一种基于ARIMA-LSTM的转动设备剩余使用寿命预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905844A(43)申请公布日2023.04.04(21)申请号202211660384.0G01M13/028(2019.01)(22)申请日2022.12.23G01M13/00(2019.01)(71)申请人江苏理工学院地址213163江苏省常州市中吴大道1801号(72)发明人刘冉冉黄伟坤臧传涛姜宇郑恩兴徐鸿翔郭威蒋益锋李杭宇(74)专利代理机构南京新慧恒诚知识产权代理有限公司32424专利代理师徐彪(51)Int.Cl.G06F18/213(2023.01)G06N3/049(2023.01)G06N3/08(2023.01)权利要求书1页说明书6页附图6页(54)发明名称一种基于ARIMA-LSTM的转动设备剩余使用寿命预测方法(57)摘要本发明一种基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法，本发明针对转动设备中数据量庞大，同时存在线性信号和非线性信号的问题，本发明将线性模型ARIMA和非线性模型LSTM进行集成。利用ARIMA预测故障特征的线性成分，求得残差；并利用LSTM对非线性残差进行预测，最终预测的故障特征为预测的线性部分和非线性部分，实现对转动设备未来时刻故障特征的预测。最后，将ARIMA‑LSTM预测得到的故障特征作为转动设备寿命预测模型CSA‑LSTM的输入部分，构建代表转动设备剩余使用时间的健康系数C，并利用CSA‑LSTM对健康系数C进行预测，进而得到转动设备的RUL。CN115905844ACN115905844A权利要求书1/1页1.一种基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法，其特征在于：包括1)振动信号降噪选用PHM数据集作为实验数据，PHM数据集中含有转动设备在不同工况下的振动信号和温度数据，利用VMD算法对PHM数据集中的振动信号进行降噪处理，以保证后续所提取的故障特征可完整反映转动设备的运行情况；2)特征向量提取从PHM数据集的振动信号中提取能够反映转动设备退化性能的故障特征向量，并根据转动设备前期运行平稳，后期出现故障急剧变化的特点对故障特征向量进行筛除，然后利用降维算法PCA对筛除后的故障特征向量进行数据降维，在保留主要故障特征的基础上降低数据维度，减少数据量；3)构建转动设备的健康系数C根据转动设备的RUL跟随时间呈线性变化的特性，构建转动设备的健康系数C；4)构建ARIMA‑LSTM故障特征预测模型针对实际工程中转动设备的未来时刻故障特征未知，且振动信号中同时存在线性成分和非线性成分，通过将线性模型ARIMA和非线性模型LSTM进行集成，根据步骤2)中筛除后的故障特征向量利用线性模型ARIMA预测转动设备未来时刻故障特征的线性成分，利用非线性模型LSTM预测转动设备未来时刻故障特征的非线性成分；5)CSA‑LSTM模型构建和训练先将步骤4)预测到的未来时刻故障特征作为输入部分，对构建的健康系数C划分标签，并通过CSA算法对非线性模型LSTM的超参数学习率、隐藏层神经元的数目和训练轮数进行自动寻优，完成对所述健康系数C的预测；最后将均方根误差RMSE和平均绝对误差MAE作为ARIMA‑LSTM故障特征预测模型的评价指标，利用优化算法粒子群算法PSO和模拟退火算法SA进行对比分析；6)转动设备RUL预测将ARIMA‑LSTM预测和经过VMD算法降噪后的故障特征分别输入到CSA‑LSTM预测模型中，将两种预测结果同真实的寿命进行对比，完成对转动设备RUL的预测。2.如权利要求1所述的基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法，其特征在于：所述特征向量为时域特征指标与频域特征指标。3.如权利要求1所述的基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法，其特征在于：健康系数C表示转动设备的剩余寿命情况，转动设备的寿命通常随时间呈线性变化，因此第i个时间序列的C的表达式为：转动设备的剩余使用时间为：RULi＝Ci×(n‑w)×t(0≤i≤n‑w)其中n为实验采集信号的次数；w为每个时间序列的长度；C随着时间从1到0线性减小，当C为1时，表明转动设备开始退化，当C为0时，表示转动设备失效。2CN115905844A说明书1/6页一种基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法技术领域[0001]本发明涉及一种基于ARIMA‑LSTM的转动设备剩余使用寿命预测方法。背景技术[0002]转动设备的运行直接关系到机械设备能否稳定运行，因此通过对转动设备进行剩余使用寿命(RemainingUsefulLife，RUL)预测，对转动设备的运行状态进行实时监控，就能根据实际需要对转动设备进行保养和维护，从而保证整个机械系统的稳定运行。现有技术对设备剩余寿命预测没有考虑振动信号中