(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110401479.X (22)申请日 2021.04.14 (65)同一申请的已公布的文献号 申请公布号 CN 113158366 A (43)申请公布日 2021.07.23 (73)专利权人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 陈剑　曹昆明　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 林凡燕 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/045(2019.01)G06F 119/10(2020.01) (56)对比文件 CN 109726 524 A,2019.0 5.07 CN 112200015 A,2021.01.08 US 202020 0648 A1,2020.0 6.25 CN 110346141 A,2019.10.18 WO 202015 5002 A1,2020.08.0 6 陈剑等.基 于VMD相对能量熵和自适应ARMA 模型的轴承性能退化趋势动态预警. 《电子测量 与仪器学报》 .2020,(第08 期), 王育炜等.滚动轴承VMD能量熵与PN N故障模 式识别研究. 《组合机床与自动化加工技 术》 .2020,(第04期), Meltem Koroglu等.Time-Frequency Analysis of I onosphere Disturbances by Using Variati onal Mode Decompositi on. 《IEEE Xplore》 .2021, 审查员 陈硕 (54)发明名称 基于运行状态声辐射信号的轴承监测方法、 系统及设备 (57)摘要 本发明提供一种基于运行状态声辐射信号 的轴承监测方法、 系统及设备， 该检测方法包括 通过主成分分析对采集的轴承全寿命声辐射数 据进行重构降噪处理； 对重构降噪处理后的轴承 全寿命声辐射数据的各样本进行变分模态分解 以求取每个样本的相对能量熵； 将各样本的相对 能量熵及具有单调性且与相对能量熵具有相关 性的时域参数共同作为网络输入参数， 将相对能 量熵作为网络输出参数来构建数据集； 利用数据 集对长短时记忆神经网络模型进行训练； 利用训 练好的长短时记忆神经网络模型对滚动轴承的 轴承退化性能进行预测。 本发明构建了一种能够 监测滚动轴承性能退化状态的指标， 避免了时域 指标在正常运行状态波动较大越过预警线导致误报的缺 点。 权利要求书2页 说明书12页 附图10页 CN 113158366 B 2022.10.21 CN 113158366 B 1.一种基于运行状态声辐射信号的轴承监测方法， 其特 征在于， 包括： 通过主成分 分析对采集的轴承 全寿命声辐射数据进行重构降噪处 理； 对重构降噪处理后的所述轴承全寿命声辐射数据的各样本进行变分模态分解以求取 每个样本的相对能量熵； 将各样本的所述相对能量熵及具有单调性且与所述相对能量熵具有相关性的时域参 数共同作为网络 输入参数， 将所述相对能量熵作为网络 输出参数来构建数据集； 利用构建好的所述数据集对长短时记 忆神经网络模型进行训练； 利用训练好的所述长短时记 忆神经网络模型对 滚动轴承的轴承退化 性能进行 预测； 其中， 对重构降噪处理后的所述轴 承全寿命声辐射数据的各样本进行变分模态分解以 求取每个样本的相对能量熵的步骤 包括： 选取重构降噪处理后的所述轴承全寿命声辐射数据中的一组正常声辐射数据样本进 行变分模态分解， 根据样本与分解模态分量间的最小谱相关系 数与设定阈值作比较， 以确 定变分模态分解层数； 按照确定的变分模态分解层数对重构降噪处理后的所述轴承全寿命声辐射数据的各 样本进行变分模态分解以求取每 个样本的第一相对能量熵； 对所述第一相对能量熵进行平均移动滤波处 理以获取第二相对能量熵； 将所述第二相对能量熵、 具有单调性且与 所述第二相对能量熵具有相关性的时域参数 共同作为网络输入参数， 将所述第二相对能量熵作为网络输出参数来构建数据集， 所述具 有单调性且与所述相对能量熵具有相关性的时域参数包括有效值、 平均值、 峰值、 均方根及 方差； 利用构建好的所述数据集对长短时记 忆神经网络模型进行训练的步骤 包括： 时间窗沿所述数据集的样本序列 连续滑动， 截取指定长度的前若干时刻时间序列的所 述第二相对能量熵、 具有 单调性且与所述第二相对能量熵具有相关性的时域参数作为所述 长短时记忆神经网络模型的网络输入参数， 下一时刻的第二相对能量熵作为网络输出参数 来训练长短时记 忆神经网络模型。 2.根据权利要求1所述的基于运行状态声辐射信号的轴承监测方法， 其特征在于， 利用 训练好的长短时记忆神经网络模型对滚动轴承的轴承退化性能进行预测的步骤之后还包 括， 当预测退化曲线超过阈值报警线时实现报警的步骤。 3.根据权利要求2所述的基于运行状态声辐射信号的轴承监测方法， 其特征在于， 选取 前指定百分比的正常样本的所述相对能量熵， 结合拉伊达法则确定所述阈值报警线。 4.一种基于运行状态声辐射信号的轴承监测系统， 其特 征在于， 所述 监测系统包括： 数据预处理模块， 用于通过主成分分析对采集的轴 承全寿命声辐射数据进行重构降噪 处理； 特征提取模块， 用于对重构降噪处理后的所述轴 承全寿命声辐射数据的各样本进行变 分模态分解以求取每 个样本的相对能量熵； 轴承状态监测模块， 用于将各样本的所述相对能量熵及具有单调性且与所述相对能量 熵具有相关性的时域参数共同作为网络输入参数， 将所述相对能量熵作为网络输出参数来 构建数据集， 利用所述数据集对长短时记忆神经网络模型进行训练， 利用训练好的长短时 记忆神经网络模型对 滚动轴承的轴承退化 性能进行 预测；权　利　要　求　书 1/2 页 2 CN 113158366 B 2其中， 对重构降噪处理后的所述轴 承全寿命声辐射数据的各样本进行变分模态分解以 求取每个样本的相对能量熵的步骤 包括： 选取重构降噪处理后的所述轴承全寿命声辐射数据中的一组正常声辐射数据样本进 行变分模态分解， 根据样本与分解模态分量间的最小谱相关系 数与设定阈值作比较， 以确 定变分模态分解层数； 按照确定的变分模态分解层数对重构降噪处理后的所述轴承全寿命声辐射数据的各 样本进行变分模态分解以求取每 个样本的第一相对能量熵； 对所述第一相对能量熵进行平均移动滤波处 理以获取第二相对能量熵； 将所述第二相对能量熵、 具有单调性且与 所述第二相对能量熵具有相关性的时域参数 共同作为网络输入参数， 将所述第二相对能量熵作为网络输出参数来构建数据集， 所述具 有单调性且与所述相对能量熵具有相关性的时域参数包括有效值、 平均值、 峰值、 均方根及 方差； 利用构建好的所述数据集对长短时记 忆神经网络模型进行训练的步骤 包括： 时间窗沿所述数据集的样本序列 连续滑动， 截取指定长度的前若干时刻时间序列的所 述第二相对能量熵、 具有 单调性且与所述第二相对能量熵具有相关性的时域参数作为所述 长短时记忆神经网络模型的网络输入参数， 下一时刻的第二相对能量熵作为网络输出参数 来训练长短时记 忆神经网络模型。 5.根据权利要求4所述的基于运行状态声辐射信号的轴承监测系统， 其特征在于， 所述 监测系统包 还包括报警模块， 用于当预测退化曲线超过阈值报警线时实现报警。 6.一种电子设备， 其特征在于， 包括相互耦合的处理器和存储器， 所述存储器存储有程 序指令， 当所述存储器存储的程序指令被所述处理器执行时实现权利要求1 ‑3中任意一项 所述的基于运行状态声辐射信号的轴承监测方法。 7.一种存储介质， 其特征在于， 包括程序， 当所述程序在计算机上运行时， 使得所述计 算机执行如权利要求1 ‑3中任意一项所述的基于运行状态声辐射信号的轴承监测方法。权　利　要　求　书 2/2 页 3 CN 113158366 B 3