1、2023 年第 42 卷7 月第 7 期机 械 科 学 与 技 术Mechanical Science and Technology for Aerospace EngineeringJulyVol422023No7http:/journalsnwpueducn/收稿日期:20210108基金项目:国家自然科学基金项目(51465022)作者简介:杨正隆(1995)，硕士研究生，研究方向为结合声发射的轴承剩余寿命预测及故障诊断，1585766156 qqcom通信作者:柳小勤，教授，博士，liuxqsmile gmailcom杨正隆，柳小勤，伍星，等结合声发射和卷积神经网络的轴承 UL 预测方
2、法 J 机械科学与技术，2023，42(7):1016-1020结合声发射和卷积神经网络的轴承 UL 预测方法杨正隆，柳小勤，伍星，王之海(昆明理工大学 机电工程学院，昆明650504)摘要:根据声发射信号具有对早期损伤敏感性高和频带宽等特点，提出一种结合声发射信号和卷积神经网络的方法，实现滚动轴承的 UL 预测。该轴承 UL 预测方法主要包括:对原始信号的分频段滤波和特征值提取得到高维特征集;将高维特征集组合成二维神经元作为卷积神经网络的输入，并构建和训练网络以达到预测剩余寿命的目的。通过从实验中得到的数据验证了该预测方法的可行性，并且具有较高的准确性。结合使用卷积神经网络后不但解决了特征值
3、数量大和如何合理利用高维特征问题，而且还得到了较好的 UL 预测效果。关键词:剩余寿命;声发射信号;卷积神经网络;二维神经元中图分类号:TG156文献标志码:ADOI:1013433/jcnki1003-872820220003文章编号:1003-8728(2023)07-1016-05Bearing emaining Life Prediction Method Coupling withAcoustic Emission and Convolutional Neural NetworkYANG Zhenglong，LIU Xiaoqin，WU Xing，WANG Zhihai(Colleg
4、e of Mechanical and Electrical Engineering，Kunming University of Science and Technology，Kunming 650504，China)Abstract:According to the characteristics of acoustic emission signal with high sensitivity to early damage andfrequency bandwidth，a method coupling with acoustic emission signal and convolut
5、ional neural network wasproposed to realize the UL prediction of rolling bearings The bearing UL prediction method mainly includes:sub-band filtering and feature value extraction of the original signal to obtain a high-dimensional feature set;combining with the high-dimensional feature set into a tw
6、o-dimensional neuron as the input of a convolutional neuralnetwork，and constructing and training the network to achieve the prediction of remaining life The feasibility of theprediction method is verified by using the experimental，and it has high accuracy The coupling use of convolutionalneural netw
7、orks not only solves the problem of large number of eigenvalues and how to reasonably use high-dimensional features，but also obtains the better UL prediction resultsKeywords:residual life;acoustic emission signal;convolutional neural network;two-dimensional neuronUL 预测是预测性维修的重要内容。在设备运行时对目标部件进行状态监测，判
8、断运行状态并预测未来的发展趋势，依据预测的故障时间制定维修计划，防止机器突然停机或由于零件故障发生事故，从而创造显著的经济和社会价值。为了对轴承行状态进行有效识别和预测，国内外学者结合振动信号对轴承进行运行状态识别和预测方法。申中杰等利用 MSVM(多变量支持向量机)对轴承的剩余寿命进行预测，考虑了多个变量的相互影响，实现小样本条件下的变量预测1。文娟和高宏力提出一种基于无迹粒子滤波算法(UPF)的轴承 UL 预测方法，该方法能在一定程度上降低粒子退化程度，进而更加准确地预测轴承剩余寿命2。张星辉等提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法在退化状别的基
9、础上，提出了剩余使用寿命预测方法3。Kundu 等提出了一种威布尔回归模型，使用振动信号从 16 个不同的频带中获得 16个特征。使用主成分分析法进行降维，最后用WAFT 模型进行寿命预测4。以上方法利用实验采集的加速度信号结合数据驱动下的 UL 预测预测模型实现了对轴承的 UL 预测预测，但由于加速度信号采样率不高存在对早期故障不敏感、轴承早第 7 期杨正隆，等:结合声发射和卷积神经网络的轴承 UL 预测方法http:/journalsnwpueducn/期状态特征不明显存在对早期退化状态无法有效识别等问题仍具有一定的局限性。同时国内外学者也结合深度学习网络对轴承剩余寿命进行预测。en 等结
10、合时域特征和频域特征，引入深度神经网络模型来预测滚动轴承的剩余使用寿命5。Hinchi 等提出了一种基于卷积神经网络和长短时记忆法相结合的方法对轴承的剩余寿命进行预测6。深度学习网络具有处理较大信息量数据的能力，并且可以与加速度信号结合有效的对轴承进行 UL 预测预测。Aye 等从声发射信号获得新的轴承退化评估指标并使用高斯回归过程来预测轴承的剩余使用寿命7。Wang 等将小波包消噪(WPD)与改进的核熵成分分析(KECA)相结合的方式提取原始信号信息，并通过 KES 算法自适应地识别每个疲劳演变阶段8。声发射信号相比于振动信号有更宽的频率范围、对早期故障和损伤敏感等特点。针对声发射信号结合卷
11、积神经网络的 UL 预测研究还较少。本文结合卷积神经网络和声发射信号来研究轴承 UL 预测方法。利用卷积神经网络可对大信息量数据处理的优势来对声发射信号中包含的大量信息进行处理并建立 UL 预测模型，达到对轴承运行阶段识别和 UL 预测的目的。1卷积神经网络的寿命预测方法使用神经网络可实现对轴承进行 UL 预测9-10，可以快速有效的对轴承的运行运行进行判断。声发射信号具有频带宽、包含信号信息量大等优点。卷积神经网络是一种可以对大型高维数据进行处理的深度学习网络，可以有效的从大量样本中学习到有效特征5 从而更好的对轴承进行 UL 预测。这些是机器学习网络难以做到的。11网络结构输入层输入二维神
12、经元后，在卷积层要对其进行二维卷积处理。卷积运算起到对输入的二维神经元进行特征提取的作用6。对于两个二维矩阵 I，K，其卷积运算的数学表述为Ykn(a，b)=FkmMkn(i，j)Kkkmn(i，j)*Yk1m+b(k)n()(1)式中:kmn(i，j)为第 k 层位置(i，j)的卷积核函数;Yk1m为第 k1 层的感受野位置核函数;b(k)n为第 k层特征映射的偏置值;F(k)()为激活数;Y(k)n(a，b)为第 k 层位置(a，b)的输出层。为提高网络运算效率和减少网络过拟合现象需进行池化运算。本文中采用平均池化方式进行池化运算，定义为Y(k)n(a，b)=F(k)(k)nY(k1)n+
13、b(k)n)(2)式中:(k)n为池化区域权重值，(k)n采用平均池化运算;Y(k1)n为第 k1 层的函数值。12基于的轴承 UL 预测步骤寿命预测方法流程图如图 1 所示。图 1寿命预测方法流程图Fig 1Life prediction method flowchart具体步骤如下:1)去掉轴承磨合期的实验数据并且对轴承的剩余寿命进行划分 3，随后将全寿命数据集中采集到的每个信号进行分频段滤波并且对其进行特征值提取。2)将经过特征提取处理的数据进行滑移平均处理，随后再对数据进行标准化处理。将处理好的全寿命数据拼接成尺寸大小合适的二维神经元。3)将拼接好的训练集的二维神经元输入到神经网络的输
14、入层中，选择合适的训练参数对神经网络进行训练10。4)将测试集数据输入到训练好的神经网络中进行测试，得出预测结果计算准确率。2轴承疲劳实验及声发射特征提取21实验方法采用 ABLT-1A 型轴承寿命强化试验机对试验轴承进行加速疲劳寿命试验。试验要求对轴承的加载不超过轴承最大当量动载荷的 45%11。实验中采用HB6205 开式深沟球轴承进行实验。轴承最大当量动载荷为14 kN，采用油润滑方式润滑，每分钟采集一次数据，声发射信号采样率为 1 000 kHz，加速度信号采样率为 51.2 kHz。试验台试验头加载结构如图 27101机 械 科 学 与 技 术第 42 卷http:/journals
15、nwpueducn/所示，本试验加载力设置为 12.5 kN。每个轴承座均布置一个声发射传感器和加速度传感器，如图 3 所示。通过试验一共得到 8 组全寿命实验数据。图 2试验台试验头加载结构图Fig 2Test rig test head loading structure diagram图 3传感器布置图Fig 3Sensor arrangement diagram在对轴承进行全寿命实验时，初始阶段会有一段时间较短的运行磨合期。这会导致轴承运行状态不稳定，将直接影响到对轴承剩余寿命的预测。其中两组组轴承全寿命 MS 趋势如图 4 所示。图 4故障轴承 MS 全寿命趋势Fig 4Faulty
16、 bearing MS full-life trend通过计算最新 20 个相邻点间的斜率的变化量的总和，当总和在一定范围内时则判定轴承处于平稳运行阶段。Sn=19i=1(xni xni1)(3)式中:Sn为 n 个相邻样本 MS 值斜率变化量总和;xn为第 n 个样本。式(3)中当 Sn的范围在0.000 10.000 1 之间时则认为轴承的运行趋于平稳，并且接下来会进入轴承的平稳运行阶段，即可开始轴承 UL 预测。22声发射特征值提取将原始信号平均分为 20 个频段进行滤波 8，12，得到滤波后的 20 段声发射信号并对每段信号进行特征提取。声发射信号提取的时域特征共 16 个，如表 1 所示 13-14。再选出 3 个声发射事件指标用于提取特征值 15，如表2 所示。结合对原始信号的分频段滤波处理，每个声发射信号可提取380 个时域值。表 1时域特征Tab 1Time-domain features序号特征指标1均值2最大值3最小值4歪度5峭度6方差7方根幅值8绝对平均幅值序号特征指标9均方根值10峰峰值11波形指标12脉冲指标13峭度指标14峰值指标15裕度指标16歪度指标表