CN116226613A - 一种滚动轴承剩余寿命预测方法、设备及存储介质 - Google Patents

Abstract

本发明涉及故障剩余寿命预测领域，尤其涉及一种滚动轴承剩余寿命预测方法、设备及存储介质，方法包括：采集滚动轴承的振动信号；对振动信号进行去噪；建立LSTM网络，计算出前一时刻的遗忘门、输入门、输出门和备选状态值，然后对前一时刻内部状态和计算出的遗忘门、输入门、输出门和备选状态值进行更新，得到当前内部状态，通过输出门将信息传递至外部状态；建立HMM网络，HMM网络包含三组参数（π，A，B），其中π为初始概率分布，A为状态转移概率矩阵，B为输出观测矩阵，将LSTM网络的输出数据初始化为π，将A初始化为同等概率分布，采用一维维特比算法，进行HMM网络训练，输出最可能的隐藏状态序列分布，对滚动轴承剩余寿命进行预测。

Description

一种滚动轴承剩余寿命预测方法、设备及存储介质

技术领域

本发明涉及故障剩余寿命预测领域，尤其涉及一种滚动轴承剩余寿命预测方法、设备及存储介质。

背景技术

当前工业环境下，对设备运行稳定性有很高的要求，设备正常运转，需要各部件的稳定工作，同时，各部件的健康状态极大的影响设备的稳定性，有效的对设备当前健康状态进行预测，是做好事前维护的关键。

现有的设备剩余寿命预测方法，对于关键部件轴承而言，主要包括：基于传统寿命公式：利用轴承额定寿命公式，计算轴承相关特性系数，以修正寿命公式，得到最终疲劳寿命，完成预测；基于模型：如指数退化模型，对轴承振动信号进行去噪、特征提取，同时进行主成分筛选，对提取的主成分进行系数拟合，进行模型的参数修正，完成预测；基于大数据驱动的深度学习等智能算法：利用神经网络进行数据拟合，在训练过程中调整网络参数，最终直接输出预测结果值，完成预测。

然而上述方法如：传统寿命公式存在计算不准确，无法适应多种工况；指数退化模型预测，依赖人工进行特征提取，存在主观判断以及依赖丰富的专业知识；基于数据驱动的智能算法，虽然预测效果优于传统方法，但输出结果依赖模型的训练，预测表现受到数据源的限制，预测结果不稳定，精确度不够。

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提供了一种滚动轴承剩余寿命预测方法、设备及存储介质，从而有效解决背景技术中的问题。

为了达到上述目的，本发明所采用的技术方案是：一种滚动轴承剩余寿命预测方法，包括如下步骤：

采集滚动轴承的振动信号，对滚动轴承衰退过程的各个时期信号进行采集；

对所述振动信号进行去噪，剔除采集过程中的异常值和噪声信号；

建立LSTM网络，将处理后的振动信号输入LSTM网络，LSTM网络由前一时刻外部状态和当前时刻的输入，计算出前一时刻的遗忘门、输入门、输出门和备选状态值，然后对前一时刻内部状态和计算出的遗忘门、输入门、输出门和备选状态值进行更新，得到当前内部状态，通过输出门将信息传递至外部状态；

建立HMM网络，HMM网络包含三组参数(π，A，B)，其中π为初始概率分布，A为状态转移概率矩阵，B为输出观测矩阵，将所述LSTM网络的输出数据初始化为π，将A初始化为同等概率分布，采用一维维特比算法，进行HMM网络训练，输出最可能的隐藏状态序列分布，对滚动轴承剩余寿命进行预测。

进一步地，所述提出采集过程汇总的异常值和噪声信号，包括：

采用小波变换对振动信号进行处理，小波函数为：

其中，x(t)表示待分析信号，ψ(t)表示小波母函数，α表示尺度数，τ表示平移距离。

进一步地，所述将处理后的振动信号输入LSTM网络前，将振动信号的数据结构进行重整，以对应LSTM网络的输入层大小，具体为：

采样获得n*m份信号数据，n为总样本数，m为单个样本记录总数值；

若LSTM网络输入层大小为s，单份样本重新分为t份，则将数据结构重整为(n*t)*s份。

进一步地，所述LSTM网络包括：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

其中，c^t是当前时刻状态，y^t是状态输出，f_t是遗忘门输出结果，i_t和

是控制门计算结果，W_t、W_i、W_c、b_f、b_i、b_c是同维度矩阵参数，由输入参数和LSTM各层网络参数计算得出。

进一步地，所述LSTM网络包括：

忘记阶段，所述忘记阶段对上一个节点的输入进行选择性忘记，通过计算得到的f_t作为忘记门控，来控制上一时刻状态的C_t-1；

选择记忆阶段，所述选择记忆阶段将对输入x_t进行选择记忆，选择的门控信号由i_t进行控制；

输出阶段，所述输出阶段通过

进行控制，同时对上一阶段得到的C_t-1进行放缩。

进一步地，将(n*t)*s份样本数据输入进LSTM网络后，采用tanh激活函数，激活函数公式如下：

得到输出。

进一步地，所述状态转移概率矩阵，其条件分布P(Zⁿ|Z^n-1)为：

其中，K为状态数量，Zⁿ表示为一个K维变量，每一维对应一个状态，其中每一维只能取0或1两个数值，有且仅有一维的值为1；

所述初始概率分布p(Z₁)为：

其中，Z₁为第一个隐藏变量，其分布用概率向量π表示，第k个元素表示Z₁取第k个状态的概率：

π_κ＝p(Z_1k＝1)

需满足归一化条件：

所述输出观测矩阵的发射概率p(χ_n|z_n，φ)为：

其中，φ为模型的参数，在已知x_n时，p(χ_n|z_n，φ)为一个K维向量，其第κ个元素表示Z_nκ＝1时的条件概率。

进一步地，所述采用一维维特比算法，进行HMM网络训练，包括：

定义在时刻t隐藏状态为i所有可能的状态转移路径中的概率最大值记为δ_ti：

δ_ti＝max(δ_tiA_ti)B_ti

定义在时刻t隐藏状态为i概率最大的转移路径中第t-1个节点(前一个结点)的隐藏状态为

用于回溯计算结点：

由最大概率进行回溯得到概率最大的序列分布，其中：

本发明中还包括一种计算机设备，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计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。

本发明中还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。

本发明的有益效果为：本发明融合深度学习及概率统计的方法，充分利用了HMM和LSTM网络特点。隐马尔可夫网络具有严谨的数据结构和可靠的计算稳定性，对部件的性能状态建立了描述故障的传递链，解决了单个LSTM网络剩余寿命评估时计算结果单一、准确性不高的问题，双网络的有效结合为滚动轴承剩余寿命预测提供了新思路。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为实施例1中方法流程图；

图2为实施例2中方法流程图；

图3为小波变换去噪的流程图；

图4为LSTM网络结构示意图；

图5为HMM网络结构示意图；

图6为本发明方法的预测结果图；

图7为传统LSTM预测结果图；

图8为计算机设备示意图。

具体实施方式

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实施例，而不是全部的实施例。

实施例1：

如图1所示：一种滚动轴承剩余寿命预测方法，包括如下步骤：

采集滚动轴承的振动信号，对滚动轴承衰退过程的各个时期信号进行采集；

对振动信号进行去噪，剔除采集过程中的异常值和噪声信号；

建立LSTM(Long Short Term Memory，长短期记忆)网络，将处理后的振动信号输入LSTM网络，LSTM网络由前一时刻外部状态和当前时刻的输入，计算出前一时刻的遗忘门、输入门、输出门和备选状态值，然后对前一时刻内部状态和计算出的遗忘门、输入门、输出门和备选状态值进行更新，得到当前内部状态，通过输出门将信息传递至外部状态；

建立HMM(Hidden Markov Model，隐马尔可夫模型)网络，HMM网络包含三组参数(π，A，B)，其中π为初始概率分布，A为状态转移概率矩阵，B为输出观测矩阵，将LSTM网络的输出数据初始化为π，将A初始化为同等概率分布，采用一维维特比算法，进行HMM网络训练，输出最可能的隐藏状态序列分布，对滚动轴承剩余寿命进行预测。

在本实施例中，提出采集过程汇总的异常值和噪声信号，包括：

采用小波变换对振动信号进行处理，小波函数为：

其中，x(t)表示待分析信号，ψ(t)表示小波母函数，α表示尺度数，τ表示平移距离。

将处理后的振动信号输入LSTM网络前，将振动信号的数据结构进行重整，以对应LSTM网络的输入层大小，具体为：

采样获得n*m份信号数据，n为总样本数，m为单个样本记录总数值；

若LSTM网络输入层大小为s，单份样本重新分为t份，则将数据结构重整为(n*t)*s份。

其中，LSTM网络包括：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

其中，c^t是当前时刻状态，y^t是状态输出，f_t是遗忘门输出结果，i_t和

是控制门计算结果，W_t、W_i、W_c、b_f、b_i、b_c是同维度矩阵参数，由输入参数和LSTM各层网络参数计算得出。

在本实施例中，LSTM网络包括：

忘记阶段，忘记阶段对上一个节点的输入进行选择性忘记，通过计算得到的f_t作为忘记门控，来控制上一时刻状态的C_t-1；

选择记忆阶段，选择记忆阶段将对输入x_t进行选择记忆，选择的门控信号由i_t进行控制；

输出阶段，输出阶段通过

进行控制，同时对上一阶段得到的C_t-1进行放缩。/>

作为上述实施例的优选，将(n*t)*s份样本数据输入进LSTM网络后，采用tanh激活函数，激活函数公式如下：

得到输出。

状态转移概率矩阵，其条件分布P(Zⁿ|Z^n-1)为：

其中，K为状态数量，Zⁿ表示为一个K维变量，每一维对应一个状态，其中每一维只能取0或1两个数值，有且仅有一维的值为1；

初始概率分布p(Z₁)为：

其中，Z₁为第一个隐藏变量，其分布用概率向量π表示，第k个元素表示Z₁取第k个状态的概率：

π_κ＝p(Z_1k＝1)

需满足归一化条件：

输出观测矩阵的发射概率p(χ_n|z_n，φ)为：

其中，φ为模型的参数，在已知x_n时，p(χ_n|z_n，φ)为一个K维向量，其第κ个元素表示Z_nκ＝1时的条件概率。

采用一维维特比算法，进行HMM网络训练，包括：

定义在时刻t隐藏状态为i所有可能的状态转移路径中的概率最大值记为δ_ti：

δ_ti＝max(δ_tiA_ti)B_ti

定义在时刻t隐藏状态为i概率最大的转移路径中第t-1个节点(前一个结点)的隐藏状态为

用于回溯计算结点：

由最大概率进行回溯得到概率最大的序列分布，其中：

本发明融合深度学习及概率统计的方法，充分利用了HMM和LSTM网络特点。隐马尔可夫网络具有严谨的数据结构和可靠的计算稳定性，对部件的性能状态建立了描述故障的传递链，解决了单个LSTM网络剩余寿命评估时计算结果单一、准确性不高的问题，双网络的有效结合为滚动轴承剩余寿命预测提供了新思路。

实施例2：

如图2所示，在本实施例中，包括一种滚动轴承剩余寿命预测方法，包括：

对轴承径向振动信号进行采集，采用小波阈值去噪方法对原始信号存在干扰、噪声进行去噪；

LSTM网络结构，由(t-1)时刻外部状态h_t-1和当前时刻输入x_t分别计算出(t-1)时刻遗忘门、输入门、输出门和备选状态值

然后，对(t-1)时刻内部状态和计算出的遗忘门、输入门、输出门和备选状态值进行更新，得到当前时刻内部状态c_t，最后通过输出门将信息传递至外部状态h_t。实施中需要对去噪后的信号进行数据结构重整，数据结构的大小对应LSTM网络的输入。同时初始化LSTM网络，对输入数据进行特征提取，输出层大小对应HMM网络观测矩阵结构大小；

HMM网络结构，HMM网络包含三组参数(π，A，B)，其中π是初始概率分布，矩阵A为状态转移概率，矩阵B为输出观测矩阵。该步首先初始化HMM网络，将LSTM网络的输入数据初始化为π，输出数据初始化为B，最后初始化状态转移概率A为同等概率分布，采用一维维特比算法进行HMM网络训练，最终输出隐藏状态序列分布。

上述过程具体操作详细介绍如下：

1、加速度传感器采集滚动轴承径向振动信号，在滚动轴承衰退过程中，以采样形式进行振动信号记录，总样本数记为n，单个样本记录总数值记为m；

2、采用小波变换去噪对n*m份数据处理，剔除异常值和噪声信号。如图3所示，小波函数的具体公式如下：

其中x(t)表示待分析信号，ψ(t)表示小波母函数，α表示尺度数，τ表示平移距离。

3、对n*m份样本进行重整，记LSTM网络输入层大小为s，单份样本分为t份，则有全新样本(n*t)*s份。

4、初始化LSTM网络，LSTM网络如图4所示，具体构成如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (2)

i_t＝σ(W_i·[h_t-1，x_t]+b_i) (3)

其中c^t是当前时刻状态，y^t是状态输出，f_t是遗忘门输出结果，i_t和

是控制门计算结果，W_t、W_i、W_c、b_f、b_i、b_c是同维度矩阵参数，由输入参数和lstm各层网络参数计算得出。

忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记，通过计算得到的f_t作为忘记门控，来控制上一个状态的C_t-1。

选择记忆阶段。这个阶段将对输入x_t进行选择记忆，选择的门控信号则是由i_t进行控制。

输出阶段。这个阶段通过

来进行控制，同时对上一阶段得到的C_t-1进行了放缩。

利用LSTM计算对应样本输出，将(n*t)*s份样本输入进网络，激活函数采用tanh，其中激活函数公式如下：

得到输出矩阵记为g，其中LSTM网络的概要如下：

层数	类型	输入维度	输出维度	激活函数
					1	LSTM	(NONE，n*t，s)	(NONE，n*t，128)	/
2	Dense	(NONE，n*t，128)	/	tanh
					3	Droupout	/	32	/
4	Dense	32	g	tanh

5、建立振动信号隐马尔科夫链，如图5所示，由初始概率分布π，状态转移概率矩阵A，输出观测矩阵B组成。将(n*t)*s份样本初始化为初始概率分布，其中依据样本分布比例确定个样本权重，将LSTM网络输出矩阵g初始化为观测矩阵。其中：

状态转移概率矩阵：由于Zⁿ是离散的，假设有K个状态，则Zⁿ可以表示为一个K维变量，每一维对应一个状态，其中每一维只能取0或1两个值，并且有且仅有一维的值为1。这样，我们就可以将条件分布P(Zⁿ|Z^n-1)写成：

初始概率：由于第一个隐藏变量Z₁没有父节点，因此它的分布可以用一个概率向量π表示，其中第κ个元素表示Z₁取第κ个状态的概率：π_κ＝p(Z_1k＝1)，同样需要满足归一化条件：

这样，我们可以将初始概率分布p(Z₁)写成：

观测矩阵：发射概率可以表示为p(χ_n|z_n，φ)，其中φ为模型的参数。由于Z_n是离散变量，在已知x_n时，p(χ_n|z_n，φ)为一个K维向量，其第κ个元素表示Z_nκ＝1时的条件概率。因此发射概率可以写为：

6、建立HMM概率计算网络，采用一维维特比算法：

1)时刻t隐藏状态为i所有可能的状态转移路径中的概率最大值记为δ_ti:

δ_ti＝max(δ_tiA_ti)B_ti (11)

2)定义在时刻t隐藏状态为i概率最大的转移路径中第t-1个节点(前一个结点)的隐藏状态为

用于回溯计算结点：

3)由最大概率进行回溯得到概率最大的序列分布，其中：

7、如图6至7所示，本发明方法效果验证采用IEEEPHM2012轴承加速寿命实验数据，加速度传感器采样频率为25.6kHz，采样时间为0.1s，采样间隔为10s，单次采样点2560。轴的转速为1800rmp，径向载荷为4000N。其中，将1-16号轴承作为训练样本，17号轴承作为测试样本。并对比单个LSTM网络，对比结果如下表：

实验结果可看出，LSTM网络实际预测表现，优于单LSTM网络，且预测误差更小，表现更稳定。

本发明融合深度学习及概率统计的方法，充分利用了HMM和LSTM网络特点。隐马尔可夫网络具有严谨的数据结构和可靠的计算稳定性，对部件的性能状态建立了描述故障的传递链，解决了单个LSTM网络剩余寿命评估时计算结果单一、准确性不高的问题，双网络的有效结合为滚动轴承剩余寿命预测提供了新思路。

请参见图8示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。

本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。

其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：

采集滚动轴承的振动信号，对滚动轴承衰退过程的各个时期信号进行采集；

对所述振动信号进行去噪，剔除采集过程中的异常值和噪声信号；

建立LSTM网络，将处理后的振动信号输入LSTM网络，LSTM网络由前一时刻外部状态和当前时刻的输入，计算出前一时刻的遗忘门、输入门、输出门和备选状态值，然后对前一时刻内部状态和计算出的遗忘门、输入门、输出门和备选状态值进行更新，得到当前内部状态，通过输出门将信息传递至外部状态；

建立HMM网络，HMM网络包含三组参数(π，A，B)，其中π为初始概率分布，A为状态转移概率矩阵，B为输出观测矩阵，将所述LSTM网络的输出数据初始化为π，将A初始化为同等概率分布，采用一维维特比算法，进行HMM网络训练，输出最可能的隐藏状态序列分布，对滚动轴承剩余寿命进行预测。

2.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述提出采集过程汇总的异常值和噪声信号，包括：

采用小波变换对振动信号进行处理，小波函数为：

其中，x(t)表示待分析信号，ψ(t)表示小波母函数，α表示尺度数，τ表示平移距离。

3.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述将处理后的振动信号输入LSTM网络前，将振动信号的数据结构进行重整，以对应LSTM网络的输入层大小，具体为：

采样获得n*m份信号数据，n为总样本数，m为单个样本记录总数值；

若LSTM网络输入层大小为s，单份样本重新分为t份，则将数据结构重整为(n*t)*s份。

4.根据权利要求3所述的滚动轴承剩余寿命预测方法，其特征在于，所述LSTM网络包括：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中，c^t是当前时刻状态，y^t是状态输出，f_t是遗忘门输出结果，i_t和

是控制门计算结果，W_t、W_i、W_c、b_f、b_i、b_c是同维度矩阵参数，由输入参数和LSTM各层网络参数计算得出。

5.根据权利要求4所述的滚动轴承剩余寿命预测方法，其特征在于，所述LSTM网络包括：

忘记阶段，所述忘记阶段对上一个节点的输入进行选择性忘记，通过计算得到的f_t作为忘记门控，来控制上一时刻状态的C_t-1；

选择记忆阶段，所述选择记忆阶段将对输入x_t进行选择记忆，选择的门控信号由i_t进行控制；

输出阶段，所述输出阶段通过

进行控制，同时对上一阶段得到的C_t-1进行放缩。/>

6.根据权利要求4所述的滚动轴承剩余寿命预测方法，其特征在于，将(n*t)*s份样本数据输入进LSTM网络后，采用tanh激活函数，激活函数公式如下：

得到输出。

7.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述状态转移概率矩阵，其条件分布P(Zⁿ|Z^n-1)为：

其中，K为状态数量，Zⁿ表示为一个K维变量，每一维对应一个状态，其中每一维只能取0或1两个数值，有且仅有一维的值为1；

所述初始概率分布p(Z₁)为：

其中，Z₁为第一个隐藏变量，其分布用概率向量π表示，第k个元素表示Z₁取第k个状态的概率：

π_κ＝p(Z_1k＝1)

需满足归一化条件：

所述输出观测矩阵的发射概率p(χ_n|z_n,φ)为：

其中，φ为模型的参数，在已知x_n时，p(χ_n|z_n,φ)为一个K维向量，其第κ个元素表示Z_nκ＝1时的条件概率。

8.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述采用一维维特比算法，进行HMM网络训练，包括：

定义在时刻t隐藏状态为i所有可能的状态转移路径中的概率最大值记为δ_ti：

δ_ti＝max(δ_tiA_ti)B_ti

定义在时刻t隐藏状态为i概率最大的转移路径中第t-1个节点(前一个结点)的隐藏状态为

用于回溯计算结点：

由最大概率进行回溯得到概率最大的序列分布，其中：

9.一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-8中任一项所述的方法。

10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。

Images