基于CNN和LSTM 的风机轴承剩余寿命预测方法研究

张 涛 任 伟 魏 刚 李锦虎 严新明 王咸武 唐 彬

（1.华电福新柳州新能源有限公司 2.华电广西能源有限公司）

0 引言

提高能源利用效率和减少环境污染是全球范围内的重要课题。在这种背景下，风力发电因其绿色、清洁、可再生等特点成为国内外广泛关注的可再生能源之一，也成为我国可再生能源发展的重要方向。截至2021年，国家能源局发布的数据显示，我国风电机组累计装机容量已经达到328.5GW，并且该数字仍在继续增长［1-3］。这一发展趋势也体现了我国积极推进绿色低碳能源发展的决心和努力。

滚动轴承是风电机组中的关键运动部件之一，其承受着来自复杂载荷等多种因素的影响。轴承故障会给风电机组的正常运行带来重大影响，因此对机组轴承剩余寿命进行预估至关重要。及早采取干预措施可以避免故障的发生，提高机组的安全性和经济性，从而降低机组维修和更换成本。通过对轴承运行状态的监测和诊断，可以准确评估其剩余寿命，及时采取维修或更换措施，保障机组的可靠性和稳定性，同时降低维护成本，提高运营效率［4-6］。

对于风电机组轴承的剩余寿命评估，目前有两种主要方法：基于物理模型和基于海量数据的方法。基于物理模型的方法需要构建精准的轴承性能退化模型，这需要大量的物理实验和理论计算，难度较大。而基于海量数据的方法则是数据驱动的，通过挖掘监测数据中的轴承性能退化特征信息，建立准确的退化模型，预测轴承的剩余寿命。与基于物理模型的方法相比，数据驱动的方法不需要建立复杂的物理模型，应用广泛，且可以适应不同轴承的运行工况和环境。同时，随着机器学习和人工智能的不断发展，基于海量数据的方法在轴承剩余寿命评估中也越来越受到重视［7-9］。

预测风电机组轴承的剩余寿命是重要的挑战，需要解决两个核心问题，即找到表征轴承退化性能的特征向量和建立特征向量与剩余寿命时间之间的映射关系。基于海量数据的数据驱动方法可以很好地解决这些问题，因为它可以挖掘监测数据中的轴承性能特征信息，构建准确的剩余寿命预测模型。深度学习技术是数据驱动方法中的一种有效方法，因为它具有自适应特征提取和非线性函数表征的能力。本文采用了卷积神经网络（CNN）和长短周期神经网络（LSTM）技术来解决风电机组轴承剩余寿命预测问题，通过对实际运行数据进行分析和建模，验证了该方法的有效性和准确性。这种基于海量数据和深度学习的预测方法具有广泛的应用前景，可以提高风电机组的可靠性和经济性［10-12］。

1 预测方法

1.1 卷积神经网络

风机轴承的退化状态具有非平稳和非线性特性，因此传统的时域表征和频域表征难以很好地描述轴承的退化状态。为了解决这个问题，可以使用深度学习方法中的卷积神经网络（CNN）来提取局部特征并构建单调、完备的特征矢量。CNN主要由输入层、卷积层、池化层、全连接层和输出层组成。在卷积层中，卷积核对每一个通道的特征矩阵进行卷积运算，从而提取数据的特征信息。同时，非线性激活函数可以增强模型表达信息的性能。因此，使用CNN可以更好地刻画风机轴承的退化状态，预测轴承的剩余寿命。卷积层的计算公式如下：

1.2 长短时记忆神经网络

风机轴承的退化是一种长期逐步累积、不断发展的劣化过程，其状态细微改变的信息隐含在实时监控数据以及历史时刻的监控数据之中。

长短周期神经网络（LSTM）是一种具有记忆功能的特殊循环神经网络 （RNN）。相比于传统的RNN，LSTM能够缓解梯度消失和梯度爆炸问题，从而更好地处理长期依赖关系。LSTM网络的隐藏层采用长时存储模块，由3个控制阈值和1个细胞结构构成。在模型训练的过程中，LSTM网络通过前向计算得到神经节点的输出，计算总误差，并通过反向传播算法得到每个节点的误差。通过基于时间的反向传播算法训练，LSTM能够对时序数据进行特征提取，反映出在时间域内的轴承退化过程。LSTM具有较好的预测性能，能够预测出目前时刻以后的时间序列。因此，LSTM可以作为一种有效的数据驱动方法，用于风机轴承剩余寿命预测中的特征提取和建模。

2 预测流程

基于CNN-LSTM方法的风电机组轴承寿命预测主要分为4步，预测流程图如图1所示。

（1）数据获取，采集所需的轴承全寿命振动数据，为后续所搭建的剩余寿命预测模型提供数据基础；

（2）退化特征识别，由于风机轴承处于正常阶段的数据不会出现退化，所以正常阶段的数据无需进行剩余寿命预测，目的是判断轴承是否进入退化过程，以便于适时启动RUL预测机制；

（3）剩余寿命预测，将轴承振动信号输入到CNN模型中，进行振动信号的降维与特征提取，获得轴承振动信号的空间特征；

（4）采取LSTM模型，通过挖掘得到了轴承的时域特性。再采取全连接层实现特征到剩余寿命标签的映射。

3 算例

本文采取的数据集是来自于2012年IEEE2012 PHM资料挑战赛中的滚动轴承加速退化数据集。在展开验证的历程中，通过对轴承施加额外载荷或者增加转速，达到加速失效的目的，数据集均在电机转速为1800r／min，负载4000N的工况下运行。每10s记录1次数据，每次保存0.1s，采样频率为25.6kHz，即每次采样振动数据为2560点。

实验轴承0.1s采集时间段内的某一样本时域振动信号如图2所示。

图2 时域振动信号

将频域预处理所得归一化的频域幅值信号作为输入，利用CNN进行深层特征提取，再结合LSTM对时间信息序列具有良好学习能力的优点，进行特征与标签间的映射，构建趋势性量化健康指标，进而预测轴承RUL。

为进一步说明，对实验轴承整个寿命周期内的时域振动信号作图3分析。

图3 时域波形信号

由图3可知时域振动信号幅值随运行时间的推移而增长，其整体退化趋势表现为缓慢渐变的特点。

以实验轴承当前数据进行验证，获取的退化特征指标如图4所示。由图可知提出的趋势性退化特征量化指标能反映轴承运行过程中的退化趋势，其整体具有良好的单调趋势性，且对滚动轴承早期运行退化状态表现更为敏感。

图4 趋势性退化特征量化指标

已知数据集中实验轴承的当前寿命为18575s，预测的失效时刻为22474s。图5中清晰可见2条竖直虚线分别对应当前时刻和失效时刻，RUL预测值为3899s，而真实剩余寿命为4475s，预测误差为12.9%，预测误差较较小，说明了该方法的有效性。

图5 剩余寿命预测

4 结束语

本文提出了一种基于CNN＋LSTM的风机轴承剩余寿命预测方法，利用CNN算法挖掘轴承全生命周期振动信号的深层特征，将特征信息输入到LSTM网络中，利用其全生命周期时序数据的前后关联信息具有自主学习的优点，构建了风机轴承退化特征量化指标，实现对风机轴承剩余寿命的预测。