基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法技术

基于数学形态学和IFOA‑SVR的滚动轴承可靠度预测方法，涉及滚动轴承可靠度预测技术领域。为保证预测精度同时增加预测步长而提出的预测方法。该方法首先提取振动信号的包络信号，计算该包络信号的数学形态学分形维数，将其作为滚动轴承性能退化状态特征；其次，利用IFOA对SVR中的参数C，g以及ε同时进行寻优，建立预测模型。同时，利用极大似然估计结合IFOA建立威布尔比例故障率模型，进而得到可靠度模型；最后，将退化状态特征作为IFOA‑SVR预测模型的输入，采用长期迭代预测法获取特征预测结果，并将该结果嵌入到可靠度模型中，从而预测出轴承运行状态的可靠度。实验表明，利用所提方法在保证预测精度的前提下增加预测步长。

Prediction of rolling bearing on mathematical morphology and IFOA reliable method based on SVR

Prediction of rolling bearing on mathematical morphology and IFOA SVR reliable method based on reliability prediction of rolling bearing, relates to the technical field. Prediction method for forecasting accuracy and increasing prediction step length. Firstly extract the envelope signal of the vibration signal, the mathematical morphology fractal dimension calculation of the envelope signal, the rolling bearing performance degradation characteristics; secondly, the parameters of C in SVR by IFOA, G and E are optimized, the establishment of prediction model. At the same time, estimation based on IFOA Weibull proportional hazards model using maximum likelihood, and then get the reliability model; finally, the characteristics of IFOA SVR as a degraded state of the input of the prediction model, using iterative prediction method to obtain the characteristics of long-term prediction results, and the results will be embedded into the reliability model, to predict the reliability of operation the state of bearing. The experimental results show that the proposed method can improve the prediction accuracy under the premise of ensuring the prediction accuracy.

【技术实现步骤摘要】

本专利技术涉及一种基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法，涉及滚动轴承可靠度预测

技术介绍
滚动轴承是旋转机械中的关键部件，一旦出现故障将会造成大量的经济损失甚至危害人的生命安全[1-2]。因此，准确预测滚动轴承在下一阶段的工作状态是合理制定机械设备维修计划的前提基础[3-4]。目前，滚动轴承振动信号的特征提取方法研究受到学者的广泛关注。文献[5]提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法，该方法可有效提取滚动轴承振动信号中的故障特征。文献[6]提出局部均值分解与形态学分形维数相结合的滚动轴承故障诊断方法，可有效地对滚动轴承进行故障诊断。本专利技术将Hilbert包络解调与形态学分形维数结合，对滚动轴承全寿命数据提取出数学形态学分形维数，并将其作为性能退化状态特征。在建立支持向量回归(Supportvectorregression,SVR)模型方面，文献[7]利用粒子群算法(Particleswarmoptimization,PSO)优化最小二乘SVR对滚动轴承的性能退化趋势进行了20点预测，平均绝对百分误差(Meanabsolutepercentageerror,MAPE)为15.82％。文献[8]利用交叉验证法对C，g寻优建立SVR模型，对滚动轴承故障趋势进行了7点预测，MAPE为0.2％。文献[9]通过经验选取C，g参数建立SVR模型，并对电厂汽轮发电机组转子的振动幅值进行了30点预测，平均绝对误差(Meanabsoluteerror,MAE)为0.6424，MAPE为1.48％。文献[10]利用PSO对SVR模型中的C，g以及ε寻优，预测航空飞行器的剩余寿命。文献[7]到文献[9]预测步长较短，文献[8]和[9]只对SVR模型中的C和g进行选取，并没有提出对不敏感误差ε的取值问题。同时，凭经验选取C和g有很大的盲目性，通过交叉对比测试确定C和g的值则需要进行大量的实验，而PSO相对复杂，并且容易陷入局部最优，导致对模型参数的赋值不够准确。文献[11]提出一种果蝇优化算法(Fruitflyoptimizationalgorithm,FOA)。文献[12]提出递减步长果蝇优化算法(Diminishingstepfruitflyoptimizationalgorithm,DS-FOA)实现了全局搜索能力和局部寻优能力的平衡。但DS-FOA在二维空间进行搜索，不能真实反映果蝇的觅食行为。SVR模型内部参数的选取会对SVR的预测精度以及预测步长产生较大影响，本专利技术采用在三维空间搜索的改进果蝇优化算法(Improvedfruitflyoptimizationalgorithm,IFOA)对SVR模型中的3个参数C、g以及ε同时进行参数寻优。并且在进行预测时，将MAE、均方根误差(Rootmeansquareerror,RMSE)、归一化均方误差(Normalizedmeansquareerror,NMSE)以及MAPE的和作为适应度函数，相比于任一误差作为适应度函数具有更强的寻优能力。在可靠度模型方面，可靠度理论已被应用于机械工程以及航空航天等各个领域[13]。比例故障率模型的优势在于将轴承的性能退化特征与可靠度理论相结合，这样，轴承的可靠度评估就能够在设备状态监测数据的基础上得到更新。文献[14]提出将峭度、均方根作为特征指标，利用威布尔比例故障率模型(Weibullproportionalhazardmodel,WPHM)作为可靠度评估模型，并利用fminsearch优化函数求解极大似然方程组确定WPHM的待定参数，有效地对铁路机车轮对轴承进行可靠度评估。文献[15]在估计WPHM的待定参数时，利用牛顿迭代法对极大似然方程组进行求解。但上述两种求解方法都需要根据经验设定搜索初值，并且运算时间较长。本专利技术将极大似然方程组中每个方程的绝对值的和作为IFOA的适应度函数，向适应度函数最小的方向优化，可以快速求出方程组的解，确定WPHM的待定参数。
技术实现思路
本专利技术为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长，提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improvedfruitflyoptimizationalgorithm-supportvectorregression,IFOA-SVR)的滚动轴承可靠度预测方法，即提出一种基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法。本专利技术为解决上述技术问题采取的技术方案是：一种基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法，所述方法的实现过程为：步骤一、求出包络信号的数学形态学分形维数DM；步骤二、从获取的数学形态学分形维数DM选取训练样本对，基于所述训练样本对利用IFOA对SVR模型中的参数C、g以及ε同时进行寻优，建立IFOA-SVR预测模型：构建IFOA的过程：(1)初始化算法参数：设置果蝇种群规模Sizepop，最大觅食代数Maxgen，并随机初始化果蝇群体位置坐标(X0,Y0,Z0)；(2)果蝇个体利用嗅觉随机搜索的方向和距离可以通过式(12)获得式中，i＝1,2,...,Sizepop，L0为初始步长值，gen为当前觅食代数；(3)由于无法确定食物源的具体位置，所以需要通过式(13)估计第i个果蝇个体的当前位置与坐标原点间的距离Disti，之后计算出味道浓度判定值SiSi＝1/Disti(14)(4)将Si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度Smelli＝function(Si)(15)(5)当前果蝇群体中具有最高味道浓度的个体，可由式(16)获得[bestSmell,bestIndex]＝max(Smelli)(16)式中，bestSmell表示果蝇群体中具有最高味道浓度的个体的味道浓度值，bestIndex表示果蝇群体中具有最高味道浓度的个体的位置；(6)保留果蝇群体中最佳味道浓度值和与其对应的个体坐标，同时果蝇群体利用自身的视觉对食物源进行定位，然后飞往食物源所在的位置；(7)进入迭代寻优过程，重复步骤(2)-(5)，并判断当前味最高道浓度是否好于前一迭代味道浓度，且gen<Maxgen；若成立，则执行步骤(6)；建立IFOA-SVR模型，其过程为：(1)初始化IFOA参数，包括Sizepop、Maxgen以及果蝇个体初始位置；对SVR中的3个参数：惩罚系数C、核函数参数g以及不敏感误差ε进行寻优，所以初始坐标为(X01,Y01,Z01)，(X02,Y02,Z02)和(X03,Y03,Z03)；(2)附与每个果蝇个体随机方向和飞行距离，并用递减搜索步长代替固定步长，得到(Xi1,Yi1,Zi1)，(Xi2,Yi2,Zi2)，(Xi3,Yi3,Zi3)，计算当前果蝇个体与原点间距离的倒数，得到味道浓度判定值Si1，Si2和Si3；(3)确定SVR中参数C、g和ε的范围，即C∈[2-14,214]，g∈[2-14,214]，ε∈[2-14,214]；(4)将所述训练样本对输入到SVR模型中，对模型进行训练，将平均绝对误差MAE、均方根误差RMSE、归一化均方误差NMSE以及平均绝对百分误差MAPE的和作为适应度函数，即(5)找到适应本文档来自技高网...

【技术保护点】
一种基于数学形态学和IFOA‑SVR的滚动轴承可靠度预测方法，其特征在于：所述方法的实现过程为：步骤一、求出包络信号的数学形态学分形维数DM；步骤二、从获取的数学形态学分形维数DM选取训练样本对，基于所述训练样本对利用IFOA对SVR模型中的参数C、g以及ε同时进行寻优，建立IFOA‑SVR预测模型：构建IFOA的过程：(1)初始化算法参数：设置果蝇种群规模Sizepop，最大觅食代数Maxgen，并随机初始化果蝇群体位置坐标(X0,Y0,Z0)；(2)果蝇个体利用嗅觉随机搜索的方向和距离可以通过式(12)获得Xi=X0+(L0-L0(gen-1)Maxgen)×rands(1,1)Yi=Y0+(L0-L0(gen-1)Maxgen)×rands(1,1)Zi=Z0+(L0-L0(gen-1)Maxgen)×rands(1,1)---(12)]]>式中，i＝1,2,...,Sizepop，L0为初始步长值，gen为当前觅食代数；(3)由于无法确定食物源的具体位置，所以需要通过式(13)估计第i个果蝇个体的当前位置与坐标原点间的距离Disti，之后计算出味道浓度判定值SiDisti=Xi2+Yi2+Zi2---(13)]]> Si＝1/Disti          (14)(4)将Si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度Smelli＝function(Si)        (15)(5)当前果蝇群体中具有最高味道浓度的个体，可由式(16)获得[bestSmell,bestIndex]＝max(Smelli)       (16)式中，bestSmell表示果蝇群体中具有最高味道浓度的个体的味道浓度值，bestIndex表示果蝇群体中具有最高味道浓度的个体的位置；(6)保留果蝇群体中最佳味道浓度值和与其对应的个体坐标，同时果蝇群体利用自身的视觉对食物源进行定位，然后飞往食物源所在的位置；{Smellbest=bestSmellX0=X(bestIndex)Y0=Y(bestIndex)Z0=Z(bestIndex)---(17)]]>(7)进入迭代寻优过程，重复步骤(2)‑(5)，并判断当前味最高道浓度是否好于前一迭代味道浓度，且gen<Maxgen；若成立，则执行步骤(6)；建立IFOA‑SVR模型，其过程为：(1)初始化IFOA参数，包括Sizepop、Maxgen以及果蝇个体初始位置；对SVR中的3个参数：惩罚系数C、核函数参数g以及不敏感误差ε进行寻优，所以初始坐标为(X01,Y01,Z01)，(X02,Y02,Z02)和(X03,Y03,Z03)；(2)附与每个果蝇个体随机方向和飞行距离，并用递减搜索步长代替固定步长，得到(Xi1,Yi1,Zi1)，(Xi2,Yi2,Zi2)，(Xi3,Yi3,Zi3)，计算当前果蝇个体与原点间距离的倒数，得到味道浓度判定值Si1，Si2和Si3；(3)确定SVR中参数C、g和ε的范围，即C∈[2‑14,214]，g∈[2‑14,214]，ε∈[2‑14,214]；(4)将所述训练样本对输入到SVR模型中，对模型进行训练，将平均绝对误差MAE、均方根误差RMSE、归一化均方误差NMSE以及平均绝对百分误差MAPE的和作为适应度函数，即Smelli=Fitness(Ci,gi,ϵi)=[MAE+RMSE+NMSE+MAPE](Ci,gi,ϵi)---(18)]]>(5)找到适应度函数Fitness的最小值对应的果蝇个体，开始迭代寻优，并判断最小Fitness是否低于前一代最小Fitness；如低于，则保留最小Fitness值及其对应的坐标，并将其赋给初始坐标；如高于，则返回步骤(2)；(6)找到C、g和ε的最佳值，建立IFOA‑SVR预测模型；步骤三、从所述性能退化状态特征中截取一定长度Z作为WPHM的响应协变量，结合极大似然估计获得似然函数方程组，把方程组中每个方程绝对值的和作为IFOA的适应度函数，求出方程组的解，确定WPHM的待定参数，进而得到可靠度模型R(t,Z)，过程如下：基于WPHM建立滚动轴承性能退化状态特征与可靠度之间的数学关系，WPHM的表达式为h(t,Z)=(βη)(tη)β-1exp(μZ)---(19)]]>式中β为形状参数，η为尺度参数，μ为协变量回归参数，t表示时间，Z为截取一定长度的性能退化状态特征，即从数学形态学分形维数DM中截取一定长度数据；h(t,Z)和可靠度函数R(t,Z)之间的关系为h(t,Z)=-ddtln R(t,Z)---(20)]]>从而，R(t,Z)可表示为R(t,Z)=exp(-&Integra...

【技术特征摘要】
1.一种基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法，其特征在于：所述方法的实现过程为：步骤一、求出包络信号的数学形态学分形维数DM；步骤二、从获取的数学形态学分形维数DM选取训练样本对，基于所述训练样本对利用IFOA对SVR模型中的参数C、g以及ε同时进行寻优，建立IFOA-SVR预测模型：构建IFOA的过程：(1)初始化算法参数：设置果蝇种群规模Sizepop，最大觅食代数Maxgen，并随机初始化果蝇群体位置坐标(X0,Y0,Z0)；(2)果蝇个体利用嗅觉随机搜索的方向和距离可以通过式(12)获得Xi=X0+(L0-L0(gen-1)Maxgen)×rands(1,1)Yi=Y0+(L0-L0(gen-1)Maxgen)×rands(1,1)Zi=Z0+(L0-L0(gen-1)Maxgen)×rands(1,1)---(12)]]>式中，i＝1,2,...,Sizepop，L0为初始步长值，gen为当前觅食代数；(3)由于无法确定食物源的具体位置，所以需要通过式(13)估计第i个果蝇个体的当前位置与坐标原点间的距离Disti，之后计算出味道浓度判定值SiDisti=Xi2+Yi2+Zi2---(13)]]>Si＝1/Disti(14)(4)将Si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度Smelli＝function(Si)(15)(5)当前果蝇群体中具有最高味道浓度的个体，可由式(16)获得[bestSmell,bestIndex]＝max(Smelli)(16)式中，bestSmell表示果蝇群体中具有最高味道浓度的个体的味道浓度值，bestIndex表示果蝇群体中具有最高味道浓度的个体的位置；(6)保留果蝇群体中最佳味道浓度值和与其对应的个体坐标，同时果蝇群体利用自身的视觉对食物源进行定位，然后飞往食物源所在的位置；{Smellbest=bestSmellX0=X(bestIndex)Y0=Y(bestIndex)Z0=Z(bestIndex)---(17)]]>(7)进入迭代寻优过程，重复步骤(2)-(5)，并判断当前味最高道浓度是否好于前一迭代味道浓度，且gen<Maxgen；若成立，则执行步骤(6)；建立IFOA-SVR模型，其过程为：(1)初始化IFOA参数，包括Sizepop、Maxgen以及果蝇个体初始位置；对SVR中的3个参数：惩罚系数C、核函数参数g以及不敏感误差ε进行寻优，所以初始坐标为(X01,Y01,Z01)，(X02,Y02,Z02)和(X03,Y03,Z03)；(2)附与每个果蝇个体随机方向和飞行距离，并用递减搜索步长代替固定步长，得到(Xi1,Yi1,Zi1)，(Xi2,Yi2,Zi2)，(Xi3,Yi3,Zi3)，计算当前果蝇个体与原点间距离的倒数，得到味道浓度判定值Si1，Si2和Si3；(3)确定SVR中参数C、g和ε的范围，即C∈[2-14,214]，g∈[2-14,214]，ε∈[2-14,214]；(4)将所述训练样本对输入到SVR模型中，对模型进行训练，将平均绝对误差MAE、均方根误差RMSE、归一化均方误差NMSE以及平均绝对百分误差MAPE的和作为适应度函数，即Smelli=Fitness(Ci,gi,ϵi)=[MAE+RMSE+NM...

【专利技术属性】
技术研发人员：康守强，王玉静，叶立强，柳长源，谢金宝，于春雨，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23