【技术实现步骤摘要】
一种深度置信网络与极限学习机的轴承衰退趋势预测方法
本专利技术属于机械设备可靠性评估
,具体涉及一种深度置信网络与极限学习机的轴承衰退趋势预测方法。
技术介绍
现代社会正处于飞速发展中,科学技术的不断进步改善了人们的生活,但同时也带来了机遇与挑战。随着科技的进步,机械设备趋向于大型化、精密化、智能化的方向发展,提高了生产效率的同时也增加了设备安全问题的不确定性。而轴承作为机械设备中使用最为广泛的零件,也是最易损坏的零件之一,一旦出现故障,便会造成重大的生产事故。因此对轴承的状态监测及衰退趋势预测是非常有价值的研究工作,不仅能够保证设备的正常运行,避免生产安全事故的发生,还能够为机械设备提供有计划的维修策略,进行视情维修,避免维修不足或维修过度,有效利用资源。因此对轴承实施状态监测及衰退趋势预测在实际生产与工程中有着重要的应用价值。目前,轴承衰退趋势预测的方法主要有三类:基于模型的预测方法、基于数据驱动的预测方法、混合预测方法。近年来,随着人工智能技术的发展,基于数据驱动的预测方法应势蓬勃发展,成为预测领域研究及应用最为广泛的方法。基于数据驱动的预测方法以采集的数据为基础,仅依赖少量或不依赖先验知识,通过数据分析方法挖掘数据深层信息,能够处理大量复杂数据。其中基于神经网络的预测方法在轴承衰退趋势预测领域中得到了广泛研究与应用,并取得了一定成果,但仍存在一定问题。趋势预测中一个非常关键的环节是构建能够全面反映轴承运行状态的健康指标。常用的特征指标有有效值、峰值、峭度以及小波包能量指标等,但这些指标通常只能片 ...
【技术保护点】
1.一种深度置信网络与极限学习机的轴承衰退趋势预测方法,其特征在于,步骤如下:/n步骤1:获取振动信号,进行轴承加速寿命试验,直至轴承完全失效,获得轴承全寿命周期的振动信号;/n步骤2:对原始振动信号进行特征提取,分别提取10个时域统计特征、16个时频域特征和2个基于三角函数的特征,构建全面描述轴承运行状态的多域特征集;/n步骤3:使用深度置信网络对多域特征集进行无监督特征融合,得到全面反映轴承运行状态的健康指标,具体过程如下:/n3.1将步骤2中的多域特征集数据进行[0,1]归一化处理;/n3.2建立深度置信网络模型,将归一化处理后的多域特征集作为输入,进行无监督特征融合,得到全面表征轴承运行状态的健康指标;/n3.2.1深度置信网络是一个能量概率模型,由多个受限玻尔兹曼机堆叠而成,深度置信网络的无监督训练是对单个受限玻尔兹曼机进行逐层训练,受限玻尔兹曼机的训练过程如下:/n1)初始化可见层单元和隐层单元的偏置b
【技术特征摘要】
1.一种深度置信网络与极限学习机的轴承衰退趋势预测方法,其特征在于,步骤如下:
步骤1:获取振动信号,进行轴承加速寿命试验,直至轴承完全失效,获得轴承全寿命周期的振动信号;
步骤2:对原始振动信号进行特征提取,分别提取10个时域统计特征、16个时频域特征和2个基于三角函数的特征,构建全面描述轴承运行状态的多域特征集;
步骤3:使用深度置信网络对多域特征集进行无监督特征融合,得到全面反映轴承运行状态的健康指标,具体过程如下:
3.1将步骤2中的多域特征集数据进行[0,1]归一化处理;
3.2建立深度置信网络模型,将归一化处理后的多域特征集作为输入,进行无监督特征融合,得到全面表征轴承运行状态的健康指标;
3.2.1深度置信网络是一个能量概率模型,由多个受限玻尔兹曼机堆叠而成,深度置信网络的无监督训练是对单个受限玻尔兹曼机进行逐层训练,受限玻尔兹曼机的训练过程如下:
1)初始化可见层单元和隐层单元的偏置bi、cj,可见层和隐层之间的权重矩阵wij,其中i为可见层单元数量,j为隐层单元数量;
2)使用激活函数sigmiod,得到v和h的激活概率如下:
其中,v={v1,v2,...,vi}和h={h1,h2,...,hj}分别为可见层单元和隐层单元;
3)使用对比散度算法,通过步骤2)中的计算公式求得可见单元或隐层单元的概率,实现可见层重构,求得重构误差后使用梯度下降算法更新单元的偏置及权重,更新过程如下:
其中,γ代表学习率,取值为[0,1];
3.2.2将逐层训练RBM得到的偏置和权重作为深度置信网络的模型参数;
步骤4:对健康指标进行[0,1]归一化处理,并对轴承运行状态划分阶段;
步骤5:建立极限学习机回归预测模型,具...
【专利技术属性】
技术研发人员:许雨晨,李宏坤,马跃,黄刚劲,张明亮,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。