一种滚动轴承剩余寿命预测方法

技术特征：
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：s1、提取原始振动信号，并降噪处理；s2、将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；s3、将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。2.根据权利要求1所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s2包括：s21、分解出降噪后信号中的低共振分量x；s22、将所述低共振分量x重构为若干个短时序列，进而得到多维短时序列矩阵：y＝{y1、y2，y3，
…
y
n
}；s23、将所述短时序列通过时延分段和相空间稀疏重构处理得到灰度图像，计算灰度图像中所有像素点的概率分布；s24、根据所像素点述概率分布得到各短时序列的多尺度排列熵值，进而得到多尺度排列熵值矩阵，对所述多尺度排列熵值矩阵进行降维融合处理，得到多尺度融合排列熵特征。3.根据权利要求2所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s21的分解方法采用共振稀疏分解方法。4.根据权利要求2所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s22的重构方法采用滑动窗口切片方法。5.根据权利要求2所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s23包括：s231、将每个短时序列y
i
分别重构为多维矩阵a
i
；s232、对所述多维矩阵a
i
进行归一化处理，并根据矩阵对应位置的数值，转换为相应的像素点，进而得到灰度图像a
′
i
；s233、利用直方图均衡方法增强所述灰度图像a
′
i
中的特征信息；s234、计算所述灰度图像a
′
i
的像素概率分布h
i
。6.根据权利要求2所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s24包括：s241、计算所述像素概率分布的多尺度排列熵，进而得到多尺度排列熵值矩阵；s242、采用局部线性嵌入方法对所述多尺度排列熵值矩阵进行降维得到多尺度融合排列熵特征。7.根据权利要求6所述一种滚动轴承剩余寿命预测方法，其特征在于，步骤s242包括：s2421、根据欧式距离寻找所述多尺度排列熵值矩阵中的熵值e
i
的k个最近邻，建立熵值e
i
与k个最近邻之间的线性关系；s2422、计算k个最近邻样本空间内的协方差矩阵z
i
，进而得到对应的权重系数向量w
i
；s2423、根据所述权重系数向量w
i
够着权重系数矩阵w，根据侠士计算条件矩阵m：m＝(1-w)(1-w)
t
；s2424、计算条件矩阵m的前d+1个特征值，并计算所述d+1个特征值对应的特征向量；由第二个特征向量至第d+1个特征向量所组成的矩阵多尺度融合排列熵值矩阵。8.根据权利要求1所述一种滚动轴承剩余寿命预测方法，其特征在于，所述神经网络包括特征提取模块和注意力机制模块，所述特征提取模块输出的特征信息经注意力机制模块融合得到剩余寿命预测值。9.根据权利要求8所述一种滚动轴承剩余寿命预测方法，其特征在于，所述特征提取模
块包括若干并行的卷积模块。10.根据权利要求9所述一种滚动轴承剩余寿命预测方法，其特征在于，所述特征提取模块包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，第一卷积模块的卷积核尺寸为(1，1)，第二卷积模块的卷积核为(1，2)，第三卷积模块的卷积核为(1，3)，第四卷积模块的卷积核为(1，4)。

技术总结
本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。余寿命预测精度。余寿命预测精度。


技术研发人员：王亚萍 王金宝 牛天宇 葛江华 许迪
受保护的技术使用者：哈尔滨理工大学
技术研发日：2022.05.31
技术公布日：2022/9/2