CN111220387B - 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 - Google Patents
基于多特征量相关向量机的车辆轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111220387B CN111220387B CN202010017661.0A CN202010017661A CN111220387B CN 111220387 B CN111220387 B CN 111220387B CN 202010017661 A CN202010017661 A CN 202010017661A CN 111220387 B CN111220387 B CN 111220387B
- Authority
- CN
- China
- Prior art keywords
- vector machine
- bearing
- characteristic
- value
- correlation vector
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法。该方法包括:采样车辆轴承的全寿命周期的振动信号,利用振动信号提取轴承的多角度的特征值;对多角度特征值与均方根值进行相关性计算,得到与轴承寿命相关的敏感特征值;根据信息熵特征值计算不同嵌入维数下的信息熵均值,根据信息熵均值选择相关向量机的最佳嵌入位数;基于相关向量机的最佳嵌入维数和多角度的特征值构建多特征量相关向量机预测模型,将敏感特征值输入到多特征量相关向量机预测模型,通过回归迭代运算输出车辆轴承的剩余寿命。本发明提出了基于多特征量相关向量机的轴承剩余寿命预测模型,对城轨车辆轴承进行寿命预测,保证了列车行车的安全性和稳定性。
Description
技术领域
本发明涉及技术领域,尤其涉及一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法。
背景技术
如今的机械设备向着***化、精密化、高度自动化发展,给设备整体的可靠性带来了巨大考验。为了保证设备在高水平下的运行时间、降低维护成本,对于设备关键部件的性能退化和预测问题尤为重要。轴承作为易损伤的列车走行部关键旋转部件之一,是决定机械运行状态和使用寿命的关键要素,对于城轨列车来说,针对轴承进行高精度的退化性能监测和剩余寿命预测,可以保障设备的平稳运行,制定合理的维保计划,避免停运产生经济损失。
现有技术中的一种轴承剩余寿命预测方法为利用机器学习的方法,探究轴承退化过程与特征向量的隐形关系模型。基于机器学习的预测方法能够根据不同故障类型训练轴承失效模型,对其他同类型故障类型轴承进行准确的预测。
目前,基于数据驱动的轴承剩余寿命预测方法大致分为两类,分别为概率式预测方法和基于机器学***均寿命以及剩余寿命的累积分布函数,但是预测精度较小;基于机器学***均预测寿命。
发明内容
本发明的实施例提供了一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法,以实现有效地对车辆轴承进行寿命预测。
为了实现上述目的,本发明采取了如下技术方案。
一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法,包括:
采样车辆轴承的全寿命周期的振动信号,利用所述振动信号提取轴承的多角度的特征值;
对所述多角度特征值与均方根值进行相关性计算,得到与轴承寿命相关的敏感特征值;根据信息熵特征值计算不同嵌入维数下的信息熵均值,根据所述信息熵均值选择相关向量机的最佳嵌入位数;
基于所述相关向量机的最佳嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,将所述敏感特征值输入到所述多特征量相关向量机预测模型,所述多特征量相关向量机预测模型通过回归迭代运算输出所述车辆轴承的剩余寿命。
优选地,所述的采样车辆轴承的全寿命周期的振动信号,利用所述振动信号提取轴承的多角度的特征值,包括:
按照采样周期等间隔地采样轴承的振动信号,利用所述振动信号提取轴承的多角度的特征值,每一段振动信号提取得到的特征值对应一个样本点,所述多角度的特征值包括时域特征、频域特征、能量及信息熵。
优选地,所述时域特征包括均方根、方差、峭度、峰值、峰值指标、脉冲指标、裕度指标和偏度,所述频域特征包括:重心频率、频率方差、均方频率和频率标准差。
优选地,所述的对所述多角度特征值与均方根值进行相关性计算,得到与轴承寿命相关的敏感特征值,包括:
对轴承的特征值进行滑移平均,对经过滑移平均的特征值进行归一化处理,得到各个相对特征值,所述相对特征值的数值在[0,1]区间内,设置轴承的相对均方根值这一特征值为轴承退化过程中的关键指标,将归一化后的各相对特征值与相对均方根值进行相关性分析,对相关系数大于0.93的相对特征值设为与轴承寿命相关的敏感特征值。
优选地,所述的根据信息熵特征值计算不同嵌入维数下的信息熵均值,根据所述信息熵均值选择相关向量机的最佳嵌入位数,包括:
对采样的轴承的振动信号通过离散傅里叶变换计算出信息熵,每个采样点计算出一个信息熵SEj(j=1,2,…,N,N为采样点总数),轴承采样点j处的信息熵SEj的计算公式为:
N为傅里叶变换后功率谱的总数,p(xi)表示第i个功率谱在整个谱中占的百分比;
优选地,所述的基于所述相关向量机的最佳嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,将所述敏感特征值输入到所述多特征量相关向量机预测模型,所述多特征量相关向量机预测模型通过回归迭代运算输出所述车辆轴承的剩余寿命,包括:
根据Takens定理对敏感特征值的数据序列进行相空间重构,构建训练数据,基于所述相关向量机的嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,利用所述训练数据对所述多特征量相关向量机预测模型进行训练,利用训练好的多特征量相关向量机预测模型采用时间序列多步迭代预测车辆轴承的剩余寿命;
根据嵌入理论,任何的时间序列均能被看成为一个由非线性机制确定的非线性输入输出***,即序列的未来值与其之前连续的嵌入位数m个值之间存在某种函数关系,针对一个长度为N的单变量特征值时间序列{x1,x2,L,xN},即:
xi+m+1=f(xi+1,xi+2,L,xi+m),i∈[0,N-m-1]
式中,m表示嵌入维数,f(·)表示一种非线性函数,RVM预测模型其原理就是根据设备历史状态的数据序列寻找映射f:Rm→R,并以此来逼近前后数据之间隐含的非线性机制;
而多特征量轴承剩余寿命预测模型是指同时建立在多个特征量的基础上的回归模型,它与单变量模型的区别在于增加了与剩余寿命有关的多个敏感特征量,结合嵌入理论,多特征量xi k(1≤i≤N,1≤k≤M)的历史值会与当前值存在某种映射关系,即:
其中,k表示第几种特征向量,i表示某一特征向量的第几个特征值;
对于轴承剩余寿命预测问题来说,模型的输入为多个与剩余寿命有关的敏感特征量,输出为轴承的剩余寿命z(i)作为预测模型的输出结果,那么根据以上映射关系输出变量与多特征量的函数关系重新写成如下形式:
其中,k表示第几种与轴承寿命相关的敏感特征向量,i表示某一敏感特征向量的第几个特征值;
相关向量机训练模型的输入矩阵,就是根据上述的映射关系将在多个观测点处,所对应的m维多个敏感特征量历史值进行重构,对于一组真实的车辆轴承共有n条训练数据,根据技术要求确定与剩余寿命有关的M个敏感特征值,通过信息熵均值计算结果选择的最优m嵌入维,对n-m个观测点的多特征量时间序列进行相空间重构,得到模型训练样本的一个(m+1)*M*(n-m)输入矩阵Xtrain为:
而该技术要求的相关向量机训练模型的输出结果为,对应在每个观测点m+i处的剩余寿命,即为(n-m)*1的列向量,用z(m+i)表示观测点m+i时刻的剩余寿命作为输出,故障萌生点对应退化的起始时刻记为T0,最终数据时刻对应滚动轴承的最终失效时刻,记为用Tf,那么当前m+i时刻T的轴承的剩余寿命表示为:
z(m+i)=Tf-T,T∈[T0,Tf]
则输出矩阵Ytrain表示为
在训练模型建立后,输入到相关向量机程序中,设定相关参数,可自动计算车辆轴承多个敏感特征值与剩余寿命之间的隐式非线性函数。当相关向量机训练完成后,按照输入训练模型同样的步骤,将测试样本的数据进行特征值计算和空间重构后放入模型中,预测样本的输入矩阵Xtest表示为:
多特征量相关向量机模型所计算出来的结果,即为对轴承寿命预测的结果。与实际寿命进行对比,可以看出模型的预测精确性,训练样本越多,剩余寿命预测更精确。
由上述本发明的实施例提供的技术方案可以看出,本发明在单变量相关向量机的基础之上提出了基于多特征量相关向量机的轴承剩余寿命预测模型,对城轨车辆轴承进行寿命预测,保证了列车行车的安全性和稳定性,同时为制定合理的维保策略提供了依据。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明实施例提供的一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法的实现原理图;
图2为本发明实施例提供的一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法的处理流程图;
图3为本发明实施例提供的一种Bearing1-2滑动平均和归一化后的特征值:
图4为本发明实施例提供的一种Bearing1-2各嵌入维度下信息熵均值的大小:
图5为本发明实施例提供的一种车辆轴承的剩余寿命预测结果示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明中将轴承剩余寿命预测的问题看作是采用相关向量及进行回归计算逼近轴承的退化过程。相关向量机是建立在支持向量机上的一种分类与回归方法,针对故障轴承剩余寿命的时间序列多步迭代预测的关键一点在于确定嵌入维数,Cao理论、奇异值分解、伪近邻法等都是确定最优嵌入维数的方法,但是对于退化性失效的故障轴承在特征值上有明显的衰退形式,不适合使用上述混沌时间序列重构确定最优嵌入维的方法。本发明的方法计算不同嵌入维下信息熵,信息熵的均值表示的振动信号混乱度,信息熵的均值越大越混乱,信息熵均值尽可能小能清晰表征故障轴承的状态,选择合适的嵌入维数,在能保证预测精度的同时减少运算量。
本发明以试验台下记录的全寿命周期滚动轴承垂向振动加速度数据为分析对象,主要研究基于多特征量的相关向量机轴承寿命预测。首先通过多角度提取轴承的时域、频域特征值,将均方根值作为反映轴承退化过程的首要特征值,对其他特征值进行数据的相对平滑处理去除噪声,选择与之相关系数大的特征作为敏感特征值。然后根据信息熵的均值确定合适的相关向量机嵌入维数,最后将作为训练样本的轴承数据多特征量,输入到相关向量机程序中,对应的剩余寿命为输出矩阵,用于测试同种故障类型的轴承数据。
实施例一
本发明实施例提供的一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法的实现原理示意图如图1所示,具体处理流程如图2所示,包括如下的处理步骤:
步骤S21、采样车辆轴承的全寿命周期的振动信号,利用所述振动信号提取轴承的多角度的特征值。
利用全寿命周期的轴承振动信号进行剩余寿命预测技术的验证,首先需要对轴承的振动信号进行特征提取,按照采样周期等间隔地采样轴承的振动信号,利用所述振动信号提取轴承的多角度的特征值,每一段振动信号提取得到的特征值对应一个样本点。
上述多角度的特征值包括时域特征、频域特征、信息熵和能量距。
每个特征值的意义和计算公式如下表所示。
表1不同特征值反映的机械状态特征
表2特征值计算公式
注:N为计算的点数;Pi为i时刻的功率谱幅值;fk为i时刻对应的频率。
步骤S22、对多角度的特征值进行数据处理,得到敏感特征值。
轴承的特征值大小由各种因素影响,即使是在相同工况下,表征退化变量的特征值大小也因轴承个体而产生差异,因此需要对提取的特征值进行数据处理,使处理后的特征值大小能够表述轴承的同一状态。
本发明实施例将均方根值作为轴承退化失效的重要评估指标,与其他指标一同做相关性分析,确定与轴承寿命相关的敏感特征。对轴承的特征值进行滑移平均,对经过滑移平均的特征值进行归一化处理,得到各个相对特征值,所述相对特征值的数值在[0,1]区间内,设置轴承的相对均方根值这一特征值为轴承退化过程中的关键指标,将归一化后的各相对特征值与相对均方根值进行相关性分析,对相关系数大于0.93的相对特征值设为与轴承寿命相关的敏感特征值。
表3为本发明实施例提供的一种轴承特征值的相关性分析结果示意表。
表3
(一)数据处理
1、滑移平均
为更好地体现轴承的退化趋势,去除因噪声引起的信号波动,对特征值进行滑移平均。滑移平均是以一定长度的窗,在特征值数据上不断移动,每次移动窗内的数据平均值可作为处理后数据保留下来。共有N个特征值数据{s1,s2,…,SN},选择长度为7的移动窗进行数据处理,计算公式如下:
sj′表示经过滑移平均后的特征值数据。
2、归一化
对经过滑移平均的特征值进行归一化处理,可确定统一的失效阈值,计算公式如下:
s′jmax是指每一个经过滑动平均处理后特征值序列中最大的一个特征值数据,zi为归一化后的特征值,就构成了每个轴承的特征值序列矩阵。经过归一化后的数值均在[0,1]区间内,设定轴承的失效阈值为0.98,
步骤S23、根据敏感特征值计算出轴承的信息熵均值,根据信息熵均值选择相关向量机的最佳嵌入维数。
信息熵也称功率谱熵,对采样的轴承的振动信号通过离散傅里叶变换后可计算其功率谱,p(xi)表示第i个功率谱在整个谱中占的百分比,每个采样点可以计算一个信息熵,所以轴承寿命有多长,就有多少个信息熵特征值。
信息熵表示数据的混乱程度,随着轴承故障程度的加深,信息熵的数值不断减小。通过计算不同维度的信息熵均值大小,可以体现不同维度下数据的混乱程度,只有信息熵均值较小时所对应的嵌入维,能够更清晰地表征数据之间的非线性映射关系。信息熵均值的计算公式如下:
随着嵌入维m增大,的值刚开始迅速减小,随后缓慢趋于一定值附近,因此选取最优嵌入维时不仅要保证选取较小信息熵均值的同时,尽量减少多特征量相关向量机模型的运算量。因此,本发明实施例综合考虑信息熵均值的大小和多特征量相关向量机预测模型的运算复杂度确定相关向量机的最佳嵌入维数m。
步骤S24、构建多特征量相关向量机预测模型,将敏感特征值输入到所述多特征量相关向量机预测模型,多特征量相关向量机预测模型通过回归迭代运算输出所述车辆轴承的剩余寿命。
基于所述相关向量机的嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型。针对轴承剩余寿命的预测问题可归结为时间序列多步预测问题,本质上是相关向量回归问题(Relevance Vector Regression,RVR),而回归问题就是寻找描述退化过程最精准的数学模型。
t=y(x)+ε
式中,y(·)表示非线性函数,ε为服从独立同分布方差为σ2的高斯白噪声,即ε~N(0,σ2)。利用训练数据集通过回归运算,在给定数据集上,即可以求得逼近函数y。
基于RVM的轴承寿命预测方法,可以看作是时间序列多步迭代预测,用这种方法建立的单变量预测模型框架包括3个主要步骤:相空间重构、RVM建模和迭代预测。第一步是根据Takens定理对数据序列进行相空间重构,构建训练数据xi,第二步是训练RVM,建立RVM预测模型,最后利用RVM预测模型对轴承寿命进行迭代预测。
根据嵌入理论,任何的时间序列均能被看成为一个由非线性机制确定的非线性输入输出***,即序列的未来值与其之前连续的嵌入位数m个值之间存在某种函数关系,针对一个长度为N的单变量特征值时间序列{x1,x2,L,xN},即:
xi+m+1=f(xi+1,xi+2,L,xi+m),i∈[0,N-m-1]
式中,m表示嵌入维数,f(·)表示一种非线性函数,RVM预测模型其原理就是根据设备历史状态的数据序列寻找映射f:Rm→R,并以此来逼近前后数据之间隐含的非线性机制;
其中,k表示第几种特征向量,i表示某一特征向量的第几个特征值;
对于轴承剩余寿命预测问题来说,模型的输入为多个与剩余寿命有关的敏感特征量,输出为轴承的剩余寿命z(i)作为预测模型的输出结果,那么根据以上映射关系输出变量与多特征量的函数关系重新写成如下形式:
其中,k表示第几种与轴承寿命相关的敏感特征向量,i表示某一敏感特征向量的第几个特征值。
相关向量机训练模型的输入矩阵,就是根据上述的映射关系将在多个观测点处,所对应的m维多个敏感特征量历史值进行重构,对于一组真实的车辆轴承共有n条训练数据,根据技术要求确定与剩余寿命有关的M个敏感特征值,通过信息熵均值计算结果选择的最优m嵌入维,对n-m个观测点的多特征量时间序列进行相空间重构,得到模型训练样本的一个(m+1)*M*(n-m)输入矩阵Xtrain为:
而该技术要求的相关向量机训练模型的输出结果为,对应在每个观测点m+i处的剩余寿命,即为(n-m)*1的列向量,用z(m+i)表示观测点m+i时刻的剩余寿命作为输出,故障萌生点对应退化的起始时刻记为T0,最终数据时刻对应滚动轴承的最终失效时刻,记为用Tf,那么当前m+i时刻T的轴承的剩余寿命表示为:
z(m+i)=Tf-T,T∈[T0,Tf]
则输出矩阵Ytrain表示为
在训练模型建立后,输入到相关向量机程序中,设定相关参数,可自动计算车辆轴承多个敏感特征值与剩余寿命之间的隐式非线性函数。当相关向量机训练完成后,按照输入训练模型同样的步骤,将测试样本的数据进行特征值计算和空间重构后放入模型中,预测样本的输入矩阵Xtest表示为:
多特征量相关向量机模型所计算出来的结果,即为对轴承寿命预测的结果。与实际寿命进行对比,可以看出模型的预测精确性,训练样本越多,剩余寿命预测更精确。
实施例二
该实施例提出的一种基于多特征量相关向量机的剩余寿命预测方法的处理步骤包括:
步骤1、特征提取与数据处理
利用轴承试验台采集全寿命周期轴承数据,其中Bearing1-2、Bearing1-3、Bearing2-2均为外圈故障轴承,将Bearing1-2、Bearing1-3视为训练数据,Bearing2-2用于测试,提取三个轴承的16个特征值,其中某些特征值并不能体现随时间变化轴承的退化过程,因此选取合适的特征值进行滑动平均和归一化处理。图3为本发明实施例提供的一种轴承Bearing1-2滑动平均和归一化后的特征值。
步骤2、敏感特征选择
选定均方根值作为描述退化过程的关键评估指标,与其他的特征量通过相似性分析,取相似性系数大于0.93的特征值作为敏感特征输入相关向量机模型中,特征值的相关性分析结果如表3所示,最终选定的敏感特征值包括绝对均值、峰值、方差、方根幅值。
步骤3、确定最优嵌入维
图4为本发明实施例提供的一种轴承Bearing1-2各嵌入维度下信息熵均值的大小,通过Bearing1-2的信息熵计算各维度下信息熵均值的大小,如图4所示,为保证选取的多步向前预测步长能够清晰地反映预测中的非线性映射关系,同时降低预测时的计算量,选择最优嵌入维数m=5。
步骤4、剩余寿命预测
设定相关向量机的核函数为高斯核函数,设定程序参数b=0.08,s=0。以归一化后的均方根值超过0.11认为出现早期故障,Bearing1-2和Bearing2-2出现初始故障的时间分别是第44分钟和第48分钟,因此有113条Bearing1-2的试验数据和111条Bearing2-2的实验数据,n=224。输入以Bearing1-2和Bearing2-2数据构成的训练矩阵为:
Bearing1-3从第80分钟开始出现早期故障,共有73条测试数据,N=73,因此组成Bearing1-3数据构成的测试矩阵为:
对比实际剩余寿命,测试结果整体趋势符合退化趋势,在预测后期更加贴近实际剩余寿命值。图5为本发明实施例提供的一种车辆轴承的剩余寿命预测结果示意图。
综上所述,本发明在单变量相关向量机的基础之上提出了基于多特征量相关向量机的轴承剩余寿命预测模型,对城轨车辆轴承进行寿命预测,保证了列车行车的安全性和稳定性,同时为制定合理的维保策略提供了依据。本发明的方法能够给出较为精确的车辆轴承的寿命的预测结果,且预测结果中包含有可信度较高的97%的置信区间,为维修决策提供了更可靠的依据。
本发明的方法针对同种故障类型的轴承,将训练数据中放入多个敏感特征建立了模型,在预测精度上得到了提高。通过多角度特征提取备选与剩余有关的特征量。使用滑动平均和归一化的方法使得特征值得大小表征轴承状态相同,并减少了信号中的噪声,显现了退化趋势。使用相关向量机的机器学习模型,输出结果不仅包括预测的剩余寿命均值,还计算了预测结果的3σ置信区间。使用多特征量的训练输入矩阵,减小了预测结果的方差,提高了预测精度。
本发明采用了相关向量回归的方法,选取了与轴承退化过程相关的有效特征协变量,通过同种失效形式的全寿命周期轴承振动信号数据,根据同一种故障类型的训练样本建立轴承衰退模型,用于预测其他同种故障类型的轴承剩余寿命。区别于其他方法,本发明的基于多特征量相关向量机的轴承寿命预测技术采用了多维训练样本,避免了单一的退化评估指标不能全面地表征轴承退化趋势的问题。多特征量相关向量机预测模型,是通过相关性筛选,选择与剩余寿命相关的多个有效特征值构造多变量预测模型。预测模型的输入对应多个敏感特征量,而模型的输出结果即为剩余寿命。采用多特征量相关向量机轴承寿命预测方法能有效的缩小剩余寿命预测结果的方差,提高预测精确度。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于多特征量相关向量机的车辆轴承剩余寿命预测方法,其特征在于,包括:
采样车辆轴承的全寿命周期的振动信号,利用所述振动信号提取轴承的多角度的特征值;
对所述多角度特征值与均方根值进行相关性计算,得到与轴承寿命相关的敏感特征值;根据信息熵特征值计算不同嵌入维数下的信息熵均值,根据所述信息熵均值选择相关向量机的最佳嵌入维数;
基于所述相关向量机的最佳嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,将所述敏感特征值输入到所述多特征量相关向量机预测模型,所述多特征量相关向量机预测模型通过回归迭代运算输出所述车辆轴承的剩余寿命;
所述的采样车辆轴承的全寿命周期的振动信号,利用所述振动信号提取轴承的多角度的特征值,包括:
按照采样周期等间隔地采样轴承的全寿命周期轴承数据,利用所述振动信号提取轴承的多角度的特征值,每一段振动信号提取得到的特征值对应一个样本点,所述多角度的特征值包括时域特征、频域特征、能量距及信息熵;
所述时域特征包括均方根、方差、峭度、峰值、峰值指标、脉冲指标、裕度指标和偏度,所述频域特征包括:重心频率、频率方差、均方频率和频率标准差;
所述的根据信息熵特征值计算不同嵌入维数下的信息熵均值,根据所述信息熵均值选择相关向量机的最佳嵌入维数,包括:
对采样的轴承的振动信号通过离散傅里叶变换计算出信息熵,每个采样点计算出一个信息熵SEj,j=1,2,…,N,N为采样点总数,轴承采样点j处的信息熵SEj的计算公式为:
N为傅里叶变换后功率谱的总数,p(xi)表示第i个功率谱在整个谱中占的百分比;
所述的基于所述相关向量机的最佳嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,将所述敏感特征值输入到所述多特征量相关向量机预测模型,所述多特征量相关向量机预测模型通过回归迭代运算输出所述车辆轴承的剩余寿命,包括:
根据Takens定理对敏感特征值的数据序列进行相空间重构,构建训练数据,基于所述相关向量机的嵌入维数和所述多角度的特征值构建多特征量相关向量机预测模型,利用所述训练数据对所述多特征量相关向量机预测模型进行训练,利用训练好的多特征量相关向量机预测模型采用时间序列多步迭代预测车辆轴承的剩余寿命;
根据嵌入理论,任何的时间序列均能被看成为一个由非线性机制确定的非线性输入输出***,即序列的未来值与其之前连续的嵌入位数m个值之间存在某种函数关系,针对一个长度为N的单变量特征值时间序列{x1,x2,…,xN},即:
xi+m+1=f(xi+1,xi+2,…,xi+m),i∈[0,N-m-1]
式中,m表示嵌入维数,f(·)表示一种非线性函数,相关向量机预测模型其原理就是根据设备历史状态的数据序列寻找映射f:Rm→R,并以此来逼近前后数据之间隐含的非线性机制;
而多特征量轴承剩余寿命预测模型是指同时建立在多个特征量的基础上的回归模型,它与单变量模型的区别在于增加了与剩余寿命有关的多个敏感特征量,结合嵌入理论,多特征量的历史值会与当前值存在某种映射关系,1≤i≤N,1≤k≤M,即:
其中,k表示第几种特征向量,i表示某一特征向量的第几个特征值;
对于轴承剩余寿命预测问题来说,模型的输入为多个与剩余寿命有关的敏感特征量,输出为轴承的剩余寿命z(i)作为预测模型的输出结果,那么根据以上映射关系输出变量与多特征量的函数关系重新写成如下形式:
其中,k表示第几种与轴承寿命相关的敏感特征向量,i表示某一敏感特征向量的第几个特征值;
相关向量机训练模型的输入矩阵,就是根据上述的映射关系将在多个观测点处,所对应的m维多个敏感特征量历史值进行重构,对于一组真实的车辆轴承共有n条训练数据,根据技术要求确定与剩余寿命有关的M个敏感特征值,通过信息熵均值计算结果选择的最优m嵌入维,对n-m个观测点的多特征量时间序列进行相空间重构,得到模型训练样本的一个(m+1)*M*(n-m)输入矩阵Xtrain为:
而该技术要求的相关向量机训练模型的输出结果为对应在每个观测点m+i处的剩余寿命,即为(n-m)*1的列向量,用z(m+i)表示观测点m+i时刻的剩余寿命作为输出,故障萌生点对应退化的起始时刻记为T0,最终数据时刻对应滚动轴承的最终失效时刻,记为Tf,那么当前m+i时刻T的轴承的剩余寿命表示为:
z(m+i)=Tf-T,T∈[T0,Tf]
则输出矩阵Ytrain表示为
在训练模型建立后,输入到相关向量机程序中,设定相关参数,自动计算车辆轴承多个敏感特征值与剩余寿命之间的隐式非线性函数,当相关向量机训练完成后,按照输入训练模型同样的步骤,将测试样本的数据进行特征值计算和空间重构后放入模型中,预测样本的输入矩阵Xtest表示为:
多特征量相关向量机模型所计算出来的结果,即为对轴承寿命预测的结果。
2.根据权利要求1所述的方法,其特征在于,所述的对所述多角度特征值与均方根值进行相关性计算,得到与轴承寿命相关的敏感特征值,包括:
对轴承的特征值进行滑移平均,对经过滑移平均的特征值进行归一化处理,得到各个相对特征值,所述相对特征值的数值在[0,1]区间内,设置轴承的相对均方根值这一特征值为轴承退化过程中的关键指标,将归一化后的各相对特征值与相对均方根值进行相关性分析,对相关系数大于0.93的相对特征值设为与轴承寿命相关的敏感特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017661.0A CN111220387B (zh) | 2020-01-08 | 2020-01-08 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017661.0A CN111220387B (zh) | 2020-01-08 | 2020-01-08 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111220387A CN111220387A (zh) | 2020-06-02 |
CN111220387B true CN111220387B (zh) | 2021-10-29 |
Family
ID=70826656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017661.0A Active CN111220387B (zh) | 2020-01-08 | 2020-01-08 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111220387B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112320599B (zh) * | 2020-10-23 | 2023-02-03 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及*** |
CN112580153B (zh) * | 2020-12-29 | 2022-10-11 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理***及方法 |
CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
CN113033881B (zh) * | 2021-03-08 | 2024-03-29 | 沈阳大学 | 一种滚动轴承剩余寿命预测方法 |
CN113111572B (zh) * | 2021-03-23 | 2023-04-07 | 合肥工业大学 | 航空发动机剩余寿命预测方法及*** |
CN113553759B (zh) * | 2021-06-17 | 2024-04-30 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
CN113673165B (zh) * | 2021-08-26 | 2023-07-25 | 中国核动力研究设计院 | 一种核级管道的可靠性评估方法及*** |
CN115524150B (zh) * | 2022-09-13 | 2024-04-05 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
CN116226646B (zh) * | 2023-05-05 | 2023-07-21 | 国家石油天然气管网集团有限公司 | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663410A (zh) * | 2012-02-27 | 2012-09-12 | 北京交通大学 | 一种乳腺图像微钙化点的检测方法和*** |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测***及方法 |
CN106203737A (zh) * | 2016-07-29 | 2016-12-07 | 华北电力大学(保定) | 一种风电场风速的多步预测方法及*** |
CN107192993A (zh) * | 2017-06-23 | 2017-09-22 | 西安电子科技大学 | 基于图像熵特征的调频连续波雷达飞机目标分类方法 |
CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
CN109583100A (zh) * | 2018-12-04 | 2019-04-05 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
-
2020
- 2020-01-08 CN CN202010017661.0A patent/CN111220387B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663410A (zh) * | 2012-02-27 | 2012-09-12 | 北京交通大学 | 一种乳腺图像微钙化点的检测方法和*** |
CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
CN103336877A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测***及方法 |
CN106203737A (zh) * | 2016-07-29 | 2016-12-07 | 华北电力大学(保定) | 一种风电场风速的多步预测方法及*** |
CN107192993A (zh) * | 2017-06-23 | 2017-09-22 | 西安电子科技大学 | 基于图像熵特征的调频连续波雷达飞机目标分类方法 |
CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
CN109583100A (zh) * | 2018-12-04 | 2019-04-05 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
Non-Patent Citations (2)
Title |
---|
基于DWT-LPP的行星变速箱故障信号特征增强方法;江鹏程等;《装甲兵工程学院学报》;20190430;第33卷(第2期);第75-80页 * |
基于多特征量的滚动轴承退化状态评估和剩余寿命预测方法研究;燕晨耀;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170215(第2期);第C029-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111220387A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111220387B (zh) | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
Wen et al. | Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity | |
CN110378052B (zh) | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 | |
CN109814527B (zh) | 基于lstm循环神经网络工业设备故障预测方法及装置 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN106227910B (zh) | 一种基于灰色***理论的加速退化试验可靠性评估方法 | |
CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
CN111783242B (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
CN111122162A (zh) | 基于欧氏距离多尺度模糊样本熵的工业***故障检测方法 | |
CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
CN116007940A (zh) | 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法 | |
CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及*** | |
Liu et al. | A novel health prognosis method for system based on improved degenerated Hidden Markov model | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
CN111475986B (zh) | 一种基于lstm-aon的齿轮剩余寿命的预测方法 | |
Wang et al. | Similarity-based echo state network for remaining useful life prediction | |
CN115628910B (zh) | 一种基于迁移学习的嵌入式轴承故障诊断装置及设备 | |
CN115292820A (zh) | 一种城轨列车轴承剩余使用寿命的预测方法 |
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 |