承温度预测模型，并输出轴承温度的预测值；
S3：基于轴承温度的预测值，利用滑动窗口法对预测残差进行处理分析，完成轴承故障预测。
进一步的，步骤S1中灰色关联度分析法的具体操作包括以下步骤：
S101：利用式(1)对原始采集数据进行归一化处理；
式中：xk为当前数据值；xmax和xmin为该特征变量的最大值和最小值；xk'为归一化后的数据值；
S102：利用式(2)计算各比较序列与参考序列在第i个样本点的灰色关联系数；
式中：
为第i个样本点比较序列xj与参考序列x0的关联系数，|Δxj(i)|表示第i个样本点比较序列xj与参考序列x0的差值绝对值；
和
分别表示全局最小值和全局最大值；ρ为调节系数；
S103：基于灰色关联系数，利用式(3)计算各比较序列的灰色关联度；
式中：rj为关联度，n为样本总数；
S104：对步骤S103得到的各比较序列的关联度值进行降序排列，选取高关联度特征变量作为LSTM网络模型的输入。
进一步的，步骤S104中所述高关联度特征变量指的是关联度值大于0.7的特征变量。
进一步的，步骤S2的具体操作包括以下步骤：
S201：读取机床正常状态下关联度值大于0.7的特征变量的历史数据，利用式(1)对历史数据进行归一化处理；
S202：将归一化处理后的历史数据按比例划分为训练集和测试集，训练集数据用于LSTM网络模型学习，测试集数据用于验证LSTM网络模型预测效果；
S203：设置时间步长l，以每个时刻前l个时间步的训练集数据作为LSTM网络模型的输入，该时刻的温度值作为LSTM网络模型的目标输出；
S204：设置LSTM网络参数，并基于每个时刻前l个时间步的训练集数据训练LSTM网络模型；
S205：用测试集数据作为训练完成的LSTM网络模型的输入，输出模型预测值，并采用均方根误差作为评价指标评价模型的预测精度，其计算公式如式(5)所示：
S206：对模型预测值进行反归一化处理，输出轴承温度预测值；
S207：调整LSTM网络参数重复训练，对比不同参数下LSTM网络模型的预测精度值，得到预测精度较高的LSTM网络模型作为最终的轴承温度预测模型。
进一步的，步骤S204的具体操作包括以下步骤：
S2041：对LSTM网络参数进行配置，并在隐藏层后加入输出层，按照一定比例随机丢弃隐藏层输出值；所述LSTM网络参数包括神经元个数、训练次数、学习速率、训练目标最小误差；
S2042：训练LSTM网络模型，输出层通过计算预测输出与目标输出的均方误差，并将此作为损失函数，不断迭代学习，直到损失函数收敛或达到设置的迭代次数，训练结束，其计算公式如式(4)所示：
式中：n为样本总数；y(i)为第i个样本点的目标值；y'(i)为对应的预测值。
进一步的，步骤S3的具体操作包括以下步骤：
S301：设滑动窗口宽度为q，该窗口下所包含预测残差的均值计算公式如式(6)，利用式(6)对预测残差进行连续分析；
式中：ep为窗口中的第p(p＝1,2,3,...,q)个预测残差；
S302：统计得到均值的最大绝对值
根据式(7)设定阈值：
式中：
为均值预警阈值；λ为比例系数；
S303：比较预测残差的均值
与均值预警阈值
的大小，当预测残差的均值
超过均值预警阈值
时发出故障预警信号。
与现有技术相比，本发明的有益效果是：
(1)在多工况条件下，温度信号和振动信号相比具有噪声小的特点，故障特征明显，基于温度信号的故障预测方法可及时有效的识别出轴承故障，故障预测误报警率低；
(2)设备正常状态下的运行数据易于获取，本发明通过充分利用挖掘正常状态下的运行数据特征实现故障预测，可有效解决基于振动信号的预测方法因故障数据贫乏导致故障特征提取困难的问题，应用范围更广。
附图说明
图1为LSTM模型的网络细胞结构图；
图2为本发明的基于LSTM的轴承故障预测方法的流程图；
图3为正常状态下轴承温度值与预测值对比；
图4为正常状态下的预测残差；
图5为预测残差的均值；
图6为测试集轴承温度值与预测值对比；
图7为测试集预测残差；
图8为测试集预测残差均值。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
当轴承出现潜在故障时，随着运行时间的增加，故障程度也会加剧，轴承温度特性会偏离正常工作区间。但在机床实际运行过程中，轴承温度会受到主轴转速和环境温度等多个变量的影响，轴承温度数据表现出非平稳变化趋势特征，通过直接观察或简单设定温度阈值难以判别轴承是否发生异常。
考虑到轴承温度和多个状态变量之间存在的长期影响依赖关系，选取机床正常运行状态下的多变量数据建立轴承温度预测模型。长短期记忆神经网络(Long Short-TermMemory，LSTM)模型是循环神经网络(RNN)的一个变体，能够挖掘运行数据时间前后的联系，解决RNN在训练过程中出现的梯度消失或梯度爆炸的问题，对具有长期依赖型时序数据预测有较好的处理结果，其网络细胞结构如图1所示。以机床正常运行时的多个变量时序数据为模型输入，建立轴承温度LSTM预测模型，模型输出轴承温度预测值。
当轴承处于正常工作状态时，模型的预测误差相对较小；当轴承出现故障时，会导致预测误差变大。使用轴承温度预测残差作为轴承的状态监测变量，通过设定阈值观察残差的变化趋势来判别轴承的工作状态。预测残差未达到阈值，说明轴承状态正常；反之则表明轴承状态异常，可能出现故障。
基于此，本发明提供了一种基于LSTM的轴承故障预测方法，图2为本发明的基于LSTM的轴承故障预测方法的流程图，其具体操作包括以下步骤：
S1：利用灰色关联度分析法对原始采集数据进行处理，筛选出高关联度特征变量；
原始采集数据记录了设备不同的运行状态参数，而这些运行状态参数存在着一些冗余和无关特征。当模型输入特征维度过高会增大模型计算复杂度，降低模型运算效率，对模型的预测效果产生一定的影响。因此有必要对原始采集数据进行特征选择，降低特征维度减少计算量的同时，使模型效果达到最优。本发明采用灰色关联度法进行特征筛选；灰色关联度分析法(GRA)是一种多因素统计分析方法，通过计算比较序列与参考序列的灰色关联度来判断系统因素之间关联性大小。所谓关联程度，实质是指曲线间几何形状的相似程度，一般而言，在一个灰色系统发展过程中，若两个因素变化趋势一致，则关联程度高，反之，则较低。
具体的，S101：对原始采集数据进行无量纲化处理。由于参考序列和比较序列数值量纲不同，变量之间取值差异较大，为消除不同维度数据之间的量纲差异对计算灰色关联度的影响，利用式(1)对原始采集数据进行归一化处理。
式中：xk为当前数据值；xmax和xmin为该特征变量的最大值和最小值；xk'为归一化后的数据值，取值范围为[0,1]；
S102：计算参考序列和各比较序列之间的灰色关联系数。对于一个参考序列，有若干个比较序列，各比较序列与参考序列在第i个样本点的灰色关联系数
的计算公式如式(2)所示：
式中：
为第i个样本点比较序列xj与参考序列x0的关联系数，|Δxj(i)|表示第i个样本点比较序列xj与参考序列x0的差值绝对值；
和
分别表示全局最小值和全局最大值；ρ为调节系数，取值范围为[0,1]，一般取ρ＝0.5；
S103：基于灰色关联系数，计算各比较序列的灰色关联度。灰色关联度计算公式如式(3)所示：
式中：rj为关联度，n为样本总数；
S104：进行特征选择。对步骤S103得到的各比较序列的关联度值进行降序排列，选取高关联度特征变量作为LSTM网络模型的输入，所述高关联度特征变量指的是关联度值大于0.7的特征变量。
S2：以高关联度特征变量作为LSTM网络模型的输入，以轴承温度作为模型输出，建立轴承温度预测模型，并输出轴承温度的预测值；
具体的，S201：读取机床正常状态下关联度值大于0.7的特征变量的历史数据，利用式(1)对历史数据进行归一化处理；
S202：将归一化处理后的历史数据按比例划分为训练集和测试集，训练集数据用于LSTM网络模型学习，测试集数据用于验证LSTM网络模型预测效果；
S203：设置时间步长l，以每个时刻前l个时间步的训练集数据作为LSTM网络模型的输入，该时刻的温度值作为LSTM网络模型的目标输出；
S204：设置LSTM网络参数，并基于每个时刻前l个时间步的训练集数据训练LSTM网络模型；
具体的，S2041：对神经元个数、训练次数、学习速率、训练目标最小误差等LSTM网络参数进行配置；为了缓解模型训练过程出现的过拟合问题，在隐藏层后加入输出(dropout)层，按照一定比例随机丢弃隐藏层输出值；
S2042：训练LSTM网络模型。输出层通过计算预测输出与目标输出的均方误差(Mean Square Error，MSE)，并将此作为损失函数，不断迭代学习，直到损失函数收敛或达到设置的迭代次数，训练结束；其计算公式如式(4)所示：
式中：n为样本总数；y(i)为第i个样本点的目标值；y'(i)为对应的预测值；
S205：用测试集数据作为训练完成的LSTM网络模型的输入，输出模型预测值；并采用均方根差(Root Mean Square Error，RMSE)作为评价指标评价模型的预测精度，其计算公式如式(5)所示：
S206：对模型预测值进行反归一化处理，输出轴承温度预测值；
S207：调整LSTM网络参数重复训练，对比不同参数下LSTM网络模型的预测精度值，得到预测精度较高的LSTM网络模型作为最终的轴承温度预测模型。
S3：基于轴承温度的预测值，利用滑动窗口法对轴承温度的预测残差进行处理分析，完成轴承故障预测。为了减少随机因素对预测残差变化的影响，利用滑动窗口法计算预测残差的均值。
具体的，S301：设滑动窗口宽度为q，该窗口下所包含预测残差的均值计算公式如式(6)，利用式(6)对预测残差进行连续分析；
式中：ep为窗口中的第p(p＝1,2,3,...,q)个预测残差。
S302：统计得到均值的最大绝对值|
根据式(7)设定阈值；
式中：
为均值预警阈值；λ为比例系数，一般由运维人员根据经验确定其取值，本发明取λ＝3；
S303：比较预测残差的均值
与均值预警阈值
的大小，当预测残差的均值
超过均值预警阈值
时发出故障预警信号。
实例验证
以L企业某型号磨床故障历史数据对提出的基于LSTM的轴承故障预测方法进行验证，具体操作步骤如下：
1.数据预处理
L企业数字化工厂系统2022年8月20日记录显示数控磨床主轴轴承温度异常报警，维修人员更换机床主轴轴承后设备运转恢复正常，维修检查发现主轴轴承滚子磨损严重。
选取该企业数字化工厂系统在7月20日至8月20日工作时间段内采集存储的共23760条设备状态数据进行本发明的实例验证，数据详细记录了设备的运行状态参数，包括时间、砂轮直径、砂轮主轴转速、主轴轴承温度、工件轴转速、冷却水流量等13项状态特征数据。选取前3000条数据，以主轴轴承温度值作为参考序列，其它状态变量作为比较序列，按本发明中基于LSTM的轴承故障预测方法的具体操作步骤S1对数据进行处理，计算结果如表1所示。选取关联度大于0.7的特征变量作为LSTM网络模型的输入变量。
表1相关状态变量GRA分析
2.LSTM网络模型参数优化
选取前6500条机床正常工作状态下的数据作为训练集数据建立轴承温度预测模型，选取故障时刻前一段时间内的6000条数据作为测试集数据检验LSTM网络模型的故障预测效果。设置LSTM网络输入层神经元个数为7个，输入值为上述特征筛选后的状态变量数据，输出层神经元个数为1个，输出值为主轴轴承温度预测值，隐藏层个数为1个。按步骤S2初步设定参数对模型进行训练并优化模型参数使预测效果达到最优，训练过程LSTM网络部分参数优化的结果如表2所示。
表2LSTM模型参数优化预测效果
最终确定预测LSTM模型网络隐藏层神经元个数为50个，一次处理样本数量为60个，迭代次数为800。
3.预测结果分析
图3为正常状态下LSTM网络模型预测效果，从图3中可以看出预测值和真实值较为拟合。
图4为预测残差变化趋势，从图4中可以看出预测残差集中在-1.5℃至1℃之间。
设定滑动窗口宽度为100，用滑动窗口法连续计算残差均值，其结果如图5所示，从图5中可以得出在轴承正常运行情况下，轴承温度预测模型的预测残差均值绝对值最大为0.547℃；根据式(7)设定残差均值的报警阈值为±1.641℃。
将选取的测试集采集状态数据输入到上述训练好的LSTM网络温度预测模型中，其预测结果如图6所示，预测残差如图7所示。
从图6中可以看出，测试集前半段预测值和真实值较为拟合，后半段预测误差逐步变大。用滑动窗口法对测试集预测残差的处理结果如图8所示。
从图8中可以发现，在4921个滑动窗口，均值首次超过报警阈值，即在第5021个采样点发出报警信号，实际情况在第6000个采样点设备故障报警。本发明提出的故障预测方法，报警时间大约提前7.67小时，可以在轴承故障进一步发展对设备寿命和企业生产造成更大的损失前及时地实现故障预测，为下一步实施设备检修措施争取了时间。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于LSTM的轴承故障预测方法，其特征在于，包括以下步骤：
S1：利用灰色关联度分析法对原始采集数据进行处理，筛选出高关联度特征变量；
S2：以高关联度特征变量作为LSTM网络模型的输入，以轴承温度作为模型输出，建立轴承温度预测模型，并输出轴承温度的预测值；
S3：基于轴承温度的预测值，利用滑动窗口法对预测残差进行处理分析，完成轴承故障预测。
2.根据权利要求1所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S1中灰色关联度分析法的具体操作包括以下步骤：
S101：利用式(1)对原始采集数据进行归一化处理；
式中：xk为当前数据值；xmax和xmin为该特征变量的最大值和最小值；xk'为归一化后的数据值；
S102：利用式(2)计算各比较序列与参考序列在第i个样本点的灰色关联系数；
式中：
为第i个样本点比较序列xj与参考序列x0的关联系数，|Δxj(i)|表示第i个样本点比较序列xj与参考序列x0的差值绝对值；
和
分别表示全局最小值和全局最大值；ρ为调节系数；
S103：基于灰色关联系数，利用式(3)计算各比较序列的灰色关联度；
式中：rj为关联度，n为样本总数；
S104：对步骤S103得到的各比较序列的关联度值进行降序排列，选取高关联度特征变量作为LSTM网络模型的输入。
3.根据权利要求2所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S104中所述高关联度特征变量指的是关联度值大于0.7的特征变量。
4.根据权利要求3所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S2的具体操作包括以下步骤：
S201：读取机床正常状态下关联度值大于0.7的特征变量的历史数据，利用式(1)对历史数据进行归一化处理；
S202：将归一化处理后的历史数据按比例划分为训练集和测试集，训练集数据用于LSTM网络模型学习，测试集数据用于验证LSTM网络模型预测效果；
S203：设置时间步长l，以每个时刻前l个时间步的训练集数据作为LSTM网络模型的输入，该时刻的温度值作为LSTM网络模型的目标输出；
S204：设置LSTM网络参数，并基于每个时刻前l个时间步的训练集数据训练LSTM网络模型；
S205：用测试集数据作为训练完成的LSTM网络模型的输入，输出模型预测值，并采用均方根误差作为评价指标评价模型的预测精度，其计算公式如式(5)所示：
S206：对模型预测值进行反归一化处理，输出轴承温度预测值；
S207：调整LSTM网络参数重复训练，对比不同参数下LSTM网络模型的预测精度值，得到预测精度较高的LSTM网络模型作为最终的轴承温度预测模型。
5.根据权利要求4所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S204的具体操作包括以下步骤：
S2041：对LSTM网络参数进行配置，并在隐藏层后加入输出层，按照一定比例随机丢弃隐藏层输出值；所述LSTM网络参数包括神经元个数、训练次数、学习速率、训练目标最小误差；
S2042：训练LSTM网络模型，输出层通过计算预测输出与目标输出的均方误差，并将此作为损失函数，不断迭代学习，直到损失函数收敛或达到设置的迭代次数，训练结束，其计算公式如式(4)所示：
式中：n为样本总数；y(i)为第i个样本点的目标值；y'(i)为对应的预测值。
6.根据权利要求5所述的一种基于LSTM的轴承故障预测方法，其特征在于，步骤S3的具体操作包括以下步骤：
S301：设滑动窗口宽度为q，该窗口下所包含预测残差的均值计算公式如式(6)，利用式(6)对预测残差进行连续分析；
式中：ep为窗口中的第p(p＝1,2,3,...,q)个预测残差；
S302：统计得到均值的最大绝对值
根据式(7)设定阈值：
式中：
为均值预警阈值；λ为比例系数；
S303：比较预测残差的均值
与均值预警阈值
的大小，当预测残差的均值
超过均值预警阈值
时发出故障预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629735.1A CN115983452A (zh) | 2022-12-19 | 2022-12-19 | 一种基于lstm的轴承故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629735.1A CN115983452A (zh) | 2022-12-19 | 2022-12-19 | 一种基于lstm的轴承故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115983452A true CN115983452A (zh) | 2023-04-18 |
Family
ID=85964112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211629735.1A Pending CN115983452A (zh) | 2022-12-19 | 2022-12-19 | 一种基于lstm的轴承故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983452A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116340875A (zh) * | 2023-05-30 | 2023-06-27 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
| CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
| CN117232840A (zh) * | 2023-11-13 | 2023-12-15 | 山东省宇捷轴承制造有限公司 | 一种基于机器学习算法的轴承故障诊断方法及系统 |
| CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
| CN118504291A (zh) * | 2024-07-17 | 2024-08-16 | 齐鲁工业大学(山东省科学院) | 轴承保持架最优浸塑工艺参数的确定方法 |
| CN118657514A (zh) * | 2024-08-13 | 2024-09-17 | 国网上海市电力公司 | 基于相关性分析的变电站设备全生命周期管理方法及系统 |
-
2022
- 2022-12-19 CN CN202211629735.1A patent/CN115983452A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116340875A (zh) * | 2023-05-30 | 2023-06-27 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
| CN116340875B (zh) * | 2023-05-30 | 2023-10-17 | 单县鑫和纺织有限公司 | 一种基于数据分析的粗纱机运行故障预测系统 |
| CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
| CN117111589B (zh) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
| CN117216603B (zh) * | 2023-11-07 | 2024-02-06 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
| CN117232840A (zh) * | 2023-11-13 | 2023-12-15 | 山东省宇捷轴承制造有限公司 | 一种基于机器学习算法的轴承故障诊断方法及系统 |
| CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
| CN117516927B (zh) * | 2024-01-05 | 2024-04-05 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
| CN118504291A (zh) * | 2024-07-17 | 2024-08-16 | 齐鲁工业大学(山东省科学院) | 轴承保持架最优浸塑工艺参数的确定方法 |
| CN118504291B (zh) * | 2024-07-17 | 2024-09-13 | 齐鲁工业大学(山东省科学院) | 轴承保持架最优浸塑工艺参数的确定方法 |
| CN118657514A (zh) * | 2024-08-13 | 2024-09-17 | 国网上海市电力公司 | 基于相关性分析的变电站设备全生命周期管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115983452A (zh) | 一种基于lstm的轴承故障预测方法 | |
| Heng et al. | Rotating machinery prognostics: State of the art, challenges and opportunities | |
| CN107877262B (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
| CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| CN110472800A (zh) | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 | |
| CN115017826B (zh) | 一种装备剩余使用寿命预测方法 | |
| CN117274864A (zh) | 基于异常识别的工业物联网及控制方法 | |
| CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
| CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
| CN116957120A (zh) | 一种基于数据分析的设备状态历史趋势异常预测方法 | |
| CN117943892A (zh) | 基于时序数据分析的刀具监测数据预测优化方法 | |
| Chen et al. | Remaining useful life prediction of bearings with two-stage LSTM | |
| CN117077051A (zh) | 一种大坝监测异常数据自适应识别方法 | |
| CN114925476B (zh) | 一种滚动轴承退化轨迹增广四元数预测方法及存储介质 | |
| CN114486262B (zh) | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 | |
| CN117150235A (zh) | 一种监测数据与退化模型协同的刀具寿命预测方法 | |
| CN116910579A (zh) | 一种基于迁移学习的变工况机械加工颤振监测方法 | |
| CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
| CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
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 |