一种滚动轴承全寿命周期状态监测方法及系统

技术领域

本发明涉及滚动轴承全寿命周期状态监测技术领域，具体为一种滚动轴承全寿命周期状态监测方法及系统。

背景技术

滚动轴承作为一种被广泛应用在机械设备中的旋转部件，一旦发生故障将会直接影响到整个机械设备安全稳定运行，因此在实际的生产环境中实现对机械设备中滚动轴承部件的全寿命周期健康状态监测具有重要的现实意义。

轴承的全寿命状态监测包含健康状态评估和剩余寿命预测两个维度，在健康状态评估方面，鉴于滚动轴承的振动信号是非线性非平稳信号，时频分析方法由于能同时提供信号的时域和频域信息，常被用于提取旋转机械振动信号的故障特征，目前已解决了较多的健康状态诊断问题。在剩余寿命预测方面，需要建立轴承退化趋势预测和性能退化评估模型，由于近年来机器学习和深度学习的快速发展，轴承剩余寿命预测多采用基于数据驱动的方式，其核心思想是分析轴承当前运行状态，试图找出运行状态与剩余寿命之间的非线性关系。

目前，多数研究是将这两个维度进行了分开研究，但事实上，轴承健康状态监测与剩余寿命预测是密不可分的两个方面。在企业实际生产种，轴承的健康状态监测一般是通过有效的特征指标评估，而对于剩余寿命预测，选择合适的特征非常关键。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：针对机器学习算法和深度学习算法所需特征维度高、预测模型复杂度高、阶次选择复杂、很容易产生过拟合等问题，本发明将轴承的状态评估与剩余寿命预测结合在一起研究，提供一种健康状态评估和剩余寿命预测集成的方法，从而提高滚动轴承全寿命预测的精度和效率。

为解决上述技术问题，本发明提供如下技术方案：通过振动信号采集设备获取滚动轴承不同状态下的振动信号；多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集；利用多维度健康指标融合用于轴承健康状态评估；基于健康状态的评估，将轴承从警示时刻提取的特征输入LSTM长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型；采用评估指标对预测结果进行评价。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述振动信号包括，采集不同工况下的轴承从开始运行到失效全过程的振动信号；所述初始特征集包括，构建轴承从时域特征、频域特征以及时频域特征方面提取相关特征；所述时域特征包括，时域特征能直观地反映出机械装备运行过程的故障信息，有效值反映时域振动信号幅值和能量的变化情况，峭度能通过检测振动信号偏离正态分布程度，反映出轴承是否发生点蚀损伤和剥落的故障；峰峰值反映轴承局部故障点产生的冲击振动大小，峰峰值越大则冲击振动越大；所述频域特征包括，频域特征能够直观反映信号的振动能量随频率的分布情况，选取包络谱熵以及幅值谱熵加入初始特征集中；所述时频域特征包括，时频域特征主要采用小波能量熵表征各尺度信号的含噪状态，反映信号在不同尺度空间能量分布的无序程度。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述初始特征集还包括峰值、峰峰值、平均幅值、方根幅值、有效值、波形指标、脉冲指标、峰值指标裕度指标、偏度指标、方差、小波能量熵、幅值谱熵以及包络谱熵。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述多维度健康指标融合包括确定警示状态、警告状态和危险状态的阈值，阈值将轴承的生命状态分为不同的阶段，为健康状态、警示状态、警告状态和危险状态；所述警示状态包括，确定警示状态阈值，首先对轴承根据型号、转速和采样频率进行分组，其次将同一工况的数据从小到大排列，去重前20％和后20％的数据，剩余数据求均值为基准值，减少噪声的影响，对于低频振动，规定实测值达到基准值的1.5倍为警示状态；所述危险状态包括，确定危险状态阈值，危险状态的阈值根据实际情况进行设定，危险状态采用基准值的四倍以及斜率阈值判断；所述警告状态包括，确定警告状态阈值，统计中广泛使用3σ用于计算警告阈值，在初始寿命的时间窗口内的一系列观察被记录为健康阶段下的随机样本，计算样本的3σ间隔，并选择上限、下限作为警告阈值，上部用于上升趋势的观察，下部用于下降趋势的观察。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述状态检测模型包括，将振动信号数据集划分为训练集和测试集，通过误差损失函数的计算，得出训练输出和目标输出的差值，将训练数据集输入长短期记忆神经网络进行模型训练，使用Adam优化算法对LSTM网络权重参数进行调整和更新，对网络进行迭代训练，得到训练输出，将测试集数据输入到训练好的LSTM模型中进行预测，并对预测结果进行平滑。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述训练集包括，训练标签的确定，以每个采样点时间间隔为单位，采用试验轴承剩余寿命与全寿命周期的比值为数据集的标签，训练标签的公式如下：

其中，y

所述损失函数包括，确定误差损失函数，得出训练输出和目标输出的差值，选用均误方程作为损失函数，计算公式为：

其中，M为训练样本的总数，以减少均方误差L作为优化目标，在训练集上最小化L来优化模型的参数；

所述训练输出包括，将训练数据集输入长短期记忆神经网络进行模型训练，得到训练输出，输入训练样本{(x

所述LSTM模型包括，三层LSTM网络层和一层全连接，将测试集数据输入到训练好的LSTM模型中进行预测，并对预测结果进行加权平滑。

作为本发明所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述评估指标包括方根误差RMSE和平均绝对误差MAE，公式如下：

其中，

本发明的另一个目的是提供一种滚动轴承全寿命周期状态监测系统，其能通过构建滚动轴承全寿命周期状态监测系统，建立轴承退化趋势预测和性能退化评估模型，完成滚动轴承的寿命周期监测。

作为本发明所述一种滚动轴承全寿命周期状态监测系统的一种优选方案，其中：所述系统包括，信号采集模块、信号提取模块、状态评估模块、状态检测模块、评价模块；所述信号采集模块，通过振动信号采集设备获取滚动轴承不同状态下的振动信号；所述信号提取模块，用于多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集；所述状态评估模块，利用多维度健康指标融合用于轴承健康状态评估；所述状态检测模块，基于健康状态的评估，将轴承从警示时刻提取的特征输入LSTM长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型；所述评价模块，采用评估指标对预测结果进行评价。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种滚动轴承全寿命周期状态监测方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种滚动轴承全寿命周期状态监测方法的步骤。

本发明的有益效果：本发明将健康状态评估与剩余寿命预测进行了集成，实现了将传统的模式识别的故障诊断方法与深度学习的有效结合，引入健康状态评估指标提取方法对特征进行初步筛选，减少了冗余特征的输入，提高了训练效率与预测精度，本发明提出的一种健康评估和剩余寿命预测集成的方法比传统的深度学习RUL预测模型具有更高效的训练速度和预测精度，实现了滚动轴承全寿命周期状态的监测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的一种滚动轴承全寿命周期状态监测方法的整体流程图。

图2为本发明提供的一种滚动轴承全寿命周期状态监测方法的流程图。

图3为本发明提供的一种滚动轴承全寿命周期状态监测方法的网络结构图。

图4为本发明提供的一种滚动轴承全寿命周期状态监测系统的结构图。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1、图2和图3，为本发明的第一个实施例，提供了一种滚动轴承全寿命周期状态监测方法。

S1：通过振动信号采集设备获取滚动轴承不同状态下的振动信号。

具体的，采集不同工况下的轴承从开始运行到失效全过程的振动信号。

S2：多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集。

具体的，从时域特征、频域特征以及时频域特征三个方面提取相关特征，构建初始特征集。

进一步的，时域特征能直观地反映出机械装备运行过程的故障信息，有效值反映了时域振动信号幅值和能量的变化情况，可以较好的跟踪滚动轴承是否发生磨损故障；峭度能够通过检测振动信号偏离正态分布程度，反映出轴承是否发生点蚀损伤和剥落等故障；峰峰值反映了轴承局部故障点产生的冲击振动大小，峰峰值值越大说明冲击振动越大。

此外，还选取了脉冲、波形、裕度等时域特征指标，更加全面的评估轴承的退化状态。

频域特征能够直观反映信号的振动能量随频率的分布情况，因此，选取包络谱熵以及幅值谱熵加入初始特征集中。

时频域特征主要采用小波能量熵表征各尺度信号的含噪状态，从而反映信号在不同尺度空间能量分布的无序程度。

初始特征集还包括峰值、峰峰值、平均幅值、方根幅值、有效值、波形指标、脉冲指标、峰值指标裕度指标、偏度指标、方差、小波能量熵、幅值谱熵以及包络谱熵。

S3：利用多维度健康指标融合用于轴承健康状态评估。

具体的，维度健康指标融合主要包括：确定警示状态、警告状态和危险状态三个不同的阈值，三个阈值将轴承的生命状态分为四个不同的阶段，即健康状态、警示状态、警告状态和危险状态。

确定警示状态阈值D1：首先对轴承根据型号、转速和采样频率进行分组；其次将同一工况的数据从小到大排列，去重前20％和后20％的数据，剩余数据求均值为基准值，目的是减少噪声的影响；对于低频振动，规定实测值达到基准值的1.5倍为警示状态。

确定警告状态阈值D2：统计中广泛使用“3σ准则”用于计算警告阈值，在初始寿命的时间窗口内的一系列观察被记录为健康阶段下的随机样本，计算他们的3σ间隔，并选择上限或者下限作为警告阈值；特别是上部用于上升趋势的观察，下部用于下降趋势的观察；本实施例采用的是均值加减三倍方差为上下基准值。

确定危险状态阈值D3：危险状态的阈值可以根据实际情况进行设定，在某个工业标准可用的情况下，可以根据现有的标准设置故障阈值；在没有标准但有大量故障记录的情况下，可以通过故障记录的统计分析来设置故障阈值；在既没有标准也没有故障记录的情况下，可以在制造商的指导下设置故障阈值。本实施例采用基准值的四倍以及斜率阈值判断。

S4：基于健康状态的评估，将轴承从警示时刻提取的特征输入LSTM长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型。

具体的，LSTM长短期记忆神经网络预测模型构建具体步骤包括：

步骤A：将振动信号数据集划分为训练集和测试集；

本实施例从不同工况中随机抽选出2个数据集Bearing1-1、Bearing2-3作为训练数据集，Bearing3-1则作为测试集。

训练标签的确定：本实施例以每个采样点时间间隔为单位，采用试验轴承剩余寿命与全寿命周期的比值为数据集的标签。

如轴承Bear1-1共有2803条数据，则其使用寿命为28030s，当前样本为第1500条采集的数据集时，其剩余寿命为13080s，此时训练标签表示的剩余寿命为0.464859，训练标签的计算公式如下：

其中，y

步骤B：确定误差损失函数，得出训练输出和目标输出的差值。

机器设备的退化往往是从一个非常微小的故障不断发展的，均方误差(MSE)损失函数对预测和实际的误差进行了平方计算，放大了误差，因而MSE对异常点更加敏感，所以本实施例选用MSE作为损失函数。

计算模型的剩余寿命计算值与实际剩余寿命间的均方误差作为损失函数，均方误差的计算公式为：

其中，M为训练样本的总数，以减少均方误差L作为优化目标，在训练集上最小化L来优化模型的参数。

步骤C：将训练数据集输入长短期记忆神经网络进行模型训练，得到训练输出。

输入训练样本{(x

训练时，将训练样本x

典型的LSTM内部结构如图2所示，LSTM神经元与标准递归层有以下两个方面的区别：首先在LSTM中神经元的状态可分为长期状态c

其中，σ为激活函数，输入门i

图2中各步骤计算公式如下。

h为状态，c为记忆细胞，经过单元之后输出一个新的状态h

c

m

h

y

长短期记忆神经网络参数设置：首先初始化LSTM的网络权值，第一层网络有256个神经元，第二层网络有256个神经元，第三层有128个神经元，选择均方误差MSE作为优化目标，选用adam作为优化算法，每次采用dropout防止过拟合。

考虑到训练时长和训练效果的平衡，实验中时间窗的大小设定为5，步长为1，不同的dropout比率对模型的表现存在一定的影响，该值的取值一般在0.2～0.5，为了选择最佳的dropout比率，对0.2、0.3、0.4、0.5这四个常用的比率进行5组试验，试验结果表明当droupout比率为0.4时，模型的损失函数MSE最低，因此，将模型的droupout比率设置为0.4。

步骤D：将测试集数据输入到训练好的LSTM模型中进行预测，并对预测结果进行平滑。

S5：采用评估指标对预测结果进行评价。

具体的，评估指标具体包括均方根误差(RMSE)和平均绝对误差(MAE)，其计算公式如下：

其中，

实施例2

参照图2，为本发明的第二个实施例，提供了一种滚动轴承全寿命周期状态监测系统。

所述系统包括，信号采集模块、信号提取模块、状态评估模块、状态检测模块、评价模块。

信号采集模块，通过振动信号采集设备获取滚动轴承不同状态下的振动信号。

信号提取模块，用于多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集。

状态评估模块，利用多维度健康指标融合用于轴承健康状态评估。

状态检测模块，基于健康状态的评估，将轴承从警示时刻提取的特征输入LSTM长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型。

评价模块，采用评估指标对预测结果进行评价。

实施例3，

参照图1、图2和图3，为本发明提供的第三个实施例，提供了一种滚动轴承全寿命周期状态监测方法，为了验证本发明的有益效果，通过仿真实验进行科学论证，从而验证方法的有效性。

步骤1：通过振动信号采集设备获取滚动轴承不同状态下的振动信号。

采集三种工况下共11个轴承从开始运行到失效全过程的振动信号，其中工况一试验轴承共5个，工况二试验轴承4个，工况三实验轴承共2个。

步骤2：从时域特征、频域特征以及时频域特征三个方面提取相关特征，一个良好的特征子集应该满足两点条件：所选特征和目标函数之间高相关；子集中特征之间关联性很低，这样的特征子集在模型预测上会取得比较好的预测结果。

最终形成的初始特征集包含了有效值、峰值指标、波形指标、脉冲指标、偏度指标、包络谱熵以及小波包能量熵等共21个特征，如表1：

表1初始特征集

步骤3：利用多维度健康指标融合用于轴承健康状态评估。

RMS作为有效的健康评估指标，在实际的生产运行中，不同的转速对RMS的观测值有明显的影响，一般情况下高速下RMS的值及其波动均比低速的工况下显著，因此，如果采用同样的阈值进行健康状态评估，可能会出现假预警的现象，也会导致对剩余寿命的评估不准确，从而增加设备的运维成本。

因此本实施例提出对RMS阈值，在不同的工况下，实现自适应的评估。

具体方案如下：首先对轴承根据型号、转速和采样频率进行分组；其次将同一工况的数据从小到大排列，去重前20％和后20％的数据，剩余数据求均值为基准值，目的是减少噪声的影响。对于低频振动，规定实测值达到基准值的1.5倍为警示状态；采用基准值的四倍以及斜率阈值判断；根据“3σ准则”采用均值加减三倍方差为上下基准值，各阈值划分如表2：

表2阈值表

步骤4：通过健康状态的评估，将轴承从警示时刻提取的特征输入LSTM长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型，具体步骤如下：

步骤a：划分训练数据集与测试数据集；本次试验不考虑工况的影响，从三个工况中，随机抽选出2个数据集Bearing1-1、Bearing2-3作为训练数据集，Bearing3-1则作为测试集。

步骤b：选用MSE作为损失函数，得出训练输出和目标输出的差值。

步骤c：将训练数据集输入LSTM长短期记忆神经网络进行模型训练，得到训练输出。

图2所示为典型的LSTM内部结构，h为状态，c为记忆细胞；经过单元之后输出一个新的状态h

LSTM参数设置：首先初始化LSTM的网络权值，第一层网络有256个神经元，第二层网络有256个神经元，第三层有128个神经元，选择均方误差MSE作为优化目标，选用adam作为优化算法，每次采用dropout防止过拟合；

考虑到训练时长和训练效果的平衡，实验中时间窗的大小设定为5，步长为1，不同的dropout比率对模型的表现存在一定的影响，该值的取值一般在0.2～0.5，为了选择最佳的dropout比率，对0.2、0.3、0.4、0.5这四个常用的比率进行5组试验，试验结果表明当droupout比率为0.4时，模型的损失函数MSE最低，因此，将模型的droupout比率设置为0.4。

步骤d：将测试集数据输入到训练好的LSTM模型中进行预测，并对预测结果进行平滑。

最后采用均方根误差(RMSE)和平均绝对误差(MAE)对预测结果进行评价。

综上所述，本方法实现了将滚动轴承状态检测的两个维度：健康状态评估以及剩余寿命进行集成，将敏感的健康评估指标作为剩余寿命预测模型的输入，降低了特征的冗余度，有效地提高了模型预测的精度，减少了模型训练时间。实现了将传统的模式识别的故障诊断方法与深度学习的有效结合。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。