(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 202111567703.9 (22)申请日 2021.12.21 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区一 二— 大街文昌巷68号 (72)发明人 严帅　邓为权　 (74)专利代理 机构 宁波海曙甬睿专利代理事务 所(普通合伙) 33330 专利代理师 朱松峰 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 10/04(2012.01) G06F 119/02(2020.01) (54)发明名称 一种基于线性回归和TCN的滚动轴承 退化趋 势预测方法 (57)摘要 本发明公开了一种基于线性回归和TCN的滚 动轴承退化趋势预测方法， 其特征在于， 首先通 过加速度传感器采集滚动轴承的全生命周期振 动数据， 计算获得数据的样本熵作为轴承的性能 退化指标， 对样本熵进行平滑预处理， 然后根据 线性回归模型和μ+3δ确定轴承的SPT点， 分析 不同的窗口长度对确定SPT的影响， 最后将预处 理后的样本熵值输入到训练好的TCN网络中进行 退化趋势预测。 本发明能有效且及时地确定轴承 的SPT点， TCN能够很好地拟合轴承的性能退化趋 势， 避免由于发现轴承故障时间过晚而带来的设 备不能安全运行的问题； 本发明达到对设备健康 管理的方法相比采用循环神经网络预测的方法 准确率明显提高， 为轴承的退化趋势预测方法提 供了新思路。 权利要求书2页 说明书6页 附图3页 CN 114595525 A 2022.06.07 CN 114595525 A 1.一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： Step1： 通过加速度传感器采集滚动轴承的全生命周期振动数据， 根据采样时间和采样 频率将数据进行划分； Step2： 计算划分后各 数据组的样本熵， 作为滚动轴承性能退化指标； Step3： 对样本熵进行平 滑预处理； Step4： 利用线性回归模型确定SPT， 若连续多次超出退化阈值则可判定滚动轴承发生 了初始退化， 并分析不同的窗口长度大小对确定S PT的影响； Step5： 利用VMD 分解确定发生初始退化的数据组数， 并对数据进行包络谱分析， 判断确 定的SPT是否正确； Step6： 构建TCN模型； Step7： 根据Step4中确定的SPT将数据划分为训练集和测试集， SPT点之前的数据作为 训练集， SPT点之后的数据作为测试集输入到Step6中的模型， 实现滚动轴承的退化趋势预 测， 并利用评价 函数对预测结果进行评估。 2.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step1中的采样时间为1s， 采样频率为20000HZ， 将轴承全生命周期数据划分为 984组， 每组含20480个数据。 3.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step2中， 划分后的矩阵为 其中m＝20480， l ＝984。 4.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step3中， 平滑方法采用局部加权回归进行平滑， 在局部加权回归中， 使用给定 跨度内的相邻数据点确定平滑值， 计算每个数据点的回归权重Wi， 计算方法为 其中si为s的相邻元 素， d(s)表示 跨度中最远值之间的水平 距离。 5.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step4中， 线性回归模型可表示为： 其中， g对应样本熵 梯度值， di为对应时间ti时的样本熵的值， w为滑动窗口的大小； 退化阈值由μ+3δ确定， 对于 一个近似正态分布的数据， 设其均值为 μ， 方差为σ2， 则其数值分布在( μ ‑3σ, μ+3σ )中的概率权　利　要　求　书 1/2 页 2 CN 114595525 A 2为99.73％。 6.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step5中， VMD的分解模态数为7， 根据峭度最大原则重构信号后进行包络谱分 析。 7.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step6中， 构建的TCN模 型中包含因果卷积、 空洞卷积、 残差连接和一维全 卷积； 所述因果卷积当前时刻预测值yt的输出只与当前时刻 st和之前的输入相关， 而与 未来时刻 的值st+1无关， 可以表示为： yt＝f(s1,s2,...,st),t＝1,2,...,T， 其中， f( ·)表示卷积操 作； 对于一维输入s1,s2,...,sT和过滤器f， 序列的扩张卷积可以表示 为： 其中， d为膨胀因子， n为滤波器大小， sx‑d·i表示序 列元素乘以卷积核中的元素； 膨胀因子d越大， 输入的范围也就越大， 从而加大了卷积网络 的感受野； 在TCN的输出层中引入了残差模块， 同时将输入s融合到卷积网络的输出y中， 可 表示为： y＝G(s,{Wi})+s， 其中， 函数G(s,{Wi})+s表示学习残差映射。 8.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法， 其特 征在于： 所述Step7中， 使用TCN网络中完全连接的层来预测输出； 预测评价指标为拟合决定 系数R2， 其取值范围越接 近于1则说明预测效果越好。权　利　要　求　书 2/2 页 3 CN 114595525 A 3