一种基于稀疏编码的滚动轴承剩余寿命预测方法技术

本发明专利技术提供一种基于稀疏编码的复杂旋转机械滚动轴承剩余寿命预测方法。该方法第一步采集机械装备监测振动信号；第二步进行时域特征提取并建立过完备字典，为保证预测信息的有效性，以时域特征作为原始信号，按照信号稀疏理论，建立过完备字典作为基向量。第三步正则化处理，利用正则化对训练数据和测试数据进行处理。第四步寻找最优稀疏权重。第五步进行故障趋势预测，省略了传统方法训练时间，大大减少了时间负担，由于参数调优较少，提高了系统的预测精度和鲁棒性。第六步剩余寿命预测，高精度的预测值确保了轴承剩余寿命预测的精度。

A prediction method for remaining life of rolling bearings based on sparse coding

The invention provides a residual life prediction method for rolling bearings of complex rotating machinery based on sparse coding. The first step of this method is to collect the vibration signals of mechanical equipment, and the second step is to extract the time domain features and establish an overcomplete dictionary. In order to ensure the validity of the prediction information, the time domain characteristics are used as the original signal, and the overcomplete dictionary is established as the base vector according to the signal sparsity theory. Third step regularization is used to process training data and test data by regularization. The fourth step is to find the optimal sparse weight. The fifth step is to predict the fault trend, omit the traditional training time, greatly reduce the time burden, and because of less parameter tuning, it improves the accuracy and robustness of the system. Sixth step residual life prediction, high precision prediction value ensures the accuracy of bearing remaining life prediction.

【技术实现步骤摘要】
一种基于稀疏编码的滚动轴承剩余寿命预测方法
本专利技术属于装备系统故障预测与健康管理领域，尤其涉及一种基于稀疏编码的滚动轴承剩余寿命预测方法。
技术介绍
随着科技的发展和社会的进步，各类型的旋转机械装备在工程中得到了广泛应用。滚动轴承是旋转机械装备中的关键零部件，一旦发生故障，有可能造成财产的损失，严重的甚至会造成人员的伤亡。传统有监督的滚动轴承预测方式，不仅预测精度低而且需要大量的历史信息，不适于跨工况预测，往往不能做出可靠地预防维护决策。因此，需要发展以无监督学习为核心的剩余寿命预测方法及系统，辅助一般的操作人员，使其在不需要理解系统原理的情况下进行可靠的决策。传统的故障预测技术往往针对大量的历史信息才能做出有效地预测评价，当历史信息不足时，预测模型就会失去原有的准确性；这种预测模型还需要大量的参数调优，当预测对象变更后预测效果会变差甚至无法做出维护策略，造成经济损失。因此，本专利技术利用信号处理技术对原始振动信号的三种时域特征(有效值、峰值、峭度)提取。对时域特征进行时间序列预测，采用自回归模型结合稀疏编码的优势，做到对非平稳以及非线性时域特征，由于有极少的参数调优，解决了鲁棒性差，少量历史信息预测不准的缺点。本专利技术提出一种新颖的加权约束稀疏编码方法，相比比传统方法能够更快速准确地得出最佳权重，从而提高了模型预测速度和精度。
技术实现思路
本专利技术目的在于提供一种应用于大型复杂旋转机械滚动轴承剩余寿命预测方法，该方法通过下位机采集系统的振动信号，传输并存储于监测上位机中。在上位机中对轴承全生命周期原始振动信号进行时域特征提取，得到原始特征信号；接着将信号输入基于稀疏编码的时间序列预测算法(WCSC)得到故障预测趋势图，最后利用计算所得预测值对轴承故障进行剩余寿命预测分析。本专利技术所述基于稀疏编码的旋转机械轴承剩余寿命预测方法主要包括如下步骤。(1)采集所述滚动轴承的振动信号x(t)；(2)对振动信号x(t)进行特征提取并对提取后特征建立过完备字典，生成训练向量和测试向量；(3)将训练向量的数据与测试向量的数据进行正则化处理，得到样本数据；(4)根据样本数据，寻找最优稀疏权重；(5)进行故障趋势预测，得到轴承故障趋势预测值；(6)根据轴承故障趋势预测值与实际值做出故障剩余寿命预测图。优选地，步骤(2)中生成训练向量和测试向量的具体方式为：对振动信号提取时域指标，得到原始特征y(t)；建立过完备字典，过完备字典包括两个字典，其中一个字典用于表示训练向量ψ：ψ＝[Y1L,Y2L,Y3L,…,YnL]其中，L为步长，YnL为预测窗口；另一个字典用于表示目标向量YN和测试向量YmL：YN＝[y(1),y(2),y(3),…,y(N)]YmL＝[y(m-1),y(m-2),…,y(m-L)]。优选地，步骤(2)中正则化具体方式为：训练向量ψ正则化为：目标向量YN正则化为：测试向量YmL正则化为：其中G(X)稀疏惩罚函数。优选地，步骤(4)中寻找最优稀疏权重的具体方式为：采用K最临近方法寻找最优过完备字典，建立权重约束稀疏编码最优化模型：min‖w‖1其中，‖w‖1是权重向量w的范数，是对测试向量采用K最临近方法后所得最优过完备字典，ε表示无限小的数。优选地，步骤(5)中进行故障趋势预测的具体方式为：权值估计由正则化最小二乘最优化问题求解：其中，RN(w)是权值和以及对应拉格朗日乘子τ的正则化函数轴承故障趋势预测值y(m)为：其中yr(n)为原始特征的正则化函数。本专利技术建立了一种以稀疏编码为核心的旋转机械故障剩余寿命预测方法，辅助一般的操作人员，使其在不需要理解系统原理的情况下进行可靠的决策，具有下列显著优势：1)本专利技术以自回归模型为基础预测模型并结合稀疏编码自身的优势，不需要对历史信息进行庞大的训练过程；2)本专利技术解决了传统预测模型训练时间久、鲁棒性差、预测精度低、模型参数多的问题，使得预测模型使用方便、高效以及完全可以做到在线预测的要求，增加了预测模型的智能化程度。在减小后续剩余寿命预测负担的同时，增加了预测精度；3)本专利技术以一种无监督学习算法——稀疏编码(SparseCoding,SC)作为核心技术，快速而准确地在不同工况下预测出滚动轴承剩余寿命。4)本专利技术可用于大型复杂旋转机械滚动轴承在线或离线智能故障预测，减少人力成本，避免突发性事故发生，减小经济损失。附图说明图1基于稀疏编码的滚动轴承剩余寿命预测方法流程图。图2实施例轴承振动信号及其三种时域特征图。图3实施例中三中不同特征的故障趋势预测图。图4实施例轴承剩余寿命预测图。具体实施方式下面结合附图对本专利技术具体实施例的内容作进一步详细说明：滚动轴承是机械装备中的关键部件，然而滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，滚动轴承也会出现疲劳剥落、磨损、点蚀等故障导致设备不能正常工作。实施例为采用本专利技术所建立的剩余寿命预测模型，对其中两种不同工况下振动信号进行分析，得出剩余寿命预测图。本轴承振动信号的智能识别实施例主要包括如下步骤：第一步：针对大型复杂机械系统中的关键轴承部件，采用振动传感器，如压电加速度传感器、位移传感器或者电涡流位移传感器等采集机械装备的振动信号，储存于上位机中。采用FEMTO-ST实验室试验台和Dytran3035B型压电式加速度传感器。该加速度传感器的性能指标如表1所示。该试验台可对轴承做加速寿命试验，信号采集监测由下位机(监测前端机)完成。表1Dytran3035B型压电式加速度传感器特性参数表两种工况下所用数据如下表：表2测试工况下基本数据第二步：时域特征提取以及建立过完备字典，待提取的时域特征指标如下表：表3提取的时域特征指标振动信号及其时域特征如图2、3所示。对原始振动信号x(t)进行如下特征提取并对提取后特征建立如下过完备字典：对原始信号提取表3中时域指标，分别得到3个特征，对单个特征设为原始特征y(t)；就单步时间序列预测而言，训练数据由步长为L的预测窗口向量以及它们所依赖的目标值决定，则对于样本序列Y，训练向量的预测窗口有公式(1)：YnL＝[y(n-1),y(n-2),…,y(n-L)](1)信号稀疏理论认为，原始信号存在大量冗余信息。为了高效地表示这组信号，本专利技术引入了稀疏编码技术对信号稀疏表示，不但可以简化计算，还可以提高预测模型的计算精度；本专利需要建立两个字典，一个字典用于表示训练向量，由一个L×M维矩阵构成，用ψ表示：ψ＝[Y1L,Y2L,Y3L,…,YNL](2)另一个字典用于表示目标向量，由一个N×1维矩阵构成，用YN表示：YN＝[y(1),y(2),y(3),…,y(N)](3)样本序列YN被称为故障特征向量，用来表示滚动轴承的故障趋势，则测试向量可由公式(4)表示：YmL＝[y(m-1),y(m-2),…,y(m-L)](4)第三步：训练向量数据与测试向量数据正则化处理。分别对两种不同工况下提取出的三种时域特征，进行数据正则化处理，以确保下一步得以正常进行。在上一步骤中已经建立了训练和测试字典，为了得到原始特征y(t)的稀疏表示，本专利技术使用正则化作为稀疏惩罚函本文档来自技高网...

【技术保护点】
1.一种基于稀疏编码的复杂旋转机械滚动轴承剩余寿命预测方法，其特征在于，该方法包括如下步骤：(1)采集所述滚动轴承的振动信号x(t)；(2)对振动信号x(t)进行特征提取并对提取后特征建立过完备字典，生成训练向量和测试向量；(3)将训练向量的数据与测试向量的数据进行正则化处理，得到样本数据；(4)根据样本数据，寻找最优稀疏权重；(5)进行故障趋势预测，得到轴承故障趋势预测值；(6)根据轴承故障趋势预测值与实际值做出故障剩余寿命预测图。

【技术特征摘要】
1.一种基于稀疏编码的复杂旋转机械滚动轴承剩余寿命预测方法，其特征在于，该方法包括如下步骤：(1)采集所述滚动轴承的振动信号x(t)；(2)对振动信号x(t)进行特征提取并对提取后特征建立过完备字典，生成训练向量和测试向量；(3)将训练向量的数据与测试向量的数据进行正则化处理，得到样本数据；(4)根据样本数据，寻找最优稀疏权重；(5)进行故障趋势预测，得到轴承故障趋势预测值；(6)根据轴承故障趋势预测值与实际值做出故障剩余寿命预测图。2.根据权利要求2所述的方法，其特征在于，步骤(2)中生成训练向量和测试向量的具体方式为：对振动信号提取时域指标，得到原始特征y(t)；建立过完备字典，过完备字典包括两个字典，其中一个字典用于表示训练向量ψ：ψ＝[Y1L,Y2L,Y3L,…,YnL]其中，L为步长，YnL为预测窗口；另一个字典用于表示目标向量YN和测试向量YmL：YN＝[y...

【专利技术属性】
技术研发人员：王衍学，李华新，杨建伟，李杰，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京,11