一种集成KELM的滚动轴承剩余使用寿命预测方法技术

一种集成KELM的滚动轴承剩余使用寿命预测方法，属于轴承寿命预测技术领域。本发明专利技术为了解决现有的滚动轴承剩余使用寿命预测存在预测困难、预测精度低的问题。该方法首先基于变分模态分解对振动信号进行特征提取，并引入一种新型的相似性降维方法进行特征降维，进一步提取单调性、相似性和稳定性较强的特征‑CEF；将多个轴承提取的CEF作为KELM的输入，当前使用寿命与全寿命的比值p即寿命百分比作为输出，建立多个KELM模型，再结合随机森林构建集成KELM预测模型，得到当前预测结果p值；将测试轴承的CEF输入到预测模型中，预测出当前的p值，并运用二阶指数平滑法进行拟合，预测出轴承的RUL。实验验证，所提预测方法与其它文献相比具有更高的预测准确率。

An Integrated KELM Method for Predicting Remaining Service Life of Rolling Bearings

An integrated KELM method for predicting the remaining service life of rolling bearings belongs to the technical field of bearing life prediction. The invention solves the problems of difficulty in predicting the remaining service life of existing rolling bearings and low prediction accuracy. Firstly, based on variational mode decomposition, this method extracts vibration signal features, and introduces a new similarity dimension reduction method to reduce the dimension of features, further extracts the features of monotony, similarity and stability LM model, combined with stochastic forest, constructs an integrated KELM prediction model to get the current prediction result P value. The CEF of the test bearing is input into the prediction model to predict the current p value, and the second-order exponential smoothing method is used to fit, and the RUL of the bearing is predicted. Experiments show that the proposed prediction method has higher prediction accuracy than other literatures.

【技术实现步骤摘要】
一种集成KELM的滚动轴承剩余使用寿命预测方法
本专利技术涉及滚动轴承剩余使用寿命预测方法，属于轴承寿命预测

技术介绍
滚动轴承是旋转机械中的重要部件一，由于复杂的工作环境及运行状态，旋转机械中有超过30％的机械故障是故障轴承引起的，因此滚动轴承也是旋转机械中最易受损的零部件之一[1,2]。准确预测滚动轴承(RemainingUsefulLife,RUL)可为预防性维修决策提供依据，延长设备生命周期，提高整机可靠性和利用率并避免事故的发生[3]。目前，已有许多国内外学者针对滚动轴承振动信号的特征提取方法进行研究。文献[4]利用包络分析结合多尺度熵和经验模态分解(Empiricalmodedecomposition,EMD)方法实现变转速下滚动轴承故障诊断。文献[5]提出基于多目标优化的改进EMD分析方法提取滚动轴承外环和内环故障特征,获得了较好故障识别效果。但EMD存在模态混叠的问题。集合经验模态分解(EnsembleEMD，EEMD)作为改进EMD算法也已应用广泛[6-7]，其作为一种递归模式分解方法却存在分解效率低、过分解等问题。变分模态分解(VariationalModeDecomposition,VMD)可以改善传统EMD和EEMD算法模态混叠和过分解问题，其具有更强的噪声鲁棒性。文献[8]将VMD结合支持向量机建立预测模型对变压器油中气体的含量进行预测。文献[9]提出一种结合VMD的内燃机振动谱图纹理特征提取的故障诊断方法，用于实现内燃机故障的自动诊断。上述文献方法均较好地提取了故障特征，并获得了较高的故障识别率。针对特征在不同工况下单调性不强、相似性弱和稳定性差的问题。在构建预测模型方面，文献[10]提出了一种基于提升小波包符号熵与支持向量数据描述相结合的滚动轴承性能退化评估方法，实现了预测轴承的剩余寿命。文献[11]提出了基于健康状态评估的滚动轴承RUL预测方法，建立对应的局部支持向量回归预测模型。虽然以上文献均取得了较好的预测结果，但预测模型需要人为设置大量的网络参数，易产生局部最优解。极限学习机(ExtremeLearningMachine,ELM)是一种简单易用、有效的前馈神经网络，其算法执行过程中不必调整网络的输入权值以及隐元的偏置，因此ELM最大的特点是比传统的学习算法速度快，且泛化性能好。文献[12]提出了一种基于ELM的变量预测模型，文献[13]提出一种基于正则化核最大边界投影维数约简的滚动轴承故障诊断方法，上述文献中均较好的实现了滚动轴承故障诊断识别，但因不同轴承之间性能退化趋势往往不同，单一ELM预测模型存在预测误差较大的问题。随着对集成学习的深入研究，随机森林(RandomForest,RF)作为经典的集成学习算法，因其对噪声的良好容忍度和不易出现过拟合的优点，其与其它算法相结合在多个领域中已有广泛应用。文献[14]提出一种基于切比雪夫特征提取和RF分类算法的无人机状态识别方法，采用真实无人机遥测数据进行验证，证明了所提出方法的有效性和实用性。文献[15]提出一种运用层次分析法结合RF算法构建短期负荷预测模型，通过保定市和上海市的民用负荷和天气数据验证了文中所提模型和算法的正确性和有效性。
技术实现思路
不同滚动轴承运行的工况、环境、使用要求不同，其性能退化特征具有单调性不强、相似性弱和稳定性差的缺点，并且单一预测模型存在鲁棒性差的问题，导致轴承的剩余使用寿命(RemainingUsefulLife,RUL)预测精度不高。本专利技术为了解决现有的滚动轴承剩余使用寿命预测存在预测困难(本专利技术使用了变工况数据)、预测精度低的问题。本专利技术解决上述技术问题采用的技术方案为：一种集成KELM的滚动轴承剩余使用寿命预测方法，所述方法的实现过程为：训练阶段：(1)首先对已知滚动轴承原始振动数据去除直流分量，再进行多项式趋势项消除，然后使用五点平滑法对其进行平滑，去除频率成分较高的干扰信号，最后选用VMD算法对预处理的信号进行模态分解；VMD算法预先设定分解模态个数K′，根据观察各模态中心频率的方法确定实际K值，若K′个分解模态中第ki′个首次出现中心频率相近的模态分量时，产生过分解现象，此时(ki′-1)为实际要分解的BIMF个数K；利用VMD算法(VMD算法是指变分模态分解算法)分解的BIMF(限带内禀模态函数)的个数根据不同轴承信号具有不同的数值；(2)按照如下特征集分别提取各个模态的时、频域特征，并根据公式(10)对时、频域特征中每个特征进行归一化，构造特征矩阵；所述特征集包括7个时域特征和17个频域特征，时域特征包括：均方根值，峰峰值，波形指标，峰值指标，脉冲指标，裕度指标，峭度指标；频域特征包括重心频率，均方频率，均方根频率，频率方差，频域指标F1-F13；Y＝(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin(10)式中，Y为归一化结果，Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值；(3)利用公式(11)进行相关相似性特征降维，将特征集的24个特征(24维)降到一维，最后为了得到具有单调性、相似性和稳定性特征，使用公式(12)进一步对其提取循环增强特征CEF；RSt表示降到一维后的特征，RSt是指基于以上提取的时、频域特征，求当前和初始时刻间的特征序列的相关相似性(Relatedsimilarity,RS)特征；式中，时刻t的数据序列表示为ut，将初始动作时间的数据序列表示为u0，k是特征序列的长度，取值为24，和分别是初始时刻和t时刻的k维特征均值；CEF提取分两步：第一步：将第t时段(时刻，0.1秒)和第t时段之前的特征进行相加作为t时段的增强特征，所有特征从起始点依次循环增强处理；第二步：将每个循环增强后的特征除以对应已知振动数据特征样本的个数M，得到CEF，具体如式(12)所示：式中，T是从起始点到当前第t时段对应的数据序列的长度大小；CEFt表示当前第t时段的循环增强特征；(4)选取一个轴承全寿命数据(已知滚动轴承原始振动数据)，提取各个模态的CEF并且分别作为KELM输入，p作为输出，p表示寿命百分比；并利用CSO对步骤(1)确定的各模态构建的KELM预测模型中核参数惩罚因子C和内核参数g进行寻优，通过计算训练每个KELM预测模型的平均绝对误差(Meanabsoluteerror,MAE)、平均绝对百分误差(Meanabsolutepercentageerror,MAPE)、归一化均方误差(Normalizedmeansquareerror,NMSE)与均方根误差(Rootmeansquareerror,RMSE)之和即(MAE+MAPE+NMSE+RMSE)最小值作为CSO的适应度函数，构建最优KELM预测模型，同理构建其它J-1个轴承的KELM预测模型；(5)将J个轴承的第k个模态分量对应的KELM预测结果取均值，K个均值输入到RF算法中，p值作为输出，构建集成KELM预测模型，至此训练结束；k＝1,2,3...,K；测试阶段：(6)对第J+1个滚动轴承采用与训练阶段相同的数据预处理、特征提取方法；将CEF输入到训练好的集成KELM预测模型中，预测J+1个滚动轴承的当前寿命本文档来自技高网...

【技术保护点】
1.一种集成KELM的滚动轴承剩余使用寿命预测方法，其特征在于，所述方法的实现过程为：训练阶段：(1)首先对已知滚动轴承原始振动数据去除直流分量，再进行多项式趋势项消除，然后使用五点平滑法对其进行平滑，去除频率成分较高的干扰信号，最后选用VMD算法对预处理的信号进行模态分解；VMD算法预先设定分解模态个数K′，根据观察各模态中心频率的方法确定实际K值，若K′个分解模态中第k′i个首次出现中心频率相近的模态分量时，产生过分解现象，此时(k′i‑1)为实际要分解的BIMF个数K；利用VMD算法分解的BIMF的个数根据不同轴承信号具有不同的数值；(2)按照如下特征集分别提取各个模态的时、频域特征，并根据公式(10)对时、频域特征中每个特征进行归一化，构造特征矩阵；所述特征集包括7个时域特征和17个频域特征，时域特征包括：均方根值，峰峰值，波形指标，峰值指标，脉冲指标，裕度指标，峭度指标；频域特征包括重心频率，均方频率，均方根频率，频率方差，频域指标F1‑F13；Y＝(Ymax‑Ymin)(X‑Xmin)/(Xmax‑Xmin)+Ymin   (10)式中，Y为归一化结果，Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值；(3)利用公式(11)进行相关相似性特征降维，将特征集的24个特征(24维)降到一维，最后为了得到具有单调性、相似性和稳定性特征，使用公式(12)进一步对其提取循环增强特征CEF；...

【技术特征摘要】
1.一种集成KELM的滚动轴承剩余使用寿命预测方法，其特征在于，所述方法的实现过程为：训练阶段：(1)首先对已知滚动轴承原始振动数据去除直流分量，再进行多项式趋势项消除，然后使用五点平滑法对其进行平滑，去除频率成分较高的干扰信号，最后选用VMD算法对预处理的信号进行模态分解；VMD算法预先设定分解模态个数K′，根据观察各模态中心频率的方法确定实际K值，若K′个分解模态中第k′i个首次出现中心频率相近的模态分量时，产生过分解现象，此时(k′i-1)为实际要分解的BIMF个数K；利用VMD算法分解的BIMF的个数根据不同轴承信号具有不同的数值；(2)按照如下特征集分别提取各个模态的时、频域特征，并根据公式(10)对时、频域特征中每个特征进行归一化，构造特征矩阵；所述特征集包括7个时域特征和17个频域特征，时域特征包括：均方根值，峰峰值，波形指标，峰值指标，脉冲指标，裕度指标，峭度指标；频域特征包括重心频率，均方频率，均方根频率，频率方差，频域指标F1-F13；Y＝(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin(10)式中，Y为归一化结果，Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值；(3)利用公式(11)进行相关相似性特征降维，将特征集的24个特征(24维)降到一维，最后为了得到具有单调性、相似性和稳定性特征，使用公式(12)进一步对其提取循环增强特征CEF；RSt表示降到一维后的特征，RSt是指基于以上提取的时、频域特征，求当前和初始时刻间的特征序列的相关相似性特征；式中，时刻t的数据序列表示为ut，将初始动作时间的数据序列表示为u0，k是特征序列的长度，取值为24，和分别是初始时刻和t时刻的k维特征均值；CEF提取分两步：第一步：将第t时段和第...

【专利技术属性】
技术研发人员：康守强，孙良棚，王玉静，谢金宝，陈威威，王庆岩，
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