(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 202111533045.1 (22)申请日 2021.12.15 (71)申请人 中国矿业大 学 地址 221116 江苏省徐州市铜山区大 学路1 号 申请人 中煤科工集团重庆研究院有限公司 (72)发明人 邹筱瑜　胡亮　王忠宾　闫海峰　 吴虹霖　王清峰　辛德忠　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 罗运红 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G01M 13/045(2019.01)G06F 119/04(2020.01) (54)发明名称 基于CVA和RNN的钻机主轴滚动轴承的剩余 使用寿命预测方法 (57)摘要 本发明提出一种基于CVA和RNN的钻机主轴 滚动轴承的剩余使用寿命预测方法， 属于钻机的 故障预测领域。 该方法的步骤包括： 首先使用加 速度传感器收集钻机主轴轴承的全寿命周期内 的水平振动加速度和垂直加速度振动信号数据， 并且划分训练集和测试集； 其次， 通过使用快速 傅里叶变换(FFT)， 得到训练集频域幅值信号,再 经过归一化处理； 利用典型变量分析(CVA)获得 过去时刻数据与未来时刻数据有最大相关性的 几组典型变量作为RNN的输入； 利用梯度下降法 训练神经网络， 得到最佳的预测模型。 权利要求书3页 说明书6页 附图6页 CN 114254454 A 2022.03.29 CN 114254454 A 1.一种基于CVA和 RNN的钻机主轴滚动轴承的剩余使用寿命预测方法， 其特征在于， 该 方法包括以下步骤： (1)获取数据， 使用加速度传感器径向在安装在钻机主轴轴承外壁采集轴承全生命周 期的振动加速度信号， 并划分训练集和 测试集； (2)数据处理， 提取训练集和测试集的振动加速度数据的频域特征， 并对训练集和测试 集的标签进行归一 化处理； (3)特征提取， 对于训练集， 设时间滞后阶次常数为N， 则从第N个样本点开始逐个划分 一对过去 数据向量和未来数据向量， 总共划分向量的对 数为M， 其中M＝Z ‑N+1， Z为样 本点的 总数； 上述过去数据向量由当前样本点的前N个经数据 处理后的样本点的频域特征按顺序 组成， 未来数据向量由当前样本点以及当前样本点的后N ‑1个经归一化处理后的样本点的 标签值按顺序组成； 使用CVA的方法对过去 数据向量与未来数据向量进 行特征提取， 计算得 到过去数据的状态估计矩阵， 过去数据向量构成的数据矩阵与状态估计矩阵相乘， 得到过 去数据的典型变量矩阵， 即与对应剩余使用寿命数据矩阵具有最大相关性的数据矩阵； (4)构建RN N深度循环神经网络； (5)训练集中的过去数据矩阵和未来数据矩阵都是已知的， 测试集中未来数据矩阵是 未知的， 通过训练集计算CVA的状态转换矩阵， 以训练集经过状态 转换矩阵转换后的数据 矩 阵为输入， 归一化的剩余使用寿命标签为输出， 训练循环神经网络， 通过测试集验证所述 CVA‑RNN模型的性能。 2.根据权利要求1的所述的一种基于CVA和RNN的钻机主轴滚动轴承的剩余使用寿命预 测方法， 其特征在于， 在步骤(1)中， 所述的轴承全生命周期的振动加速度信号通过在加速 度传感器上采样获得， 其中， 采样频率为2.56kHz， 采样间隔为10s， 每个样本点内有2560个 数值。 3.根据权利要求1的所述的一种基于CVA和RNN的钻机主轴滚动轴承的剩余使用寿命预 测方法， 其特征在于： 在步骤(2)所述的频域特征提取方法为： 对振动信号做快速傅里叶变 换， 获得频域幅值特 征， 然后求 其均值。 4.根据权利要求1的所述的一种基于CVA和RNN的钻机主轴滚动轴承的剩余使用寿命预 测方法， 其特征在于： 在步骤(2)中， 所述的对训练集的标签进 行归一化处理的方式如式(1) 所示： 式中， n为样本点的序号， T为轴承的全寿命周期， Tn为轴承数据记 录开始的第n个样本点 的标签， 即剩余使用寿命， RULn为第n个样本点的标签归一化后的值， 其中， Tn计算公式如下 式所示： Tn＝10(n‑1)      (2)。 5.根据权利要求1的所述的基于CVA和RNN的钻机主轴滚动轴承的剩余使用寿命预测方 法， 其特征在于： 步骤(3)中的CVA 为典型变量分析， 典型变量分析的方法最大化了过去 数据 与未来数据的相关性， 其具体求 解步骤如下： (1)分别构造历史振动加速度数据向量和将来剩余使用寿命数据向量： 设在某一时刻t， 则历史数据向量和将来数据向量如式(3)和式(4)所示：权　利　要　求　书 1/3 页 2 CN 114254454 A 2p(t)＝[xT(t‑1),…,xT(t‑N)]T∈RN×p        (3) f(t)＝[yT(t),yT(t+1)…,yT(t+N)]T∈RN×f    (4) 式中： N为时间滞后阶次常数， x(t)∈Rp为t时刻采样的样本点的p 维振动加速度信 号的 频域特征， y(t)∈Rf为t时刻采样的样本点的f维剩余使用寿命数据向量； (2)对两个数据矩阵在每个时刻上沿着每个变量对二维矩阵进行零均值和单位方差归 一化处理， 标准化方法如式(5)、 (6)所示： 式中： 为样本的均值向量， σx(t), σy(t)为样本的方差； (3)构建过去输出矩阵Xp和未来输出矩阵Xf； 由M个过去输出变量和未来输出变量组成的过去输出矩阵Xp和未来输出矩阵Xf： 式中， M为总共划分的过去或未来数据向量数， 为归一化后的数据向量， 其中， i＝t+1,t+2,. ..,t+M； (4)CVA的目标是寻找一对投影矩阵J和L使得过据矩阵Xp和未来数据矩阵Xf分别在此方 向的投影具有最 大的相关性， 投影后的数据即为典型变量矩阵JXp与LXf， 通过求解以下优化 问题以求得投影矩阵： 式中： Σpf为过去输出矩阵Xp和未来输出矩阵数据矩阵Xf之间的交叉协方差矩阵， J和L 为投影矩阵； (5)求解上述优化问题的方法是： 首先求解过去输出矩阵的协方差矩阵Σpp和未来输出 矩阵的协方差矩阵Σff， 以及过去输出矩阵和未来输出矩阵数据矩阵之间的互协方差矩阵 Σpf， 计算公式如式(10)、 (1 1)、 (12)所示： 权　利　要　求　书 2/3 页 3 CN 114254454 A 3