(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 202111610454.7 (22)申请日 2021.12.27 (71)申请人 西安易诺敬业电子科技有限责任公 司 地址 710000 陕西省西安市高新区科技 二 路西安软件园唐乐阁F座 401 (72)发明人 胡俊　赵延南　冯泳　张伟　 庄可佳　余建峰　邹立　支峰　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 姬莉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01M 13/045(2019.01) G06F 119/04(2020.01) (54)发明名称 一种风力发电机轴承 寿命预测方法 (57)摘要 本发明提供了一种风力发电机轴承寿命预 测方法， 包括： 获取轴承的全寿命周 期振动信号 数据， 生成原始数据集； 对原始数据集进行归一 化处理； 搭建改进多尺度神经网络模型； 将归一 化后的数据输入到模型的输入层中， 设定具有不 同卷积核尺度的空洞卷积层， 逐层获取输入信号 的抽象特征； 设定全局平均池化层， 将提取的抽 象特征输入到全局平均池化层中， 获得改进多尺 度1DCNN模型的输出特征； 将全局平均池化层的 输出特征输入到LS TM模型中， 通过多层LS TM记忆 单元提取输出特征中隐含的轴承性能退化信息； 根据提取的轴承性能退化信息对轴承剩余寿命 进行预测， 获得预测结果。 本发明能够高效准确 地对风力发电机轴承的剩余寿 命进行预测。 权利要求书3页 说明书9页 附图4页 CN 114048688 A 2022.02.15 CN 114048688 A 1.一种风力发电机轴承寿命预测方法， 其特 征在于， 包括以下步骤： 获取风力发电机的滚动轴承在多种运行状态下的全寿命周期振动信号数据， 生成原始 数据集； 对所述原 始数据集进行归一 化处理； 搭建基于空洞卷积层和全局平均池化层的改进多尺度1DCNN ‑LSTM神经网络模型， 具体 结构为： 输入层 ‑空洞卷积层1 ‑空洞卷积层2 ‑空洞卷积层3 ‑转换卷积层 ‑全局平均池化层 ‑ LSTM层1‑LSTM层2‑LSTM层3‑全连接层 ‑输出层； 将归一化后的数据作为输入信号输入到输入层中， 设定具有不同卷积核尺度的空洞卷 积层， 逐层获取输入信号的抽象特 征； 设定全局平均池化层， 将提取的抽象特征输入到全局平均池化层中， 获得改进多尺度 1DCNN模型的输出 特征； 将全局平均池化层的输出特征输入到LSTM模型中， 通过多层LSTM记忆单元提取输出特 征中隐含的轴承性能退化信息； 根据提取的轴承性能退化信息对轴承剩余寿命进行 预测， 获得 预测结果。 2.根据权利要求1所述的风力发电机轴 承寿命预测方法， 其特征在于， 所述改进多尺度 1DCNN‑LSTM神经网络模型的结构中空洞卷积层插入了空格参数d， 原来卷积核大小为k， 在 插入空格d ‑1后大小为n， n=k+(k ‑1)×(d‑1)； 卷积核大小均为k=3 ×3， 空洞数分别为d=1， d= 2， d=3， 因此等效卷积核为3 ×3， 5×5， 7×7。 3.根据权利要求1所述的风力发电机轴 承寿命预测方法， 其特征在于， 获取所述全寿命 周期振动信号数据的过程 为： 确定风力发电机轴承的工作频率 f0， 传感器采集振动数据的采样频率 f， 采样时间 t， 以 及每次采样的时间 间隔t0； 针对风力发电机的运转状态， 采集风力发电机轴 承从正常运转到恶化过程的全寿命周 期振动信号数据； 将每次采样数据单独存储， 以采样时间先后顺序进 行命名， 生成原始数据 集。 4.根据权利要求1所述的风力发电机轴 承寿命预测方法， 其特征在于， 所述对所述原始 数据集进行归一 化处理采用的是Mi n‑Max Normalization归一化处理方法， 采用的公式为： 式中，X’表示归一化处理后的样本数据， X表示原始样本数据， Xmin表示原始样本数据中 的最小值， Xmax表示原始样本数据中的最大值。 5.根据权利要求4所述的风力发电机轴 承寿命预测方法， 其特征在于， 在进行归一化处 理之前， 对所述原始数据集进行切割并生成数据样本集与 标签对， 形如 ， 其中，i =1， 2，…n，N为切分样本的维数， X,Y分别表示样本数据和相应的标签； 随机打乱生成的数据样本集的样本顺序， 然后将打乱顺序后的数据划分为训练数据 集、 验证数据集和 测试数据集。 6.根据权利要求5所述的风力发电机轴 承寿命预测方法， 其特征在于， 对所述原始数据权　利　要　求　书 1/3 页 2 CN 114048688 A 2集进行切割并划分处 理包括： 对所述原始数据集进行分割， 分割后的每个样本包含 m个采样点， 每次采样的数据包含 k个样本， 样本标签按所在文件名命名， 其中 ，f为采样频率， t为采样时间； 对分割后的样本数据进行随机打乱顺序， 并对数据集进行切分； 在每种标签的样本中 随机取2/3作为训练集， 1/3作为测试集， 然后取训练集的10%作为验证集， 所述改进多尺度 1DCNN‑LSTM神经网络模型利用测试集的数据提取轴承性能退化信息 。 7.根据权利要求6所述的风力发电机轴 承寿命预测方法， 其特征在于， 在利用所述改进 多尺度1DCNN‑LSTM神经网络模型提取所述轴承性能退化信息之前， 对模型进行训练， 具体 为： 将归一化后的训练数据集作 为改进多尺度1DCNN ‑LSTM神经网络模型的输入， 数据通过 前馈传播的方式逐层进行传播， 最后通 过输出层获得输出结果y'， 计算输出结果y'与真实值 y的均方误差作为训练模型的损失函数MSE， 计算公式为： 模型提取训练数据特 征过程如下： (a)训练数据在模型中逐层 传递， 其中多尺度空洞卷积层进行 特征提取过程表述 为： 式中， 为第l层的第j个元素， Mj表示第l‑1层的第j个卷积区域， 为该卷积区域 的元素值， 为权重矩阵， 为相应的偏执向量， f(x)为激活函数ReLU； (b)输入数据经卷积运算后需要进行池化运算， 模型中每层空洞卷积层后使用最大池 化实现特征下采样， 而转换卷积层后则使用全局平均池化层改变输出特征维度， 相应的池 化公式如下： 最大池化： 平均池化： 式中，w为池化过程所覆盖区域的宽度， 表示第l层的第i个卷积输出矩阵的第 t个 元素值，pl(i,t)表示第l层的第i个池化输出矩阵的第 t个元素值； (c)训练数据经过全局平均池化层提取特征后， 输入到LSTM模型中； 借助 LSTM记忆单元 的时序特 征提取特征中隐含的时序信息 。 8.根据权利要求7所述的风力发电机轴承寿命预测方法， 其特征在于， 借助LSTM记忆单 元的时序特 征提取特征中隐含的时序信息的过程如下： 1） 更新记忆单元状态信息 ， 由当前时刻t'的输入特征 xt与上一时刻t' ‑1的隐藏层单权　利　要　求　书 2/3 页 3 CN 114048688 A 3