(19)中华 人民共和国 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 202111386170.4 (22)申请日 2021.11.22 (71)申请人 江苏理工学院 地址 213000 江苏省常州市中吴大道1801 号 (72)发明人 刘冉冉　藏传涛　颜海彬　郑恩兴　 郭威　李丽　蒋益锋　 (74)专利代理 机构 常州中润迅达专利代理事务 所(普通合伙) 32624 代理人 李静 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/04(2020.01) (54)发明名称 一种基于SMA优化算法的轴承剩余使用寿命 预测方法 (57)摘要 本发明公开了一种基于SMA优化算法的轴承 剩余使用寿命预测方法， 包括数据预处理、 特征 向量提取、 构建模型的标签和划分数据集、 SMA ‑ LSTM预测模型的构建和训练等步骤， 其中数据预 处理时从轴承数据集中挑选出包含更多轴承信 息的水平振动信号作为本次实验的数据集， 特征 向量提取时从数据集中的振动信号中提取能够 反映轴承退化性能的时域、 频域参数， 将提取的 特征参数进行归一化处理。 优点在于： 针对神经 网络超参数寻优困难且优化算法容易陷入到局 部最优的问题， 提出了一种具有动态搜索结构的 黏菌算法， 可以在全局和局部搜索之间保持平 衡， 既有很强的局部搜索能力， 又可有效避免陷 入到局部最优， 提高了模型的预测精度。 权利要求书2页 说明书7页 附图6页 CN 114065433 A 2022.02.18 CN 114065433 A 1.一种基于SMA优化 算法的轴承剩余使用寿命预测方法， 其特 征在于， 包括以下步骤： 步骤1、 数据预处 理； 从轴承数据集中挑选出包 含更多轴承信息的水平振动信号作为本次实验的数据集； 步骤2、 特征向量提取； 从数据集中的振动信号中提取能够反映轴承退化性能的时域、 频域参数， 将提取的特征参数进行归一化处理； 利用主成分分析(Principal  Component   Analysis， PCA)对提取的特 征向量进行降维， 剔除不能反映退化 性能的特 征信息； 步骤3、 构建模型的标签和划分数据集； 构建退化系数R来描述轴承的剩余使用时间； 将 构建的退化系数归一 化后作为数据集的标签， 并划分为训练集和 测试集； 步骤4、 SMA ‑LSTM预测模型的构建和训练； 对黏菌算法中的参数进行初始化， 将数据集 中的训练集输入到LSTM模 型中对模型进行训练， 以LSTM的预测误差均方根误差(Root  Mean  Square Error， RMSE)作为黏菌算法的目标函数， 通过黏菌算法输出的最佳位置确定LSTM的 最佳超参数组合； 步骤5、 滚动轴承RUL预测； 将测试集的训练数据输入到优化后的LSTM模型中， 对测试集 标签R进行 预测， 进而完成对轴承RUL的预测。 2.根据权利要求1所述的一种基于SMA优化算法的轴承剩余使用寿命预测方法， 其特征 在于， 所述步骤3中退化系数R来描述轴承的剩余使用时间， 通过连续w个特征值组成一个时 间序列； 其中第i个时间序列的退化系数为： 剩余使用时间为： RULi＝Ri×(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； R随着时间从1到0线性减小， 当R为1时， 表明轴承开始退化， 当R为0时， 表 示轴承完全退化； 以轴承退化特征向量为输入， 退化系数R作为标签， 划分训练集和 测试集。 3.根据权利要求1所述的一种基于SMA优化算法的轴承剩余使用寿命预测方法， 其特征 在于， 构建完成LSTM模 型后， 利用黏菌算法对LSTM模 型中的超参数学习率， 隐藏层神经元数 目， 训练次数进行自动寻优。 4.根据权利要求3所述的一种基于SMA优化算法的轴承剩余使用寿命预测方法， 其特征 在于， 自动寻优 包括： 将LSTM中的超参数组合学习率、 训练次数、 隐藏层神经元的数目作为黏菌个体， 更新超 参数： 其中 代表超参数组合； 代表LSTM中预测误差最小的超参数； 和 代表随机选取的 两个超参数个体； r代表在[0， 1]之间的随机值； 在[0， 1]之间线性减小； 代表超参数的 权重系数， 的取值范围是[ ‑a,a]； 其中 a和p的计算公式如下： p＝tanh|S(i) ‑DF|权　利　要　求　书 1/2 页 2 CN 114065433 A 2将LSTM预测误差RMSE的倒数作为算法的适应度 值， 即算法中最大的适应度 值对应LSTM 中最小的预测误差； S(i)代表超参数的适应度值， DF代表迭代过程中超参数组合获得的最 佳适应度值， 通过计算 和S(i)不断更新超参数。 5.根据权利要求4所述的一种基于SMA优化算法的轴承剩余使用寿命预测方法， 其特征 在于， 自动寻优 还包括： 更新最佳超参数组合： 当前超参数组合的LSTM预测误差低于之前迭代过程中预测误差 时， 更新最佳超参数组合， 计算公式如下： 其中UB和LB为设定的超参数寻优上下边界； rand为0～1之间的随机值； z的值根据实验 情况选取为0.0 3。 6.根据权利要求5所述的一种基于SMA优化算法的轴承剩余使用寿命预测方法， 其特征 在于， 自动寻优 还包括： 更新超参数权 重系数； 超参数权 重系数 其数学表达式如下： 其中condition代表在 所有超参数排名中前一半的适应度 值S(i)， bF和ωF分别代表迭 代过程中获得的最好和最差适应度值， SA为升序排序的适应度值序列； 为黏菌算法中适 应度值最高即LSTM预测误差最小 所对应的超参数组合； 上述过程表明即使当前迭代过程中 LSTM的预测误差很小， 但黏菌算法依然会继续更新权重系数， 进 行新一轮迭代， 因而避免了 优化算法容易出现局部最优的问题； 通过 上述过程得到优化后的LSTM超参数。权　利　要　求　书 2/2 页 3 CN 114065433 A 3