一种相似性寿命曲线趋势预测方法技术

本发明专利技术提出了一种相似性寿命曲线趋势预测方法，提取历史寿命曲线的特征，对当前寿命曲线的发展趋势进行预测，通过数据降维和相似性分析，提高了预测准确度。本发明专利技术采用拉普拉斯映射法进行降维，将寿命曲线的数据集映射到二维空间来保证较好的可视化效果，提取特征的准确性高。本发明专利技术在实际工程中具有较强的适用性。其计算简单、可解释性强，不仅适用于基于机械设备终端硬件的寿命趋势预测，同时也可以拓展到其它机械设备，包括基于大型离线系统的机械设备。械设备。械设备。

【技术实现步骤摘要】
一种相似性寿命曲线趋势预测方法


[0001]本专利技术涉及机械装备的故障诊断
，具体涉及一种相似性寿命曲线趋势预测方法。

技术介绍

[0002]随着物联网技术及数字孪生的技术的发展，机械装备故障诊断的智能化终端产品在社会生产和生活中应用越来越广泛。其健康状态诊断能力的好坏不仅关系到企业的经济效益，更关系到小到机床设备，大到核电站等大型设备的安全。因此，对机械设备的未来发展趋势进行准确的预测具有重要的意义。
[0003]在现有的预测方法中，使用较多的是基于循环神经网络、长短时记忆网络等的趋势预测方法。然而这些方法将模型看作一个黑箱，通过输入与标签的匹配来挖掘寿命曲线中的特征。计算量大且无法借鉴历史寿命曲线的趋势，预测精度低。
[0004]因此，目前亟需一种相似性寿命曲线趋势预测方法，能够借鉴历史寿命曲线的趋势，提高预测精度。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种相似性寿命曲线趋势预测方法，将历史寿命曲线的特点考虑在内，提高对寿命曲线趋势预测的准确度。
[0006]为实现上述目的，本专利技术的技术方案为：
[0007]一种相似性寿命曲线趋势预测方法，具体步骤包括：
[0008]步骤1、获取至少一组等时间间隔的历史寿命曲线数据集；采用动态时间规划算法对任意两组历史寿命曲线数据集进行相似度描述，获得特征图，特征图的节点为历史寿命曲线，节点的连接边为相似度；采用高斯核函数缩放特征图的连接边到区间[0，1]之间，获得原始特征图。
[0009]步骤2、对原始特征图降维，获得降维特征图。
[0010]步骤3、将降维特征图的节点输入自组织映射神经网络进行竞争性训练，获取使节点与神经元距离最短的权重矩阵。
[0011]步骤4、求历史寿命曲线的节点的权重矩阵和当前寿命曲线的节点的权重矩阵之间的欧氏距离，取欧氏距离最小的历史寿命曲线作为预测结果。
[0012]进一步的，还包括步骤5：
[0013]从欧氏距离最小的历史寿命曲线开始选取设定数量的历史寿命曲线，计算所有选取的历史寿命曲线的均值和方差，得到当前寿命曲线的预测不确定区间。
[0014]进一步的，步骤5中，对历史寿命曲线进行伸缩平移变换，使历史寿命曲线具有相同的起始点和末位点，再进行步骤5。
[0015]进一步的，步骤1中获取原始特征图的具体方式为：
[0016]采用高斯核函数计算两个节点的间距，保留间距不大于设定阈值的两个节点；将
剩余的节点连线，形成寿命曲线数据集对应的原始特征图。
[0017]进一步的，步骤2中获得降维特征图的具体方式为：
[0018]计算原始特征图的邻接矩阵，设定目标函数对原始特征图进行优化，获得降维特征图。
[0019]目标函数使降维特征矩阵满足：降维特征矩阵的转置矩阵、度矩阵和降维特征矩阵的乘积为单位矩阵时，降维特征矩阵的转置矩阵、拉普拉斯矩阵和降维特征矩阵的乘积最小。
[0020]进一步的，步骤1中采用插值法获取等时间间隔的历史寿命曲线数据集。
[0021]有益效果：
[0022]1、本专利技术提出一种相似性寿命曲线趋势预测方法，提取历史寿命曲线的特征，对当前寿命曲线的发展趋势进行预测，通过数据降维和相似性分析，提高了预测准确度。
[0023]2、本专利技术采用拉普拉斯映射法进行降维，将寿命曲线的数据集映射到二维空间来保证较好的可视化效果，提取特征的准确性高。
[0024]3、本专利技术在实际工程中具有较强的适用性，其计算简单、可解释性强。
[0025]4、本专利技术不仅适用于基于机械设备终端硬件的寿命趋势预测，同时也可以拓展到其它机械设备，包括基于大型离线系统的机械设备。
附图说明
[0026]图1为本专利技术的方法流程图。
具体实施方式
[0027]下面结合附图并举实施例，对本专利技术进行详细描述。
[0028]如图1所示，本专利技术提供了一种相似性寿命曲线趋势预测方法，具体步骤包括：
[0029]步骤1、采用插值法获取至少一组等时间间隔的历史寿命曲线数据集。本实施例对转动机械的寿命进行预测。采集20组轴承振动参数
‑
时间曲线，作为寿命曲线，总时长为监视开始的时刻到出现故障的时刻。插值法可以选择三次样条插值法，线性插值法对所有转动机械的寿命曲线进行插值，保证数据的一致性。
[0030]获得历史寿命曲线数据集后，采用动态时间规划算法对任意两组历史寿命曲线数据集进行相似度描述，获得特征图。该特征图的节点为历史寿命曲线，节点的连接边为相似度；采用高斯核函数缩放特征图的链接边到区间[0，1]之间，获得原始特征图。
[0031]步骤2、采用拉普拉斯映射对原始特征图降维，获得降维特征图。
[0032]本专利技术采用高斯核函数计算两个节点的间距，保留间距不大于设定阈值的节点；将剩余的节点连线，形成寿命曲线数据集对应的原始特征图G(V,E)，V为原始特征图的节点特征，E为原始特征图的边矩阵。
[0033]获得原始特征图后，本专利技术采用拉普拉斯映射法对原始特征图进行降维处理，获得降维特征图：根据原始特征图的边构建邻接矩阵W，建立目标函数，对原始特征图进行优化，获取降维特征图。目标函数使降维特征矩阵满足：降维特征矩阵的转置矩阵、度矩阵和降维特征矩阵的乘积为单位矩阵时，降维特征矩阵的转置矩阵、拉普拉斯矩阵和降维特征矩阵的乘积最小，如下式所示：
[0034]mintr(Y
T
LY),s.t.Y
T
DY＝I
[0035]其中，Y为降维特征图，D是度矩阵，即边矩阵E的对角值组成的矩阵，I为单位矩阵。拉普拉斯矩阵L＝D
‑
W，根据邻接矩阵W计算得到。假设N
i
(k)是距离第i个寿命曲线数据最近的k个点，那么邻接矩阵W上的元素可以表示为：
[0036][0037]其中，N
i
(k)通过KNN算法获得，j为节点序数。
[0038]步骤3、采用自组织映射对降维特征图的节点进行竞争性训练，获取节点对应的权重矩阵：对于输入自组织映射神经网络的降维特征图，其节点与所有的神经元在训练过程中竞争。获胜的神经元调节其邻域的权重，获胜的规则是输入和神经元之间的距离是最短的，其公式表达为：
[0039][0040]其中，W
C
是获胜神经元的表征特征，v表示神经元序数，F为降维特征图的特征。
[0041]步骤4、求历史寿命曲线的节点的权重矩阵和当前寿命曲线的节点的权重矩阵之间的欧氏距离，取欧氏距离最小的历史寿命曲线作为预测结果。
[0042]步骤5、对历史寿命曲线进行伸缩平移变换，使历史寿命曲线具有相同的起始点和末位点。按照差值的绝对值从小到大的顺序，依次选取设定数量的历史寿命曲线，计算所有历史寿命曲线的均值和方差，得到当前寿命曲线的预测不确定区间。
[0043]综上所述，以上仅为本专利技术的较佳实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相似性寿命曲线趋势预测方法，其特征在于，具体步骤包括：步骤1、获取至少一组等时间间隔的历史寿命曲线数据集；采用动态时间规划算法对任意两组历史寿命曲线数据集进行相似度描述，获得特征图，所述特征图的节点为历史寿命曲线，节点的连接边为相似度；采用高斯核函数缩放特征图的连接边到区间[0，1]之间，获得原始特征图；步骤2、对原始特征图降维，获得降维特征图；步骤3、将降维特征图的节点输入自组织映射神经网络进行竞争性训练，获取使节点与神经元距离最短的权重矩阵；步骤4、求历史寿命曲线的节点的权重矩阵和当前寿命曲线的节点的权重矩阵之间的欧氏距离，取欧氏距离最小的历史寿命曲线作为预测结果。2.如权利要求1所述的方法，其特征在于，还包括步骤5：从欧氏距离最小的历史寿命曲线开始选取设定数量的历史寿命曲线，计算所有选取的历史寿命曲线的均值和方差，得到当前寿命曲线的预测不...

【专利技术属性】
技术研发人员：曹飞，邬明，习刚，周智，朱永生，于宪龙，高大为，
申请(专利权)人：宜昌测试技术研究所，
类型：发明
国别省市：