一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法技术

本发明专利技术涉及一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，包括以下步骤：S1：通过滚动轴承的振动信号，获取退化特征指标作为训练样本；S2：利用退化特征指标，基于鲸鱼算法优化多核组合相关向量机模型，得到WOA‑MKRVM模型；S3：将训练样本输入WOA‑MKRVM模型进行模型训练，得到预测模型；S4：采集滚动轴承振动信号，利用预测模型进行滚动轴承的退化趋势预测。与现有技术相比，本发明专利技术能够避免单一核函数RVM的局限，也避免核参数对RVM预测精度的影响，具有提高模型的预测精度和鲁棒性、预测结果与真实值差异小、应用效果较好等优点。

【技术实现步骤摘要】
一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法
本专利技术涉及滚动轴承退化趋势预测
，尤其是涉及一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法。
技术介绍
滚动轴承在旋转机械中广泛应用，是机械设备的关键部件之一，其性能的退化直接影响设备的运行安全。由于滚动轴承经常在高速重载的恶劣环境下工作，磨损，疲劳点蚀等故障时有发生，一旦轴承出现故障，势必会对设备的安全运行造成严重威胁，轻则引起设备停机的生产事故，重则导致机毁人亡的重大灾难，如果能够尽早预测出滚动轴承性能退化的趋势，在轴承失效前对其进行维修或者更换，对保障设备的安全运行具有重大意义。采用有效的预测方法及建立合适的预测模型是滚动轴承性能退化趋势预测需要解决的关键问题，由于各滚动轴承的有效寿命差异极大，传统的定期维修策略不仅费时费力，而且可靠性不高，无法满足工程的实际需求。预防性维修策略可以对滚动轴承的健康状况进行准确评估，并对其退化趋势进行有效预测，保证在最小的维修成本下实现最大化的生产效率，因此越来越受到人们的关注。对滚动轴承的性能退化趋势进行有效预测可为维修决策提供关键依据，是预防性维修的基础和前提。退化趋势预测的两个关键技术环节就是退化特征指标提取和性能退化趋势预测：(1)退化特征指标提取是从轴承的振动信号中提取出包含故障信息的特征指标，对轴承的健康状况进行评估。常用的特征指标有RMS、峰值、峭度、波形指标以及小波包能量指标等。这些特征指标往往对故障的某个阶段较为敏感，例如RMS只在故障严重阶段才会呈现出明显的变化趋势，而峭度和波形指标在故障初期波动较大，随着故障的发展会逐渐趋于平缓。这些特征只能片面地反映故障的局部信息，无法对轴承的健康状况进行全面描述。(2)性能退化趋势预测是采用已知数据序列训练预测模型，对其参数进行迭代更新，使其能够包含指标的趋势信息，然后对退化趋势进行预测。相关向量机(RelevanceVectorMachine，RVM)在处理小样本和非线性问题方面具有泛化能力好、预测精度高和鲁棒性强，且其核函数的选择无需考虑Mercer条件的优点，在趋势预测领域得到一定的应用，但是目前预测模型训练时初始参数由人为设定，无法满足工程应用需求，且造成核参数选择盲目等问题，对预测精度造成一定的影响。RVM是运用核映射实现高维特征空间中的非线性变换，核函数是实现核映射的关键，也是决定RVM预测精度的重要因素之一。线性核、RBF核及多项式核是在机械故障诊断与预测中常用的核函数，基于线性核的RVM预测模型参数少，计算复杂度低，但主要适用于线性可分的情形。RBF核具有相对较宽的收敛域，在高维数、小样本情况下表现较好，且RBF核为局部性强的核函数，具有良好的学习能力，但其学习能力一般随核宽度的增大而减小。多项式核属于全局核函数，具有较强的泛化能力但学习能力相对较弱。又因核函数是影响RVM预测效果的主要影响因素之一，但是目前的研究中，通常人为选择单一核函数，这增加了预测精度对参数的依赖。由于每个核函数对不同的数据预测敏感度也不相同，因此选用单一的核函数所建立的预测模型，精度较低且鲁棒性也较弱。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度和鲁棒性、预测结果与真实值差异小提高预测精度、降低预测误差的基于鲸鱼算法优化的滚动轴承退化趋势预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，包括以下步骤：S1：通过滚动轴承的振动信号，获取退化特征指标作为训练样本；S2：利用退化特征指标，基于鲸鱼算法优化多核组合相关向量机模型，得到WOA-MKRVM模型；S3：将训练样本输入WOA-MKRVM模型进行模型训练，得到预测模型；S4：采集滚动轴承振动信号，利用预测模型进行滚动轴承的退化趋势预测。进一步地，所述的步骤S2具体包括：S21：设置鲸鱼算法的参数值，并初始化多核组合相关向量机模型的参数值；S22：获取各鲸鱼个体作为鲸鱼种群的初始位置；S23：通过迭代，更新鲸鱼种群位置，优化多核组合相关向量机模型的参数，得到WOA-MKRVM模型。更进一步地，所述的步骤S23具体包括：S231：计算鲸鱼群体中每个鲸鱼个体的适应度值，并根据适应度值寻找当前鲸鱼个体最佳位置S232：更新鲸鱼种群中鲸鱼个体的空间位置；S233：判断迭代次数是否达到设置的最大迭代次数，若是，则执行步骤S233，否则迭代次数数值加一，并返回执行步骤S231；S234：输出为当前鲸鱼个体最佳位置作为最优鲸鱼种群个体适应度值所处空间位置X*，该值对应的坐标即为优化后多核组合相关向量机模型的参数。所述的步骤S231中，计算鲸鱼群体中每个鲸鱼个体的适应度值的计算式为：其中，l为训练样本个数，yi为实际值，为预测值。更更进一步地，所述的更新鲸鱼种群中鲸鱼个体的空间位置具体包括：S2321：获取随机数p和系数向量A的值；S2322：判断随机数p是否小于0.5，若是，则执行步骤S2323，否则执行步骤S2326S2323：判断系数向量A的绝对值是否小于1，若是，则执行步骤S2324，否则执行步骤S2325；S2324：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：Xt+1＝Dpeblcos(2πl)+Xt*Dp＝|Xt*-Xt|S2325：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：Xt+1＝Xrand-A×DD＝|C×X*t-Xt|C＝2rA＝2a×r-aS2326：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：Xt+1＝Dpeblcos(2πl)+Xt*Dp＝|Xt*-Xt|其中，Xt+1为更新的鲸鱼个体位置，为当前鲸鱼个体最佳位置，Xt为当前鲸群个体空间位置，A和C为系数向量，a为常数，r为取值范围为[0,1]的随机向量，t为当前迭代次数，p为[0,1]上的随机数，l为[-1,1]之间的随机数，b为对数螺旋形状常数，Dp为鲸鱼个体当前最佳位置到猎物之间的距离，Xrand当前鲸群中鲸鱼个体随机位置；S2327：更新常数a、系数向量A、系数向量C、随机数l和随机数p，并返回执行步骤S2321。优选地，所述的多核组合相关向量机模型的核函数为等价核K，其表达式为：K＝ν1KL+ν2KRBF+ν3KPOLY0≤νi≤1，i＝1,2,3其中，KL为线性核，KRBF为基函数核，KPOLY为多项式核，ν1为线性核的权值系数，ν2为基函数核的权值系数，ν3为多项式核的权值系数。进一步优选地，所述的多核组合相关向量机模型的参数包括等价核K中各核函数的权值系数νi,(i＝1,2,3)及等价核K的超参数α和核宽度σ。优选地，所述的鲸鱼本文档来自技高网...

【技术保护点】
1.一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，包括以下步骤：/nS1：通过滚动轴承的振动信号，获取退化特征指标作为训练样本；/nS2：利用退化特征指标，基于鲸鱼算法优化多核组合相关向量机模型，得到WOA-MKRVM模型；/nS3：将训练样本输入WOA-MKRVM模型进行模型训练，得到预测模型；/nS4：采集滚动轴承振动信号，利用预测模型进行滚动轴承的退化趋势预测。/n

【技术特征摘要】
1.一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，包括以下步骤：
S1：通过滚动轴承的振动信号，获取退化特征指标作为训练样本；
S2：利用退化特征指标，基于鲸鱼算法优化多核组合相关向量机模型，得到WOA-MKRVM模型；
S3：将训练样本输入WOA-MKRVM模型进行模型训练，得到预测模型；
S4：采集滚动轴承振动信号，利用预测模型进行滚动轴承的退化趋势预测。


2.根据权利要求1所述的一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，所述的步骤S2具体包括：
S21：设置鲸鱼算法的参数值，并初始化多核组合相关向量机模型的参数值；
S22：获取各鲸鱼个体作为鲸鱼种群的初始位置；
S23：通过迭代，更新鲸鱼种群位置，优化多核组合相关向量机模型的参数，得到WOA-MKRVM模型。


3.根据权利要求2所述的一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，所述的步骤S23具体包括：
S231：计算鲸鱼群体中每个鲸鱼个体的适应度值，并根据适应度值寻找当前鲸鱼个体最佳位置
S232：更新鲸鱼种群中鲸鱼个体的空间位置；
S233：判断迭代次数是否达到设置的最大迭代次数，若是，则执行步骤S233，否则迭代次数数值加一，并返回执行步骤S231；
S234：输出为当前鲸鱼个体最佳位置作为最优鲸鱼种群个体适应度值所处空间位置X*，该值对应的坐标即为优化后多核组合相关向量机模型的参数。


4.根据权利要求3所述的一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，所述的步骤S231中，计算鲸鱼群体中每个鲸鱼个体的适应度值的计算式为：



其中，l为训练样本个数，yi为实际值，为预测值。


5.根据权利要求3所述的一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法，其特征在于，所述的更新鲸鱼种群中鲸鱼个体的空间位置具体包括：
S2321：获取随机数p和系数向量A的值；
S2322：判断随机数p是否小于0.5，若是，则执行步骤S2323，否则执行步骤S2326
S2323：判断系数向量A的绝对值是否小于1，若是，则执行步骤S2324，否则执行步骤S2325；
S2324：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：
Xt+1＝Dpeblcos(2πl)+Xt*
Dp＝|Xt*-Xt|
S2325：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：
Xt+1＝Xrand-A×D
D＝|C×X*t-Xt|
C＝2r
A＝2a×r-a



S2326：计算得到更新后的鲸鱼个体位置，并执行步骤S2327，其计算式为：
Xt+1＝Dpeblcos(2πl)+Xt*
Dp＝|Xt*-Xt|
其中，Xt+1为更新的鲸鱼个体位置，为当前鲸鱼个体最...

【专利技术属性】
技术研发人员：廖爱华，范强飞，丁亚琦，周炯，余佑民，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31