一种跨工况的滚动轴承寿命预测方法及系统

本发明涉及滚动轴承剩余使用寿命预测，具体涉及一种跨工况的滚动轴承寿命预测方法及系统。

背景技术：

1、随着现代设备向高精度、自动化、人工智能方向的发展趋势，利用各种状态信号进行故障预测和健康管理已成为智能制造的迫切需求。剩余使用寿命预测是故障预测和健康管理中的一项核心且极具挑战性的任务，它对于避免部件性能恶化、故障、突然停机起着重要作用，目前对轴承的剩余使用寿命进行预测已经成为了研究热点。

2、预测轴承剩余使用寿命的方法通常可以分为基于模型的方法和基于数据驱动的方法两大类。基于模型的方法主要是依据失效机理构建描述设备退化过程的参数化数学模型，结合设备的设计实验数据或经验知识辨识数学模型参数，进而基于状态监测数据更新机理模型参数实现设备的剩余使用寿命预测，但该方法的成功应用的基础是可获取精确可靠的机理模型。随着当代设备逐步呈现出复杂化、非线性化和数据高维化的特征，其健康状态演变规律通常难以进行精确的机理建模，或者获得失效机理模型的成本过高，这限制了这类方法的广泛应用。因此，在大数据的背景下，通过挖掘数据中隐含的设备健康状态信息，发展数据驱动的剩余寿命预测方法成为当前的主流和研究的焦点。

3、数据驱动的寿命预测方法通常需要采集大量有效的运行到故障数据来从中学习到特定的退化模式。而且，在此前的大多数研究中，训练和测试数据都被假设来自同一分布，这意味着目标轴承需要用于收集用于模型训练数据的轴承在相同工况的条件下运行，甚至需要使用相同的设备来采集轴承数据。但在现实的应用场景中，由于工作场景的复杂和运行条件的多变，训练数据和实际数据往往存在分布差异。且由于成本原因，从目标设备中收集运行到故障数据往往是不现实的，这些数据分布的差异直接导致了模型预测性能下降，即模型不能很好的从训练样本(源域)泛化到实际数据(目标域)上。

技术实现思路

1、为解决上述背景中的技术问题，本发明旨在构建一种对工作在不同工况下的轴承的剩余使用寿命的预测方法及系统。

2、为实现上述目的，本发明提供了一种跨工况的滚动轴承寿命预测方法，步骤包括：

3、采集不同工况下滚动轴承的振动信号；

4、对所述振动信号进行预处理，得到信号特征；

5、基于所述信号特征，构建滚动轴承使用寿命的分段退化模型；

6、基于所述信号特征和所述分段退化模型，构建域自适应的剩余使用寿命预测模型；

7、利用所述剩余使用寿命模型，完成滚动轴承的跨工况寿命预测。

8、优选的，采集所述振动信号的方法包括：使用加速度传感器记录滚动轴承径向和轴向两个方向，不同工况下从健康到完全退化的全生命周期的所述振动信号，滚动轴承的工况包括：工况一和工况二。

9、优选的，进行所述预处理的方法包括：从时域、频域、时频域对所述振动信号进行特征提取，并进行归一化处理，通过构建时间相关性和单调性指标对特征进行评价，筛选出含有退化趋势的特征；进行所述归一化处理的方法包括：

10、

11、其中，x为所提取的特征向量；xi为特征向量x的第i个特征；则表示归一化后的特征值。

12、优选的，构建所述分段退化模型的方法包括：采取模糊c均值聚类对在工况一状态下提取的特征进行状态划分，以此构建滚动轴承的健康指标，以性能起始退化点构造滚动轴承使用寿命的所述分段退化模型，并将其作为源域寿命标签。

13、优选的，以所述健康指标为基础数据，构建所述剩余使用寿命预测模型，并将所述信号特征以滑动窗口的形式输入模型中进行训练；所述剩余使用寿命预测模型包括：特征提取器、剩余使用寿命预测器和域判别器。

14、优选的，所述特征提取器的表达式包括：

15、xtend，xseasonal＝series decomp(relu(batchnorm(mlp1(x∈rc×s))))

16、xout＝relu(batchnorm(mlp2(xtend∈rc×s)+mlp3(xseasonal∈rc×s)))

17、其中，x∈rc×s表示从传感器端接收到的原始信号；c表示传感器的数量；s表示序列长度；xout表示特征提取器的输出；mlp1是对通道维度的线性层；mlp2和mlp3是对序列维度的线性层；batchnorm为批归一化；xtend、xseasonal分别是提取的季节性分量和趋势性分量；relu表示损失函数；其中，series decomp的计算包括：

18、

19、xseasonal＝x-xtend

20、其中，mean表示对括号内元素求均值；avgpool表示平均池化；通过padding用0填充序列保持序列长度不变；kernel表示平均池化的内核大小。

21、优选的，所述剩余使用寿命预测器的表达式包括：

22、rul＝mlp(dilation conv-block(batchnorm(conv(xout))))其中，conv表示卷积操作；mlp表示多层感知器；dilationconv-block表示空洞卷积块，其表示为：

23、output＝batchnorm(conv(input)+dilation conv(batchnorm(conv(i(input))))

24、其中，input和output分别表示剩余使用寿命预测器的输入和输出；dilationconv表示空洞卷积操作。

25、本发明还提供了一种跨工况的滚动轴承寿命预测系统，所述系统用于实现上述方法，包括：采集模块、处理模块、指标构建模块、模型构建模块和预测模块；

26、所述采集模块用于采集不同工况下滚动轴承的振动信号；

27、所述处理模块用于对所述振动信号进行预处理，得到信号特征；

28、所述指标构建模块用于基于所述信号特征，构建滚动轴承使用寿命的分段退化模型；

29、所述模型构建模块用于基于所述信号特征和所述分段退化模型，构建域自适应的剩余使用寿命预测模型；

30、所述预测模型用于利用所述剩余使用寿命模型，完成滚动轴承的跨工况寿命预测。

31、与现有技术相比，本发明的有益效果如下：

32、本发明实现了基于大量源域有标签数据和少量目标域无标签数据即可有效预测其剩余使用寿命。同时，本发明在对工作在不同工况下的轴承的剩余使用寿命的预测上，相较于传统的数据驱动方法的预测精度有显著的提高。

技术特征：

1.一种跨工况的滚动轴承寿命预测方法，其特征在于，步骤包括：

2.根据权利要求1所述的跨工况的滚动轴承寿命预测方法，其特征在于，采集所述振动信号的方法包括：使用加速度传感器记录滚动轴承径向和轴向两个方向，不同工况下从健康到完全退化的全生命周期的所述振动信号，滚动轴承的工况包括：工况一和工况二。

3.根据权利要求2所述的跨工况的滚动轴承寿命预测方法，其特征在于，进行所述预处理的方法包括：从时域、频域、时频域对所述振动信号进行特征提取，并进行归一化处理，通过构建时间相关性和单调性指标对特征进行评价，筛选出含有退化趋势的特征；进行所述归一化处理的方法包括：

4.根据权利要求3所述的跨工况的滚动轴承寿命预测方法，其特征在于，构建所述分段退化模型的方法包括：采取模糊c均值聚类对在工况一状态下提取的特征进行状态划分，以此构建滚动轴承的健康指标，以性能起始退化点构造滚动轴承使用寿命的所述分段退化模型，并将其作为源域寿命标签。

5.根据权利要求4所述的跨工况的滚动轴承寿命预测方法，其特征在于，以所述健康指标为基础数据，构建所述剩余使用寿命预测模型，并将所述信号特征以滑动窗口的形式输入模型中进行训练；所述剩余使用寿命预测模型包括：特征提取器、剩余使用寿命预测器和域判别器。

6.根据权利要求5所述的跨工况的滚动轴承寿命预测方法，其特征在于，所述特征提取器的表达式包括：

7.根据权利要求6所述的跨工况的滚动轴承寿命预测方法，其特征在于，所述剩余使用寿命预测器的表达式包括：

8.一种跨工况的滚动轴承寿命预测系统，所述系统用于实现权利要求1-7任一项所述的方法，其特征在于，包括：采集模块、处理模块、指标构建模块、模型构建模块和预测模块；

技术总结本发明公开了一种跨工况的滚动轴承寿命预测方法及系统，其中方法步骤包括：采集不同工况下滚动轴承的振动信号；对振动信号进行预处理，得到信号特征；基于信号特征，构建滚动轴承使用寿命的分段退化模型；基于信号特征和健康指标，构建域自适应的剩余使用寿命预测模型；利用剩余使用寿命模型，完成滚动轴承的跨工况寿命预测。本发明实现了基于大量源域有标签数据和少量目标域无标签数据即可有效预测其剩余使用寿命。同时，本发明在对工作在不同工况下的轴承的剩余使用寿命的预测上，相较于传统的数据驱动方法的预测精度有显著的提高。技术研发人员：岑梓朗,胡绍林,孙国玺,任红卫,文成林,侯彦东,陈金鹏,柯烨受保护的技术使用者：广东石油化工学院技术研发日：技术公布日：2024/12/2