技术特征：
1.一种滚动轴承剩余使用寿命预测方法，其特征在于，包括如下步骤：获取滚动轴承当前工作状态下的振动信号数据；将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常；当所述滚动轴承健康状态的类型为故障时，生成报修指令；当所述滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。2.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述健康状态分类模型如下：其中，为滚动轴承健康状态的标签，sign()为提取实数正负号的sign函数，κ为核函数，y
i
为标签，α
i
为拉格朗日乘子，p为支持向量的数量，x
i
为输入的特征样本。3.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述局部回归模型如下：其中，为滚动轴承剩余使用寿命，α
i
和为拉格朗日乘子，p为支持向量的数量，κ为核函数，x
i
为输入的特征样本。4.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述健康状态分类模型的训练方法如下：获取滚动轴承的历史振动信号数据；从所述滚动轴承的历史振动信号数据中提取与健康状态相关的特征；为所述健康状态相关的特征打上标签；其中，所述标签包括故障、正常；利用打上标签后的所述健康状态相关的特征，进行健康状态分类模型的参数训练，训练完成后，得到训练好的健康状态分类模型。5.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述局部回归模型的构建方法如下：获取滚动轴承的历史振动信号数据；从所述历史振动信号数据中获取滚动轴承运行到故障时的数据；对所述滚动轴承运行到故障时的数据进行聚类，得到l个聚类中心；依据所述l个聚类中心在滚动轴承寿命周期的时间节点，将所述滚动轴承的寿命周期划分为l个健康状态阶段；为每个所述健康状态阶段分别构建局部回归模型。6.根据权利要求5所述的滚动轴承剩余使用寿命预测方法，其特征在于，在为每个所述
健康状态阶段分别构建局部回归模型的步骤之后，还包括步骤：将l个所述局部回归模型置于联合学习框架之下进行横向联邦学习，得到训练好的l个所述局部回归模型。7.根据权利要求5所述的滚动轴承剩余使用寿命预测方法，其特征在于，采用模糊c-均值聚类的方法对所述滚动轴承运行到故障时的数据进行聚类，得到l个聚类中心。8.一种滚动轴承剩余使用寿命预测装置，其特征在于，包括：数据获取模块，用于获取滚动轴承当前工作状态下的振动信号数据；健康状态分类模块，用于将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常；报修指令生成模块，用于当所述滚动轴承健康状态的类型为故障时，生成报修指令；剩余使用寿命预测模块，用于当所述滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的滚动轴承剩余使用寿命预测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的滚动轴承剩余使用寿命预测方法。
技术总结
本发明公开了一种滚动轴承剩余使用寿命预测方法、装置、设备及介质，属于设备诊断技术领域，将振动信号数据的特征输入到预设的健康状态分类模型中，健康状态分类模型输出滚动轴承健康状态的类型；其中，健康状态的类型包括故障、正常；当滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别振动信号数据的特征，局部回归模型输出滚动轴承的剩余使用寿命；其中，滚动轴承的寿命周期被划分为L个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。本发明方法将滚动轴承的寿命周期被划分为L个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型分别针对每个健康状态预测剩余寿命，预测结果更为精确。预测结果更为精确。预测结果更为精确。
技术研发人员：张燧 王青天 刘旭亮 黄思皖 卢泽华 杨紫阳
受保护的技术使用者：中国华能集团清洁能源技术研究院有限公司
技术研发日：2022.11.21
技术公布日：2023/3/6