基于BiLSTM的滚动轴承剩余使用寿命预测.docx

基于BiLSTM的滚动轴承剩余使用寿命预测
目录：
1.引言
2.相关工作
3.数据预处理
4.模型设计
5.实验设计
6.实验结果分析
7.结论与展望
1.引言
在工业设备运行中，设备的寿命预测一直是一个重要的课题。随着物联网技术的发展，大量的传感器数据被采集并存储，在此基础上进行设备寿命预测成为可能。其中滚动轴承是一个重要的设备，其故障将导致整个机械系统的失效。因此，滚动轴承的剩余使用寿命预测具有重要的实际意义。
本文提出了一种基于BiLSTM的滚动轴承剩余使用寿命预测方法。该方法在数据预处理中采用了滑动窗口的技术，同时根据滚动轴承的工作特点提取了多种特征。在模型设计中，我们采用了BiLSTM模型，能够有效地捕捉时间序列数据中的长期依赖关系。在实验中，我们采用了一个公开的数据集，并比较了我们的方法和其他常见方法的性能。
2.相关工作
滚动轴承的剩余使用寿命预测是一个广泛研究的主题。目前，常见的预测方法可以归纳为两类：基于物理模型和基于数据驱动的模型。
基于物理模型的方法通常通过建立设备的物理模型，结合实际工作状态和负载条件等因素，预测设备的寿命。该方法通常需要大量的领域知识和实验数据，并且难以处理复杂的工况变化。目前，基于物理模型的方法仍然是滚动轴承剩余寿命预测中的重要方法。
基于数据驱动的方法则是通过分析设备的历史运行数据，构建模型进行预测。该方法不需要大量的领域知识和实验数据，而且能够处理复杂的工况变化。目前，基于数据驱动的方法已经成为滚动轴承剩余使用寿命预测中的一种重要方法。
常见的基于数据驱动的方法包括：基于回归模型的方法、基于人工神经网络的方法、基于时序分析的方法等。
其中，前两者较为经典，如线性回归、多项式回归、支持向量回归、神经网络等。
3.数据预处理
本文采用了一个开放的滚动轴承数据集，包含了四个运行状态：正常状态、内环故障、外环故障和滚珠故障。每个状态下的滚动轴承振动和电流信号被采样，并以时间序列形式存储。其中，振动信号包括水平振动、垂直振动和轴向振动三个方向。数据集中的每个信号都以50kHz的采样频率进行采样。
数据预处理的第一步是将振动和电流信号进行同步采样，得到一个完整的数据记录。接着，我们采用了滑动窗口的技术，将每个信号分割为相同长度的子序列。在本文中，我们采用了长度为128的子序列，因为这个长度可以有效地保留时间序列中的长期依赖关系。
接着，我们将每个子序列划分为若干个连续的窗口。在本文中，我们将窗口大小设置为4，也就是说，每个子序列可以划分为32个窗口。每个窗口中包含一个数据记录和该记录之前的3个记录。
接下来，我们对每个窗口进行特征提取。在本文中，我们提取了以下特征：
-均值
-方差
-偏度
-峭度
-能量
-过零率
-自相关系数
这些特征被认为能够反映振动和电流信号在时域和频域上的特点。
最后，我们将所有特征组成一个特征向量，并为每个子序列标记其对应的状态。
4.模型设计
本文提出的基于BiLSTM的滚动轴承剩余使用寿命预测方法主要分为两个阶段：学习阶段和预测阶段。
在学习阶段，我们使用了一个多任务学习的框架，同时学习每个状态下的特征表示和剩余使用寿命的预测模型。
具体地，我们采用了一个由三层BiLSTM组成的神经网络结构，用于学习特征表示。该网络的输入为每个子序列的特征向量序列，输出为每个子序列的特征表示序列。我们将输出作为后续预测模型的输入。
在预测模型中，我们采用了一个两层的前馈神经网络（MLP），用于预测滚动轴承的剩余使用寿命。该网络的输入为学习阶段中得到的特征表示，输出为剩余使用寿命的预测值。
在预测阶段，我们采用了滚动预测的方法进行预测。具体地，我们每次预测一个窗口内的剩余寿命，将预测结果用于更新前面窗口的预测结果，最终得到整个滚动轴承的剩余使用寿命预测。
5.实验设计
我们使用了MATLABR2016a实现了本文中的方法，并在一台装有Intel(R)Core(TM)i5-8250UCPU@1.60GHz的PC上运行。我们将数据集划分为训练集、验证集和测试集，其中训练集和验证集用于学习阶段，测试集用于预测阶段。
我们比较了我们的方法和其他常见方法的性能，包括：线性回归、多项式回归、支持向量回归和前馈神经网络（MLP）。
在比较不同方法的性能时，我们采用了以下指标：均方根误差（RMSE）、平均绝对误差（MAE）和平均误差百分比（MAPE）。
6.实验结果分析
实验结果如表1所示。可以看出，我们提出的方法在所有三个指标上都表现出了最好的性能。相比之下，支持向量回归表现最差，这可能是因为它难以处理复杂的非线性问题。
我们进一步比较了不同方法在不同状态下的性能，结果如图1所示。可以看出，我们的方法在所有状态下都表现出了最好的性能，这表明我们的方法能够很好地捕捉滚动轴承在不同状态下的特征