CN109359791B - 一种机械***退化趋势预测方法及*** - Google Patents
一种机械***退化趋势预测方法及*** Download PDFInfo
- Publication number
- CN109359791B CN109359791B CN201811601111.2A CN201811601111A CN109359791B CN 109359791 B CN109359791 B CN 109359791B CN 201811601111 A CN201811601111 A CN 201811601111A CN 109359791 B CN109359791 B CN 109359791B
- Authority
- CN
- China
- Prior art keywords
- time series
- mechanical system
- model
- signal
- denoised
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种机械***退化趋势预测方法及***。所述方法通过在相等时间间隔点采集一定长度的机械***的振动加速度时间序列信号,建立非线性时间序列模型和线性自回归时间序列模型,并采用非线性时间序列模型和线性自回归时间序列模型求得每个采样时刻的未归一化最小二乘积分误差值,利用归一化方法获得机械***退化指标序列,最后采用指数模型对退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型,采用所述归一化机械***状态退化指标指数模型实现机械***退化趋势预测,具有计算步骤简单、容易实现、结果准确的优点。此外,本发明提供的方法对于多种机械***退化过程状态评估与趋势预测均可适用。
Description
技术领域
本发明涉及机械***状态监测与寿命评估技术领域,特别是涉及一种机械***退化趋势预测方法及***。
背景技术
机械设备在运行的过程中,其健康状况的好坏直接威胁到人们的财产甚至生命安全。由于这些机械设备自身的工作性质,在长时间工作过程中,承受环境污染、材料腐蚀老化、超负荷运行以及一系列人为的或自然的灾害因素的耦合作用,机械***的退化是不可避免的,退化累积一定到程度就会造成抗力衰减,其寿命也不断的缩减,这样所带来的后果就是机械***对外界的自然灾害及正常负载的承受能力降低,可能引发一系列灾难性的事故。而且一旦机械***退化一定的程度,但是施工人员又没有及时的发现并做出相应的处理,这样的退化状态,轻则使得整个***的工作能力降低,重则整个机械***瘫痪,还会给工作人员带来不必要的人身安全隐患。
现阶段我国很多机械***退化状态识别与评估方法主要通过在线监测方法,可更好地在安全性和经济性上达到一种平衡。目前应用的在线检测方法主要包括温度法、油样分析法、振动法和声发射技术等。温度监测方法对于载荷、速度和润滑情况的变化比较敏感,但是,此方法只有当故障达到一定的严重程度时才可以检测到,对于比较微小的退化状态变化温度检测基本上没有反应。油样分析法的缺点是润滑油中磨损颗粒很难提取,而且分析设备比较复杂,还需进一步小型化以实现在线监测。而声发射技术作为一门新兴的动态无损检测技术,通过采用声发射技术进行在线检测时,其检测效果容易受到多种噪声干扰的限制,较难实现有效实时检测。在众多机械***状态监测中,振动分析法具有诊断速度快、能实现在线监测等特点,已广泛地应用于旋转机械的状态监测与故障诊断之中;然而现有的振动法退化状态识别技术一般基于线性模型的假设,或者把非线性模型线性近似化,这种方法在某一些具有弱动力学行为的机械***上应用是可行的,但对具有强非线性动力学行为的机械***出现较大的误差。随着振动理论和现代信号检测及处理技术的快速发展,以及机械***朝着高速化、轻量化发展,机械***的动力学行为非线性程度变得更高,如何基于非线性动力学理论对机械***退化趋势进行准确预测已经成为本领域亟需解决的技术问题。
发明内容
本发明的目的是提供一种机械***退化趋势预测方法及***,以基于非线性动力学理论对机械***退化趋势进行准确预测。
为实现上述目的,本发明提供了如下方案:
一种机械***退化趋势预测方法,所述方法包括:
在相等时间间隔点采集机械***的多组振动加速度时间序列信号;
利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号;
根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型;
根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差;
对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列;
采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型;
根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
可选的,所述利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号,具体包括:
将某一时刻采集的所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
可选的,所述根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型,具体包括:
获取输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
根据所述去噪后的输出时间序列信号y(t)、所述去噪后的输入时间序列信号u(t)、所述输出时间序列回归量的个数na、所述输入时间序列回归量的个数nb以及所述非线性函数f辨识获得非线性时间序列模型yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1));其中yn(t)表示非线性时间序列模型的输出信号。
可选的,所述根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立线性自回归时间序列模型,具体包括:
根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t);其中yl(t)表示线性自回归时间序列模型的输出信号;a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数;e(t)表示误差函数。
可选的,所述根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差,具体包括:
根据所述非线性时间序列模型和所述线性自回归时间序列模型确定tk时刻非线性时间序列模型和线性自回归时间序列模型沿采样时间长度的未归一化最小二乘积分误差其中δi表示未归一化最小二乘积分误差,tmin表示在tk时刻采样时振动加速度信号时间采样点个数,Δt表示振动加速度信号采样时间间隔;yn(tk)表示tk时刻所述非线性时间序列模型的输出信号;yl(tk)表示tk时刻所述线性自回归时间序列模型的输出信号。
可选的,所述对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列,具体包括:
对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列i=1,2,…,l;其中表示归一化后最小二乘积分误差,δi表示未归一化最小二乘积分误差,δmax表示未归一化最小二乘积分误差中的最大值,δmin表示未归一化最小二乘积分误差中的最小值,l表示未归一化最小二乘积分误差的个数;
可选的,所述采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型,具体包括:
采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型f(t)=aebt+cedt;其中t表示振动加速度信号采样时间点,f(t)表示在t时刻对应的归一化机械***状态退化指标,a,b,c,d为常数系数。
一种机械***退化趋势预测***,所述***包括:
振动加速度时间序列信号采集模块,用于在相等间隔时间点采集机械***的多组振动加速度时间序列信号;
输入输出时间序列信号构造模块,用于利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号;
时间序列模型建立模块,用于根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型;
未归一化最小二乘积分误差确定模块,用于根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差;
归一化处理模块,用于对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列;
拟合模块,用于采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型;
退化趋势预测模块,用于根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
可选的,所述输入输出时间序列信号构造模块具体包括:
去噪单元,用于将某一时刻采集的多组所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
输入输出时间序列信号构造单元,用于利用所述去噪后的振动加速度时间序列信号构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
可选的,所述时间序列模型建立模块具体包括:
回归量个数获取单元,用于获取输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
非线性函数确定单元,用于通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
非线性时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)、所述去噪后的输入时间序列信号u(t)、所述输出时间序列回归量的个数na、所述输入时间序列回归量的个数nb以及所述非线性函数f辨识获得非线性时间序列模型yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1));其中yn(t)表示非线性时间序列模型的输出信号;
线性自回归时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型
yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t);其中yl(t)表示线性自回归时间序列模型的输出信号;a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数;e(t)表示误差函数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种机械***退化趋势预测方法及***,所述方法基于非线性时间序列分析和指数模型拟合对机械***退化趋势进行预测,通过采集相等时间间隔点机械***的振动加速度时间序列信号,建立非线性时间序列模型和线性自回归时间序列模型,并采用非线性时间序列模型和线性自回归时间序列模型近似的方法求得每个采样时刻的未归一化最小二乘积分误差值,利用归一化方法获得机械***退化指标序列,最后采用指数模型对退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型,采用所述归一化机械***状态退化指标指数模型实现机械***退化趋势预测,具有计算步骤简单、容易实现、结果准确的优点。此外,本发明提供的方法对于多种机械***退化过程状态评估与趋势预测均可适用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的机械***退化趋势预测方法的方法流程图;
图2为本发明机械***退化趋势预测方法具体实施例的计算流程图;
图3为本发明实施例采集的多组振动加速度时间序列信号的排列熵计算图;
图4为本发明实施例的机械退化过程指标时间序列图;
图5为本发明实施例的退化指标时间序列与排列熵计算结果对比图;
图6为本发明实施例的归一化机械***状态退化指标指数模型拟合图;
图7为本发明提供的机械***退化趋势预测***的***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种机械***退化趋势预测方法及***,以基于非线性动力学理论对机械***退化趋势进行准确预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的机械***退化趋势预测方法的方法流程图。参见图1,本发明提供的机械***退化趋势预测方法具体包括:
步骤101:在相等时间间隔点采集机械***的多组振动加速度时间序列信号。
在机械***稳定工作状态下,基于相等时间间隔设定时间点采样,采集一定时间长度的振动加速度信号,并对其滤波处理进行去噪,获得所述机械***的多组振动加速度时间序列信号。其中所述时间长度可进行适当调整,所述振动加速度信号的采样点可设定在需要重点关注的退化部件处或者信号可测位置。作为进一步的改进,也可采用接触式或者非接触式测振方式得到机械***退化工作状态的振动加速度时间序列信号。
步骤102:利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号。
步骤103:根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型。
所述步骤103中,采用非线性时间序列模型对每个时刻去噪后的时间序列信号进行辨识,同时再利用线性自回归时间序列模型对去噪后的时间序列信号进行逼近。其中采用非线性时间序列模型对每个时刻去噪后时间序列信号进行辨识时,可采用多种非线性时间序列模型或者如神经网络、支持向量机等多种智能模型。利用线性自回归时间序列模型对去噪后的时间序列信号进行逼近时,优化方法可选择最小二乘法或者其他速度更快、精度更高的优化算法。
其中,非线性时间序列模型辨识的步骤如下:
(1)将某一时刻采集的多组所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
(2)利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
(3)选择输出时间序列回归量的个数na和输入时间序列回归量的个数nb;并且通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
(4)基于输出时间序列y(t)和输入时间序列u(t)辨识获得非线性时间序列模型如下:
yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)) (1)
其中yn(t)表示非线性时间序列模型的输出信号;f表示非线性函数,y(t)表示去噪后的输出时间序列信号,u(t)表示去噪后的输入时间序列信号,na表示输出时间序列回归量的个数,nb表示输入时间序列回归量的个数。
建立线性自回归时间序列模型逼近的步骤如下:
1)对某一时刻采集的多组所述振动加速度时间序列信号采用小波方法进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
2)利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1;
3)选择输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
4)根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型结构如下:
yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t) (2)
其中yl(t)表示线性自回归时间序列模型的输出信号;y(t)表示去噪后的输出时间序列信号,u(t)表示去噪后的输入时间序列信号,na表示输出时间序列回归量的个数,nb表示输入时间序列回归量的个数,a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数,e(t)表示误差函数。
5)基于输出时间序列y(t)和输入时间序列u(t)辨识获得线性自回归时间序列模型的参数值a1,a2,…,ana,b1,b2,…,bnb。时间序列模型参数值a1,a2,…,ana,b1,b2,…,bnb可以采用矩估计、极大似然估计或者最小二乘估计得到,优选采用最小二乘估计。
步骤104:根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差。
所述步骤104根据所述非线性时间序列模型和所述线性自回归时间序列模型计算每个测量时刻获得的非线性时间序列模型和线性自回归时间序列模型沿采样时间长度的最小二乘积分误差。其中计算每个测量时刻获得的非线性时间序列模型和线性自回归时间序列模型沿采样时间长度的最小二乘积分误差时,可用其他更加适合的误差指标进行计算。
优选的,根据所述非线性时间序列模型和所述线性自回归时间序列模型确定tk时刻非线性时间序列模型和线性自回归时间序列模型沿采样时间长度的未归一化最小二乘积分误差的方法如下:
其中δi表示未归一化最小二乘积分误差,tmin表示在tk时刻采样时振动加速度信号时间采样点个数,Δt表示振动加速度信号采样时间间隔;yn(tk)表示tk时刻所述非线性时间序列模型的输出信号;yl(tk)表示tk时刻所述线性自回归时间序列模型的输出信号。
步骤105:对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列。
所述步骤105将每个时刻获得的未归一化最小二乘积分误差组成一个新时间序列,并进行归一化获得[0,1]区间内的归一化机械***退化指标序列。其中,将每个时刻获得的误差组成一个新时间序列,并进行归一化获得[0,1]区间内的归一化机械***退化指标序列,其中区间的上下限可根据实际情况进行变化。
优选的,所述对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列的方法为:
其中表示归一化后最小二乘积分误差,δi表示未归一化最小二乘积分误差,δmax表示未归一化最小二乘积分误差中的最大值,δmin表示未归一化最小二乘积分误差中的最小值,l表示未归一化最小二乘积分误差的个数;
步骤106:采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型。
所述步骤106采用指数模型对所述机械***退化指标序列进行拟合,实现机械***退化趋势预测。在所述步骤106中,采用指数模型对机械***退化指标序列进行拟合,实现机械***退化趋势预测时,指数模型的系数辨识可采用置信域方法,同时指数型模型可换成非线性时间序列模型,或者分段线性模型。
优选的,在得到所述机械***退化指标序列以后,采用指数模型对所述机械***退化指标序列进行拟合,指数模型的函数表达式如公式(5)所示,拟合过程确定拟合函数表达式中常数系数a,b,c,d的值,从而获得归一化机械***状态退化指标指数模型。实现机械***退化趋势预测时,所述归一化机械***状态退化指标指数模型的表达式为:
f(t)=aebt+cedt (5)
其中t表示振动加速度信号采样时间点,f(t)表示在t时刻对应的归一化机械***状态退化指标,a,b,c,d为常数系数。
步骤107:根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
序列表示的是机械***在某个时刻的退化指标值,经过拟合以后发现该指标值的变化趋势是按照拟合得到的公式(5)进行变化的,所以实际上可以在得到公式(5)以后,利用所述归一化机械***状态退化指标指数模型公式(5)在某一时刻的取值来估计机械***在此时的退化程度,实现机械***退化趋势预测。
本发明基于在相同时间间隔下的时刻点在机械***工作状态退化过程中采集的振动加速度时间序列信号,通过对振动响应信号采用非线性时间序列模型进行辨识和线性自回归时间序列模型进行逼近,再计算两种模型之间响应的最小二乘积分误差得到归一化的机械***退化指标值,最后采用指数型模型对指标值进行拟合,能够对机械***退化趋势进行较好预测,具有计算步骤简单、容易实现、预测速度快、预测结果准确等优点,此外,对于多种机械***退化过程状态评估与趋势预测均可适用。
下面通过一个具体的实施例说明本发明方法的优点。图2为本发明机械***退化趋势预测方法具体实施例的计算流程图。参见图2,本发明机械***退化趋势预测方法一个具体实施过程如下:
1.机械***振动加速度时间序列信号采集与处理
为能够实现本方法对机械***退化状态趋势预测及说明本方法的可行性,以滚动轴承全寿命周期实验为基础,每隔2分钟采集一组振动加速度时间序列信号,每组时间序列信号的长度为4096,共采集463组时间序列信号,图3为本发明实施例采集的多组振动加速度时间序列信号的排列熵计算图。图3中横坐标为时间采样点,纵坐标为振动加速度时间序列排列熵计算值。将上述机械***振动加速度时间序列信号采集以后形成mat文件,在Matlab里面采用小波方法进行去噪处理。
2.非线性时间序列模型辨识
(1)对采集的振动加速度时间序列信号v1,v2,…,v4096采用小波方法进行去噪处理;
(2)构造时间序列信号v2,v3,…,v4096为去噪后的输出时间序列信号y(t),时间序列信号v1,v2,…,v4095为去噪后的输入时间序列u(t);
(3)选择输出时间序列回归量的个数na=3,输入时间序列回归量的个数nb=2;采用树分解算法确定非线性函数f的结构;
(4)基于输出时间序列y(t)和输入时间序列u(t)采用Matlab自带函数isnlarx辨识获得非线性时间序列模型如下:
3、线性自回归时间序列模型逼近
1)对采集的振动加速度时间序列信号v1,v2,…,v4096采用小波方法进行去噪处理;
2)构造时间序列信号v2,v3,…,v4096为去噪后的输出时间序列信号y(t),时间序列信号v1,v2,…,v4095为去噪后的输入时间序列信号u(t);
3)选择输出时间序列回归量的个数na=3,输入时间序列回归量的个数nb=2;
4)建立线性自回归时间序列模型结构如下:
5)基于输出时间序列y(t)和输入时间序列u(t),采用最小二乘法辨识,或者建立状态方程由矩阵分解算法获得线性自回归时间序列模型参数值a1,a2,a3,b1,b2。
4、不同时刻点未归一化最小二乘积分误差计算
将不同时刻点振动加速度时间序列信号辨识得到的非线性时间序列模型(6)与线性自回归时间序列模型(7)的响应误差进行计算,并在时间序列长度内进行积分求得不同时刻点的未归一化最小二乘积分误差值。
t4096表示在tk时刻采样时振动加速度信号时间采样点个数,Δt表示振动加速度信号采样时间间隔1/20000。
5、获得归一化机械***退化指标值
假定获得共计463个不同时刻点的最小二乘积分误差值δ1,δ2,…,δ463,且令其最大值为δmax,最小值为δmin,采用如下方法进行归一化:
图5为本发明实施例的退化指标时间序列与排列熵计算结果对比图。图5中横坐标为时间采样点,纵坐标为归一化值。
6、对退化指标时间序列采用指数型模型进行拟合
f(t)=aebt+cedt (10)
其中t表示振动加速度信号采样时间点,f(t)表示在t时刻对应的归一化机械***状态退化指标,a,b,c,d表示常数系数。在本实施例中,a=0.03163,b=-0.0002212,c=4.041e-08,d=0.007324。
图6为本发明实施例的归一化机械***状态退化指标指数模型拟合图。图6中横坐标为时间采样点,单位为个,纵坐标为机械***状态退化指标。图6中的“.”表示退化指标数据,曲线为拟合曲线。
7、利用所述归一化机械***状态退化指标指数模型公式(10)在某一时刻的取值来估计机械***在此时的退化程度,实现机械***退化趋势预测。
根据本发明提供的方法,本发明还提供一种机械***退化趋势预测***。图7为本发明提供的机械***退化趋势预测***的***结构图。参见图7,所述***包括:
振动加速度时间序列信号采集模块701,用于在相等时间间隔点采集机械***的多组振动加速度时间序列信号;
输入输出时间序列信号构造模块702,用于利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号;
时间序列模型建立模块703,用于根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型;
未归一化最小二乘积分误差确定模块704,用于根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差;
归一化处理模块705,用于对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列;
拟合模块706,用于采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型;
退化趋势预测模块707,用于根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
其中,所述输入输出时间序列信号构造模块702具体包括:
去噪单元,用于将某一时刻采集的多组所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
输入输出时间序列信号构造单元,用于利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
所述时间序列模型建立模块703具体包括:
回归量个数获取单元,用于获取输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
非线性函数确定单元,用于通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
非线性时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)、所述去噪后的输入时间序列信号u(t)、所述输出时间序列回归量的个数na、所述输入时间序列回归量的个数nb以及所述非线性函数f辨识获得非线性时间序列模型yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1));其中yn(t)表示非线性时间序列模型的输出信号;
线性自回归时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型
yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t);其中yl(t)表示线性自回归时间序列模型的输出信号;a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数;e(t)表示误差函数。
所述未归一化最小二乘积分误差确定模块704具体包括:
未归一化最小二乘积分误差确定单元,用于根据所述非线性时间序列模型和所述线性自回归时间序列模型确定tk时刻非线性时间序列模型和线性自回归时间序列模型沿采样时间长度的未归一化最小二乘积分误差其中δi表示未归一化最小二乘积分误差,tmin表示在tk时刻采样时振动加速度信号时间采样点个数,Δt表示振动加速度信号采样时间间隔;yn(tk)表示tk时刻所述非线性时间序列模型的输出信号;yl(tk)表示tk时刻所述线性自回归时间序列模型的输出信号。
所述归一化处理模块705具体包括:
归一化处理单元,用于对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列i=1,2,…,l;其中表示归一化后最小二乘积分误差,δi表示未归一化最小二乘积分误差,δmax表示未归一化最小二乘积分误差中的最大值,δmin表示未归一化最小二乘积分误差中的最小值,l表示未归一化最小二乘积分误差的个数;
所述拟合模块706具体包括:
拟合单元,用于采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型f(t)=aebt+cedt;其中t表示振动加速度信号采样时间点,f(t)表示在t时刻对应的归一化机械***状态退化指标,a,b,c,d为常数系数。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种机械***退化趋势预测方法,其特征在于,所述方法包括:
在相等时间间隔点采集机械***的多组振动加速度时间序列信号;
利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号;
根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型;
根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差;
对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列;
采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型;
根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
2.根据权利要求1所述的机械***退化趋势预测方法,其特征在于,所述利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号,具体包括:
将某一时刻采集的所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
3.根据权利要求2所述的机械***退化趋势预测方法,其特征在于,所述根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型,具体包括:
获取输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
根据所述去噪后的输出时间序列信号y(t)、所述去噪后的输入时间序列信号u(t)、所述输出时间序列回归量的个数na、所述输入时间序列回归量的个数nb以及所述非线性函数f辨识获得非线性时间序列模型yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1));其中yn(t)表示非线性时间序列模型的输出信号。
4.根据权利要求3所述的机械***退化趋势预测方法,其特征在于,所述根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立线性自回归时间序列模型,具体包括:
根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t);其中yl(t)表示线性自回归时间序列模型的输出信号;a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数;e(t)表示误差函数。
7.根据权利要求6所述的机械***退化趋势预测方法,其特征在于,所述采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型,具体包括:
采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型f(t)=aebt+cedt;其中t表示振动加速度信号采样时间点,f(t)表示在t时刻对应的归一化机械***状态退化指标,a,b,c,d为常数系数。
8.一种机械***退化趋势预测***,其特征在于,所述***包括:
振动加速度时间序列信号采集模块,用于在相等时间间隔点采集机械***的多组振动加速度时间序列信号;
输入输出时间序列信号构造模块,用于利用每一组所述振动加速度时间序列信号构造去噪后的输出时间序列信号和去噪后的输入时间序列信号;
时间序列模型建立模块,用于根据所述去噪后的输出时间序列信号和所述去噪后的输入时间序列信号建立非线性时间序列模型和线性自回归时间序列模型;
未归一化最小二乘积分误差确定模块,用于根据所述非线性时间序列模型和所述线性自回归时间序列模型确定每个采样时刻的未归一化最小二乘积分误差;
归一化处理模块,用于对所述未归一化最小二乘积分误差进行归一化处理,获得机械***退化指标序列;
拟合模块,用于采用指数模型对所述机械***退化指标序列进行拟合,获得归一化机械***状态退化指标指数模型;
退化趋势预测模块,用于根据所述归一化机械***状态退化指标指数模型预测所述机械***的退化程度。
9.根据权利要求8所述的机械***退化趋势预测***,其特征在于,所述输入输出时间序列信号构造模块具体包括:
去噪单元,用于将某一时刻采集的所述振动加速度时间序列信号进行去噪处理,获得去噪后的振动加速度时间序列信号v1,v2,…,vT;其中T为时间序列长度;
输入输出时间序列信号构造单元,用于利用所述去噪后的振动加速度时间序列信号v1,v2,…,vT构造去噪后的输出时间序列信号y(t)=v2,v3,…,vT和去噪后的输入时间序列信号u(t)=v1,v2,…,vT-1。
10.根据权利要求9所述的机械***退化趋势预测***,其特征在于,所述时间序列模型建立模块具体包括:
回归量个数获取单元,用于获取输出时间序列回归量的个数na和输入时间序列回归量的个数nb;
非线性函数确定单元,用于通过小波网络、神经网络或者树分解算法确定非线性函数f的结构;
非线性时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)、所述去噪后的输入时间序列信号u(t)、所述输出时间序列回归量的个数na、所述输入时间序列回归量的个数nb以及所述非线性函数f辨识获得非线性时间序列模型yn(t)=f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1));其中yn(t)表示非线性时间序列模型的输出信号;
线性自回归时间序列模型建立单元,用于根据所述去噪后的输出时间序列信号y(t)和所述去噪后的输入时间序列信号u(t)建立线性自回归时间序列模型yl(t)=[-a1,-a2,…,-ana,b1,b2,…bnb]*[y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1)]T+e(t);其中yl(t)表示线性自回归时间序列模型的输出信号;a1,a2,…,ana,b1,b2,…,bnb表示时间常数系数;e(t)表示误差函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601111.2A CN109359791B (zh) | 2018-12-26 | 2018-12-26 | 一种机械***退化趋势预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601111.2A CN109359791B (zh) | 2018-12-26 | 2018-12-26 | 一种机械***退化趋势预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359791A CN109359791A (zh) | 2019-02-19 |
CN109359791B true CN109359791B (zh) | 2020-06-05 |
Family
ID=65329419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601111.2A Active CN109359791B (zh) | 2018-12-26 | 2018-12-26 | 一种机械***退化趋势预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359791B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291918B (zh) * | 2020-01-06 | 2023-04-18 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
CN113947248B (zh) * | 2021-10-21 | 2024-05-31 | 广东电网有限责任公司广州供电局 | 一种电缆受潮老化跳闸的风险预测方法和相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
CN106706303A (zh) * | 2017-03-02 | 2017-05-24 | 湖南科技大学 | 一种转子‑轴承***支承松动状态评估方法 |
CN106980761A (zh) * | 2017-03-29 | 2017-07-25 | 电子科技大学 | 一种滚动轴承运行状态退化趋势预测方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EA027344B1 (ru) * | 2012-01-30 | 2017-07-31 | С.П.М. Инструмент Аб | Устройство и способ для анализа состояния машины, имеющей вращающуюся часть |
CN108573193B (zh) * | 2017-03-10 | 2021-07-02 | 燕山大学 | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和*** |
CN107729706B (zh) * | 2017-11-29 | 2020-02-21 | 湖南科技大学 | 一种非线性机械***的动力学模型构建方法 |
-
2018
- 2018-12-26 CN CN201811601111.2A patent/CN109359791B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
CN106706303A (zh) * | 2017-03-02 | 2017-05-24 | 湖南科技大学 | 一种转子‑轴承***支承松动状态评估方法 |
CN106980761A (zh) * | 2017-03-29 | 2017-07-25 | 电子科技大学 | 一种滚动轴承运行状态退化趋势预测方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359791A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104280526B (zh) | 水质自动在线监测设备测量误差的分析和估计方法 | |
CN111046564A (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN109359791B (zh) | 一种机械***退化趋势预测方法及*** | |
CN103310113B (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
CN107782551B (zh) | 一种机械部件损伤程度的评估方法 | |
CN112683535B (zh) | 基于多阶段维纳过程的轴承寿命预测方法 | |
CN117407700A (zh) | 一种带电作业过程中作业环境的监测方法 | |
CN104750926B (zh) | 基于节点曲率和小波分析的变截面梁损伤识别方法 | |
CN105259398B (zh) | 一种基于总方差的光纤电流互感器随机误差特性分析方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN111611654B (zh) | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 | |
CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
CN109408998B (zh) | 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法 | |
CN115423263A (zh) | 一种基于Prophet-LSTM的边坡风险预警及滑动体积预测方法 | |
CN111695176A (zh) | 大跨径斜拉桥拉索状况评定方法及装置 | |
CN110657807B (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN111950757A (zh) | 旋转机械关键零部件退化状态趋势预测方法 | |
CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
CN115292776A (zh) | 一种基于索力监测数据的斜拉桥车致索力实时在线提取方法 | |
CN112228042B (zh) | 一种基于云边协同计算的抽油机井工况相似性判别方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与*** | |
CN112487361A (zh) | 一种基于arima和小波变换的扇区短时交通流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |