【技术实现步骤摘要】
一种基于PHM的滚动轴承健康状态预测方法
[0001]本专利技术属于故障预测与健康管理
,尤其涉及一种基于PHM的滚动轴承健康状态预测方法。
技术介绍
[0002]PHM技术对装备进行健康状态预测,能够改进现有大型装备的维修和管理体制,还能够负责设备安全可靠地运行。在装备的健康状态预测中,从原始传感器的监测数据中提取特征,并进行合理的转换,建立装备健康指标,并通过构建相关的模型进行预测,得出健康指标值,根据健康指标值即可判断装备的健康状态变化趋势,或其处于装备全寿命的某个阶段,从而进行合理的设备管理和维修,准确地预测是PHM健康管理的基础和前提。
[0003]健康特征的选取是描述装备健康状态的关键之一,通常提取的特征都是高维的,这使得数据分析时的计算量巨大,计算效率降低,因此为提高计算效率需要使用降维的方法进行数据处理;但由于许多航空和高铁装备的特征都是非线性的,PCA和线性判别法等线性降维方法的数据处理效果也并不好;另一方面,预测模型的选取不合理时,同样会导致预测精度的降低;航空与高铁装备中的滚动轴承是常见且必须的,因此,一种能够准确对滚动轴承进行健康状态变化趋势预测的方法是亟需的。
技术实现思路
[0004]针对现有技术中的上述不足,本专利技术提供的一种基于PHM的滚动轴承健康状态预测方法,基于深度堆叠去噪自编码器累积和时滞最小二乘支持向量机,通过预测滚动轴承健康指标,实现评估其健康状态,本专利技术解决了航空高铁装备中滚动轴承健康状态预测时,非线性特征难获取以及健康预测模型选取不合理 ...
【技术保护点】
【技术特征摘要】
1.一种基于PHM的滚动轴承健康状态预测方法,其特征在于,包括如下步骤:S1、获取滚动轴承全寿命的振动信号,并提取振动信号的小波包时频特征;S2、归一化小波包时频特征,并构建振动信号在不同频域上的能量分布图;S3、根据能量分布图,利用深度堆叠去噪自编码器累积得到振动累积序列值;S4、归一化振动累积序列值,得到深度堆叠去噪声自编码器累积健康指标;S5、构建时间滞后窗口重建序列,并利用时滞最小二乘支持向量机模型对深度堆叠去噪声自编码器累积健康指标进行连续预测。2.根据权利要求1所述的基于PHM的滚动轴承健康状态预测方法,其特征在于,所述步骤S2中归一化小波包时频特征的计算表达式如下:其中,y表示归一化后的能量特征值,y
max
表示归一化后的能量特征值的最大值,y
min
表示归一化后的能量特征值的最小值,x表示小波包变换后的能量特征值,x
min
表示小波包变换后的能量特征值中的最小值,x
max
表示小波包变换后的能量特征值中的最大值。3.根据权利要求1所述的基于PHM的滚动轴承健康状态预测方法,其特征在于,所述步骤S3中的深度堆叠去噪声编码器包含若干个依次堆叠的单层自编码器,其中,各单层自编码器的编码映射和解码映射的计算表达式如下:其中,φ(
·
)表示编码映射,c表示编码的输出,σ1表示编码的激活函数,W1表示编码的权重,x
′
表示编码的输入,b1表示编码的偏置,表示解码映射,y
′
表示解码的输出,W2表示解码的权重,b2表示解码的偏置。4.根据权利要求3所述的基于PHM的滚动轴承健康状态预测方法,其特征在于,各所述单层自编码器的损失函数L(x
′
,y
′
)如下:L(x
′
,y
′
)=x
′‑
y
′2其中,表示编码的输入和解码的输出作差之后各分量的平方和的开根号结果。5.根据权利要求1所述的基于PHM的滚动轴承健康状态预测方法,其特征在于,所述步骤S5包括如下步骤:S51、构建时间滞后窗口重建序列,其中,窗口大小为m;S52、基于时间滞后窗口重建序列分别得到时间滞后矩阵U和预测向量V:
其中,u
i
表示第i个深度堆叠去噪声自编码器累积健康指标,v
i
表示第i个深度堆叠去噪声自编...
【专利技术属性】
技术研发人员:许萌,张桂英,孙雨璐,孙龙龙,范利花,封锦琦,
申请(专利权)人:北京长城航空测控技术研究所有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。