(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 202111375216.2 (22)申请日 2021.11.19 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 申请人 北京理工大 学东南信息技 术研究院 (72)发明人 朱柏康　黄河燕　杨晨　 (74)专利代理 机构 南京理工大 学专利中心 32203 代理人 马鲁晋 (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 基于文本特征和卷积神经网络的轴承寿命 预测方法及装置 (57)摘要 本申请提供基于文本特征和卷积神经网络 的轴承寿命预测方法及装置， 方法包括： 获取待 预测滚动轴承的时域振动数据； 对时域振动数据 进行降噪处理； 对降噪后的时域振动数据经过傅 里叶变化获取频域数据； 提取频域数据的频域特 征， 以及对频域数据进行编码获取文本特征； 将 频域特征， 以及文本特征输入预先训练好的神经 网络模型中， 预测待预测滚动轴承的预测寿命。 本申请提供的方法使用小波分解、 重构的方法进 行降噪， 避免了阈值挑选的问题； 本申请使用的 文本特征作为新的退化指标， 避免了传统退化指 标表征不全面的缺点； 并将注 意力机制应用到特 征通道中， 增强了卷积神经网络中的特征关联能 力。 权利要求书2页 说明书8页 附图4页 CN 114186358 A 2022.03.15 CN 114186358 A 1.基于文本特 征和卷积神经网络的轴承寿命预测方法， 其特 征在于， 所述方法包括： 获取待预测滚动轴承的时域振动数据； 对所述时域振动数据进行降噪处 理； 对降噪后的时域振动数据经 过傅里叶变化获取 频域数据； 提取所述频域数据的频域特 征， 以及对所述频域数据进行编码获取文本特 征； 将所述频域特征， 以及所述文本特征输入预先训练好的神经网络模型中， 预测所述待 预测滚动轴承的预测寿命。 2.根据权利要求1所述的方法， 其特 征在于， 获取滚动轴承的时域振动数据， 包括： 分别采集待预测滚动轴 承的水平方向振动幅度以及垂直方向振动幅度； 所述 时域振动 数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。 3.根据权利要求1所述的方法， 其特 征在于， 对所述时域振动数据进行降噪处 理， 包括： 利用小波分解对所述时域振动数据进行降噪处 理。 4.根据权利要求1所述的方法， 其特 征在于， 对所述时域振动数据进行降噪处 理， 包括： 利用稀疏自编码器对所述时域振动数据进行降噪处 理。 5.根据权利要求1所述的方法， 其特 征在于， 提取 所述频域数据的频域特 征， 包括： 提取所述频域数据的频域特 征， 并进行平 滑变换以及累计 变换； 其中， 所述频域特 征包括方差、 偏度、 峰度、 最 值以及裕度因子； 所述平滑变换利用S ‑G滤波函数； 其中累计 变换采用的公式为： X＝[x1， x2， ...， xi， ...， xN] 其中， X是输入数据的水平 特征以及垂直特征， Si是i时刻的累计值， Ci是i时刻的累计变 换值。 6.根据权利要求1所述的方法， 其特征在于， 对所述频域数据进行编码获取文本特征， 包括： 频域数据共N个样本， 每 个样本Di包含T个时间点， 每 个时间点 为长度L的振动幅度数据； 将所述振动幅度数据的值域划分成个j区间， 统计每个样本Di每个时间点包含的不同振 幅的个数， 将这j个区间视为j个不同的单词wj， 得到词频矩阵M； 通过以下 方法构建词频 特征； 对所述词频矩阵M进行奇异值分解， 利用最大的奇异值重构矩阵， 得到的低维特征矩阵 M*作为词频 特征； 通过以下 方法构建词频 ‑逆文本频率特 征： 所述词频矩阵M除以采样频率得到第一中间量M ’； 所述第一中间量M ’乘以归一化的逆文本频率， 得到第二中间量M ”， 对所述第二中间量 M”进行奇异值分解， 利用最大的奇异 值重构矩阵， 得到的低维特征矩阵M^作为词频 ‑逆文本 频率特征；权　利　要　求　书 1/2 页 2 CN 114186358 A 2其中， 词频 ‑逆文本频率包括词频系数及归一 化的逆文本频率； 其中， 词频‑逆文本频率＝ 词频系数*归一化的逆文本频率， 归一化的逆文本频率的分母|j： wj∈Di|为包含单词wj的样 本Di的数量。 7.根据权利要求1所述的方法， 其特征在于， 所述神经网络模型包含18个卷积层， 其中 每3层正向卷积层设置1个残差连接和注意力模块； 所述神经网络模型使用自适应矩估计优化器进行参数优化， 学习率 为0.001； 所述神经网络模型 卷积层之间使用批归一 化和ReLU激活函数； 所述神经网络最后一层为全连接层， 并利用sigmoid激活函数对神经网络的输出进行 归一化。 8.基于文本特 征和卷积神经网络的轴承寿命预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待预测滚动轴承的时域振动数据； 降噪模块， 用于对所述时域振动数据进行降噪处 理， 处理模块， 用于对降噪后的时域振动数据 经过傅里叶变化获取频域数据； 以及， 提取所 述频域数据的频域特 征， 以及对所述频域数据进行编码获取文本特 征； 预测模块， 用于将所述频域特征， 以及所述文本特征输入预先训练好的神经网络模型 中， 预测所述待预测滚动轴承的预测寿命。 9.根据权利要求1所述的装置， 其特 征在于， 所述获取模块具体用于： 分别采集待预测滚动轴 承的水平方向振动幅度以及垂直方向振动幅度； 所述 时域振动 数据包括所述水平方向振动幅度以及所述垂直方向振动幅度。 10.根据权利要求1所述的装置， 其特 征在于， 所述降噪模块具体用于： 利用小波分解对所述时域振动数据进行降噪处 理。权　利　要　求　书 2/2 页 3 CN 114186358 A 3