(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111648638.2 (22)申请日 2021.12.2 9 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 万少可　刘金雨　李小虎　张锦玉　 洪军　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 李鹏威 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) G06F 119/04(2020.01)G06F 119/10(2020.01) (54)发明名称 一种滚动轴承寿命预测方法、 系统、 设备及 可读存储介质 (57)摘要 本发明公开了一种滚动轴承寿命预测方法、 系统、 设备及可读存储介质， 将卷积与长短期网 络相结合， 构建的卷积长短期记忆网络能自适应 地提取原始信号中时间尺度与空间尺度的典型 特征， 大大减少了专家知识的参与； 多分支结构 的卷积长短期记忆网络从多通道振动信号中提 取多维度的退化特征， 提高了提取到的特征的全 面性， 并在各个分支网络之间设计信息传输层， 通过门结构实现不同通道间特征的选择性传递 与融合， 从而每一个通道特征中的潜藏的退化信 息能被有效利用， 提升了轴承剩余寿命预测的准 确性与可靠性。 权利要求书3页 说明书7页 附图2页 CN 114564877 A 2022.05.31 CN 114564877 A 1.一种滚动轴承寿命预测方法， 其特 征在于， 包括以下步骤： S1， 采集轴承多方向的原始振动信号时间序列数据， 并对数据进行预处理， 确定轴承退 化起始点； S2， 构建包含多个卷积长短期记忆网络的多分支特征提取层， 对S1采集到的多方向的 原始振动信号时间序列数据多方向的原始振动信号时间序列数据分别输入到网络中进行 特征提取得到振动信号特 征； S3， 构建信息传输层： 将S2中提取到的振动信号特征在各个的分支CLSTM中传输， 实现 信息初步融合； S4， 构建多传感信息融合层： 将各个CLSTM最后输出的隐藏特 征进行最终融合； S5， 构建回归预测层： 利用S4中得到的融合特 征进行轴承剩余寿命回归预测； S6， 使用适应性距估计算法优化网络的损失函数， 得到训练完成的滚动轴承寿命预测 模型； S7， 利用训练完成的滚动轴承寿命预测模型对待测轴承剩余寿命进行预测， 输出待测 轴承剩余寿命占退化阶段总寿命的百分比。 2.根据权力要求1所述的一种 滚动轴承寿命预测方法， 其特征在于， 使用振动传感器采 集轴承多方向的原始振动信号时间序列数据， 使用3σ 准则将数据划分为健康阶段与退化阶 段， 并对退化阶段 数据使用快速傅里叶变换 得到频域数据， 以此构造数据集。 3.根据权力要求1所述的一种 滚动轴承寿命预测方法， 其特征在于， 构建包含多个卷积 长短期记 忆网络的多分支特 征提取网络具体步骤为： S21， 构建基于卷积的长短期记忆细胞结构， 在t时刻的数据输入到CLSTM中， 得到当前 时刻的隐藏特 征输出ht， 具体计算方法如下： It＝σ(Wix*xt+Wih*ht‑1+bi) Ft＝σ(Wfx*xt+Wfh*ht‑1+bf) Ot＝σ(Wox*xt+Woh*ht‑1+bo) 式中， It， Ft， Ot分别表示当前时刻输入门、 遗忘门、 输出门的值； ct， ct‑1分别表示当前时 刻和前一时刻的细胞状态； ht， ht‑1分别表示当前时刻和前一时刻的输出； xt表示当前时刻的 输入； Wix、 Wih， Wfx、 Wfh， Wox、 Woh， Wcx、 Wch分别表示输入门、 遗忘门、 输出门以及细胞状态的卷积 核； bi， bf， bo， bc分别表示输入门、 遗忘门、 输出门以及细胞状态的偏置向量； σ()表示 sigmoid激活函数； tanh()表示双曲正切激活函数； *表示卷积运 算； 表示哈达 玛积； S22， 基于S21所构建的卷积的长短期记忆细胞结构， 根据采集的信号的通道数N构建N 个CLSTM网络对每 个通道的信号进行 特征提取， 得到各个通道的最终隐藏特 征h1， h2。 4.根据权力要求1所述的一种滚动轴承寿命预测方法， 其特征在于， S3中信息传输层通 过权重学习使各个分支网络中的数据进行交互， 并共享部分特征信息， 实现特征 的初步融 合， 其具体 计算步骤如下： S31， 根据每 个CLSTM的信息的计算传输门的值， 如式所示： 权　利　要　求　书 1/3 页 2 CN 114564877 A 2式中， Tti表示第i个分支网络在t时刻的传输门的值； 表示第i个分支网络在t ‑1时刻 输出的隐藏状态信息， Wi表示第i个分支网络的传输门转换权 重 S32， 将S31中得到的传输门的值输入到信息传输层中与 其他分支网络的传输门的值进 行初步融合， 融合方法如下式所示： 式中， 表示t时刻第i个分支网络的特征与其他分支网络的特征初步融合后的输出； 分别表示t时刻第i个分支网络输出门和记忆细胞的值； Wi表示转换矩阵； N为通道 数。 5.根据权力要求1所述的一种滚动轴承寿命预测方法， 其特征在于， S4中多传感信 息融 合层的具体构建方式如下： 式中： hfuse为最终融合后的状态信息； Co nv()表示卷积 操作。 6.根据权力要求5所述的一种滚动轴承寿命预测方法， 其特征在于， S5中的回归预测层 以S4中的Hfuse作为输入， 得到预测的剩余寿命百分比 表达式如下： 式中， Wr， br分别表示回归预测层的权 重矩阵和偏置向量。 7.根据权力要求1所述的一种滚动轴承寿命预测方法， 其特征在于， S6中的损失函数为 均方误差损失函数， 其定义如下式： 式中， L表 示误差值； k表 示训练样 本个数； yi表示真实剩余寿命值； 表示预测的剩余寿 命值。 8.一种滚动轴承寿命预测系统， 其特 征在于， 包括： 预处理模块， 用于对轴承多方向的原始振动信号时间序列数据进行预处理， 确定轴承 退化起始点； 构建包含多个卷积长短期记忆网络的多分支特征提取层， 对采集到的多方向 的原始振动信号时间序列数据多方向的原始振动信号时间序列数据分别输入到网络中进 行特征提取得到振动信号特 征； 训练模块， 用于对提取到的振动信号特征在各个的分支CLSTM中传输， 实现信息初步融 合， 然后将将各个CLSTM最后输出的 隐藏特征进 行最终融合， 再根据得到的融合特征进 行轴 承剩余寿命回归预测， 使用适应性距估计算法优化网络的损失函数， 得到训练完成的滚动 轴承寿命预测模型； 预测模块， 用于对待测轴承剩余寿命进行预测， 输出待测轴承剩余寿命占退化阶段总 寿命的百分比。 9.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 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权利要求1至7任权　利　要　求　书 2/3 页 3 CN 114564877 A 3