基于经验小波变换和神经网络的零部件寿命预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于经验小波变换EWT和神经网络的零部件寿命预测方法和装置。所述方法从待预测零部件提取获取表征寿命的时间序列数据，作为训练数据；对训练数据进行经验小波变换EWT分解，提取频率最低的单分量信号作为趋势项即表征零部件稳态的特征，并将其余各阶单分量信号合并起来作为剩余项即表征零部件波动的特征；利用剩余项对神经网络时间序列预测模型进行建模；利用零部件数学模型构造趋势项的预测模型；将剩余项的预测模型与趋势项的预测模型结合起来构成整体的预测模型，获得寿命预测数据；根据失效阈值和所述寿命预测数据判定失效时间，获得最终寿命预测结果。使用本发明专利技术能够提高预测精度，降低标准均方根误差。

【技术实现步骤摘要】
基于经验小波变换和神经网络的零部件寿命预测方法和装置
本专利技术涉及信号处理的寿命预测领域，具体涉及一种基于经验小波变换(empiricalwavelettransform,EWT)和神经网络的零部件寿命预测方法和装置，尤其适用于基于信号进行状态监测的零部件。
技术介绍
动量轮作为卫星姿态与轨道控制系统关键组件，其寿命对卫星在轨安全具有重大影响。目前已经存在的动量轮寿命预测与可靠性评估方法大部分都是基于性能退化数据的预测研究方法。然而传统的基于性能退化的预测研究方法一般都是基于模型的方法，需要事先给定退化轨道的数学模型，由于各模型之间的差异性以及动量轮性能退化数据的复杂性，传统的基于性能退化数据的预测方法往往不能达到预测精度要求。
技术实现思路
有鉴于此，本专利技术提供了一种基于EWT和神经网络的零部件寿命预测方法和装置，能够提高预测精度，降低标准均方根误差。为了解决上述技术问题，本专利技术是这样实现的：一种基于经验小波变换EWT和神经网络的零部件寿命预测方法，适用于基于信号进行状态监测的的零部件，包括：步骤一、从待预测零部件提取获取表征寿命的时间序列数据，作为训练数据；步骤二、对训练数据进行经验小波变换EWT分解，提取频率最低的单分量信号作为趋势项即表征零部件稳态的特征，并将其余各阶单分量信号合并起来作为剩余项即表征零部件波动的特征；步骤三、利用剩余项对神经网络时间序列预测模型进行建模；利用零部件数学模型构造趋势项的预测模型；步骤四、将剩余项的预测模型与趋势项的预测模型结合起来构成整体的预测模型，获得寿命预测数据；步骤五、根据失效阈值和所述寿命预测数据判定失效时间，获得最终寿命预测结果。本专利技术适用于卫星动量轮；对于卫星动量轮，表征其寿命的数据为与动量轮轴轴承摩擦力矩直接有关的技术参数。其中，优选为动量轮轴温在轨遥测数据。优选地，所述神经网络为非线性自结合的时间序列NAR神经网络。步骤二所采用的动量轮的数据模型为多阶多项式。优选地，从步骤一获取的数据中保留一部分作为测试数据，对步骤三构建的整体的预测模型进行精度验证。在一优选实施例中，针对待预测的零部件，可以选取至少两个表征零部件寿命的指标，分别提取时间序列数据；针对每一个指标，按照步骤二～步骤五的过程获得每个指标的寿命预测结果；将各个指标的寿命预测结果加权，得到最终寿命预测结果。这种结果参考了更多的信息，其预测精度更高。本专利技术还提供了一种基于经验小波变换EWT和神经网络的零部件寿命预测装置，适用于基于信号进行状态监测的零部件，包括：训练数据获取模块，从待预测零部件提取获取表征寿命的时间序列数据，作为训练数据；分解模块，对训练数据进行经验小波变换EWT分解，提取频率最低的单分量信号作为趋势项即表征零部件稳态的特征，并将其余各阶单分量信号合并起来作为剩余项即表征零部件波动的特征；建模模块，用于利用剩余项对神经网络时间序列预测模型进行建模；利用零部件数学模型构造趋势项的预测模型；整合模块，将剩余项的预测模型与趋势项的预测模型结合起来构成整体的预测模型，获得寿命预测数据，发送给预测模块；预测模块，根据失效阈值和所述寿命预测数据判定失效时间，获得最终寿命预测结果。有益效果：(1)本专利技术创新性的利用适用于非平稳多分量信号的EWT方法对训练集数据进行分解，分解出表征零部件稳态的特征和表征部件波动的特征；由于稳态特征与目前学者们已经研究的模型相关，因此采用零部件数学模型构造稳态特征的预测模型，而波动特征比较复杂难于采用模型预测，因此采用神经网络预测模型进行建模；最终将这两种预测模型结合一起共同作为预测模型完成寿命预测，从而提高预测精度。(2)对于没有数学模型或者数学模型不准确、或难以解算的零部件，还可以采用多阶多项式作为模型，这样无需预先假设性能退化数据的数学模型即可以实现。降低了寿命预测的难度，并保证其准确性。(3)神经网络选用RBF神经网络时间序列预测模型，该种神经网络具有更简单的结构，在时间序列分析和预测方面有很好的表现。(4)对于卫星动量轮，将动量轮轴温在轨遥测数据作为其性能退化数据。动量轮轴温是反映该部件性能好坏的关键性能参数，随着时间的延长，轴温会逐渐升高，当轴温超过规定阈值70℃时，通常认为该动量轮失效。因此，动量轮轴温作为寿命表征数据，一方面是能够准确反映动量轮寿命，另一方面是数据获取和数据判定都比较容易可行，在提高预测准确性的基础上，能够降低实现难度。(5)本专利技术可以选取多个表征零部件寿命的指标，分别进行建模和寿命预测，然后再将结果结合起来进行判读。这种结果参考了更多的信息，其预测精度更高。附图说明图1是本专利技术的基于EWT-NAR神经网络的动量轮寿命预测方法的流程框图。图2是动量轮的原始数据。图3是剩余项预测。图4是趋势项二阶多项式拟合及预测。图5是动量轮寿命预测精度效果图。图6是动量轮寿命预测图。具体实施方式在信号处理方面，小波变换、经验模态分解(empiricalmodedecomposition,EMD)等均取得了一定效果，但它们存在一定缺陷，例如：小波变换等不具有自适应性，时间与频率分辨率无法兼顾。EMD具有完全自适应性，适用于分析实际非平稳多分量信号，但其仍存在多种问题。对于分析非平稳多分量信号，Gilles在2013年提出的经验小波变换(EmpiricalWaveletTransform,EWT)比EMD更具优势。它通过对原始信号的傅里叶谱作自适应分割，在每个分割的区间内采用相对应的小波滤波器，构造正交小波滤波器组提取具有紧支撑傅里叶谱的调幅-调频成分，从而能够准确提取固有模态。由此可以看出：EWT是基于小波理论框架的，因此该方法理论充分，能够避免产生模态混叠及虚假模态，从而更有效提取信号特征。基于上述分析，本专利技术提供了一种基于EWT和神经网络的零部件寿命预测方法，其基本思想是：以表征零部件寿命的数据作为训练数据，从待预测零部件提取一定数量的样本；对训练数据进行EWT分解，分解出表征零部件稳态(固有模态)的特征和表征部件波动的特征；由于稳态特征与目前学者们已经研究的模型相关，因此采用零部件数学模型构造稳态特征的预测模型，而波动特征比较复杂难于采用模型预测，因此采用神经网络预测模型进行建模；最终将这两种预测模型结合一起共同作为预测模型完成寿命预测，从而提高预测精度。可见，本专利技术利用了更加适用于非平稳多分量信号的EWT分解，结合数学模型的稳定性和神经网络强大的学习能力，从性能退化数据中寻找规律、建立模型，并在此基础上估计其寿命分布，评估其可靠性水平，为解决动量轮寿命预测问题提供了一条新的思路。在一优选实施方式中，对于没有数学模型或者数学模型不准确、或难以解算的零部件，还可以采用多阶多项式作为模型，这样无需预先假设性能退化数据的数学模型即可以实现。降低了寿命预测的难度，并保证其准确性。对于神经网络，可以选用非线性自结合的时间序列NAR神经网络，NAR动态神经网络是一种带有延迟函数的BP神经网络。NAR动态神经网络是一种带有延迟函数的BP神经网络。该方案可以应用于基于信号进行状态监测的零部件寿命预测。下面结合附图，以
技术介绍
中提出的卫星动量轮为研究对象，将动量轮轴温在轨遥测数据作为其性能退化数据，对本专利技术进行详细描述。卫星动量轮是卫星姿态控制系统本文档来自技高网...

【技术保护点】
1.一种基于经验小波变换EWT和神经网络的零部件寿命预测方法，适用于基于信号进行状态监测的的零部件，其特征在于，包括：步骤一、从待预测零部件提取获取表征寿命的时间序列数据，作为训练数据；步骤二、对训练数据进行经验小波变换EWT分解，提取频率最低的单分量信号作为趋势项即表征零部件稳态的特征，并将其余各阶单分量信号合并起来作为剩余项即表征零部件波动的特征；步骤三、利用剩余项对神经网络时间序列预测模型进行建模；利用零部件数学模型构造趋势项的预测模型；步骤四、将剩余项的预测模型与趋势项的预测模型结合起来构成整体的预测模型，获得寿命预测数据；步骤五、根据失效阈值和所述寿命预测数据判定失效时间，获得最终寿命预测结果。

【技术特征摘要】
1.一种基于经验小波变换EWT和神经网络的零部件寿命预测方法，适用于基于信号进行状态监测的的零部件，其特征在于，包括：步骤一、从待预测零部件提取获取表征寿命的时间序列数据，作为训练数据；步骤二、对训练数据进行经验小波变换EWT分解，提取频率最低的单分量信号作为趋势项即表征零部件稳态的特征，并将其余各阶单分量信号合并起来作为剩余项即表征零部件波动的特征；步骤三、利用剩余项对神经网络时间序列预测模型进行建模；利用零部件数学模型构造趋势项的预测模型；步骤四、将剩余项的预测模型与趋势项的预测模型结合起来构成整体的预测模型，获得寿命预测数据；步骤五、根据失效阈值和所述寿命预测数据判定失效时间，获得最终寿命预测结果。2.如权利要求1所述的方法，其特征在于，所述零部件为卫星动量轮；表征动量轮寿命的数据为与动量轮轴轴承摩擦力矩直接有关的技术参数。3.如权利要求2所述的方法，其特征在于，所述表征动量轮寿命的数据为动量轮轴温在轨遥测数据。4.如权利要求1或2所述的方法，其特征在于，所述神经网络为非线性自结合的时间序列NAR神经网络。5.如权利要求2所述的方法，其特征在于，步骤二所采用的动量轮的数据模型为多阶多项式。6.如权利要求1所述的方法，其特征在于，从步骤一获取的数据中保留一部分作为测试数据，对步骤三构建的整体的预测模型进行精度验证。7.如权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：张晓鹏，郭夏锐，秦巍，韩洪波，郭永富，杨萍，刘鹏，王辉，
申请(专利权)人：北京空间飞行器总体设计部，中国长城工业集团有限公司，
类型：发明
国别省市：北京,11