一种基于PHM的滚动轴承健康状态预测方法技术

本发明专利技术公开了一种基于PHM的滚动轴承健康状态预测方法，属于故障预测与健康管理技术领域，包括如下步骤：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；构建振动信号在不同频域上的能量分布图；利用深度堆叠去噪自编码器累积器得到振动累积序列值；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；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；本发明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的问题。型选取不合理的问题。型选取不合理的问题。

【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的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]本专利技术提供一种基于PHM的滚动轴承健康状态预测方法，包括如下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]进一步地，所述步骤S2中归一化小波包时频特征的计算表达式如下：
[0013][0014]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。
[0015]进一步地，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：
[0016][0017]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。
[0018]进一步地，各所述单层自编码器的损失函数L(x
′
,y
′
)如下：
[0019]L(x
′
,y
′
)＝x
′‑
y
′2[0020]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。
[0021]进一步地，所述步骤S5包括如下步骤：
[0022]S51、构建时间滞后窗口重建序列，其中，窗口大小为m；
[0023]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：
[0024][0025][0026]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码器累积健康指标的预测结果，其中，i为正整数；
[0027]S53、构建时滞最小二乘支持向量机模型；
[0028]S54、基于时滞最小二乘支持向量机模型构建拉格朗日乘数模型；
[0029]S55、基于卡罗需
‑
库恩
‑
塔克条件对拉格朗日乘数模型求偏导，并定义核函数k(u
k
,v
k
)，得到拉格朗日乘数系数矩阵；
[0030]S56、根据拉格朗日乘数系数矩阵得到时滞最小二乘支持向量机模型；
[0031]S57、基于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。
[0032]进一步地，所述步骤S53中的时滞最小二乘支持向量机模型的计算表达式如下：
[0033][0034][0035]其中，min(
·
)表示求最小值，J(w,e)表示时滞最小二乘支持向量机模型的损失函
数，w表示权值系数向量，k表示权向量，e
k
表示第k个误差变量e，w
T
表示权值系数向量的转置，γ表示可调节惩罚系数，N表示权向量的总数，v
k
表示第k个深度堆叠去噪声自编码器累积健康指标的预测结果，b表示偏置，表针对第k个深度堆叠去噪声自编码器累积健康指标的解码的输出，其中，k＝1,2，3，
…
，N。
[0036]进一步地，所述步骤S54中的拉格朗日乘数模型的计算表达式如下：
[0037][0038]其中，L(w,b,e,a)表示拉格朗日乘数结果，α
k
表示第k个拉格朗日乘数系数。
[0039]进一步地，所述步骤S55中的拉格朗日乘数模型求偏导结果和核函数k(u
k
,v
k
)的计算表达式分别如下：
[0040][0041][0042]其中，表示针对第k个深度堆叠去噪声自编码器累积健康指标的解码的输出的转置，表示针对k个深度堆叠去噪声自编码器累积健康指标的预测结果的解码的输出。
[0043]进一步地，所述步骤S56中的时滞最小二乘支持向量机模型的计算表达式如下：
[0044][0045]其中，f(u)表示深度堆叠去噪声自编码器累积健康指标的预测结果，u表示当前输入的深度堆叠去噪声自编码器累积健康指标，u
k
表示第k个深度堆叠去噪声自编码器累积健康指标。
[0046]本专利技术的有益效果为：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，通过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，实现对航空和高铁装备中的滚动轴承寿命预测，能够更准确地预测基于振动信号的高速牵本文档来自技高网...

【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：