基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法技术

本发明专利技术提出了一种基于线性可靠度指标的精确预测滚动轴承的剩余使用寿命的方法，旨在提高模型的预测精度，实现步骤为：获取训练样本集和测试样本集；建立多个堆栈自编码器模型，以训练样本集和测试样本集分别作为输入依次对多个堆栈式自编码器模型进行训练，提取性能退化特征；基于聚类、单调性和相关性对评价性能退化特征，设置阈值筛选特征；基于单调性选取训练原始最优特征，建立线性可靠度指标曲线，并进行特征平移和特征插值，分别构建训练映射特征集和测试映射特征集；训练映射特征集为输入训练可靠性评估模型，将测试映射特征集输入训练好的可靠度评估模型得到测试可靠度，基于粒子滤波算法预测待预测轴承的剩余使用寿命。

【技术实现步骤摘要】
基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
本专利技术属于滚动轴承可靠性评估
，涉及一种滚动轴承剩余寿命预测方法，具体涉及一种基于线性可靠度指标的滚动轴承可靠性评估方法，可用于滚动轴承的剩余寿命预测。
技术介绍
旋转机械设备在正常运行时，性能退化是不可避免的，并且是随着运行时间的增加而积累的过程。滚动轴承作为旋转机械的关键部件，其性能直接影响机械设备的运行和生产安全。在工作条件、振动、温度等因素的影响下，滚动轴承会产生性能退化，这种退化行为可能会导致整个机械系统的故障或崩溃。为防止这种退化引起的整个机械系统的崩溃，引入了预测技术。预测技术是根据历史信息、当前使用情况和未来运行状况，预测机械系统或设备及其组成部件的剩余使用寿命(RUL)，以提前提供故障警告和改进维护计划，从而减少昂贵的非计划维护，提高机器的可靠性、可用性和安全性。滚动轴承剩余使用寿命主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对滚动轴承运行状态的数据进行分析，预测从预测点到失效出现的时间，从而达到剩余寿命预测的目的。通常，评本文档来自技高网...

【技术保护点】
1.一种基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法，其特征在于包括如下步骤：/n(1)获取训练样本集X

【技术特征摘要】
1.一种基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法，其特征在于包括如下步骤：
(1)获取训练样本集Xtrain和测试样本集Xtest：
对从滚动轴承性能退化数据库中选取的滚动轴承的I个维度为2L的完整退化行为的振动时域信号进行模数转换，并将转换后的I个维度为L的振动频域信号组成训练样本集Xtrain，同时对通过数据采集系统实时采集的待预测滚动轴承的完整性能退化过程的前J个维度为2L的振动时域信号进行模数转换，并将转换后的J个维度为L的振动频域信号组成测试样本集Xtest，其中，I≥400，L≥500，x′l(i)表示维度为l的第i个训练样本点，J≥300，x″l(j)表示维度为l的第j个测试样本点；
(2)构建N个堆栈式自编码器模型：
构建N个各包含K个自编码器的堆栈式自编码器模型A＝{A1,A2,…,An,…,AN}，其中，N≥2，K≥2，An表示第n个堆栈式自编码器模型，表示第k个包括输入层、隐含层和输出层的自编码器，的输出层的节点数与输入层的节点数相等，隐含层的隐藏表示为的隐含层的节点数为h；
(3)对N个堆栈式自编码器模型进行迭代训练：
(3a)令n＝1，k＝1；
(3b)将训练样本集Xtrain和测试样本集Xtest分别作为第n个堆栈式自编码器模型An中第k个自编码器的输入进行前向传播，得到目标输出值Xtrain′和Xtest′，并以Xtrain′与Xtrain的重构损失，以及Xtest′与Xtest的重构损失，对An的编码权重W、编码偏置b、解码权重W′、解码偏置b′进行更新，得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3c)将训练后的训练自编码器的训练隐含表示和测试自编码器的测试隐含表示分别作为第n个堆栈式自编码器模型An中第k+1个自编码器的输入进行前向传播，并按照步骤(3b)的方法对自编码器进行训练，得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3d)判断k＝K是否成立，若是，得到训练后的第n个训练堆栈式自编码器模型和隐含层h个节点的隐含表示以及测试堆栈式自编码器模型和隐含层h个节点的隐含表示否则，令k＝k+1，并执行步骤(3c)；
(3e)判断n＝N是否成立，若是，得到N个训练后的训练堆栈式自编码器模型A′＝{A1′,A2′,…,An′,…,AN′}，以及测试堆栈式自编码器模型A″＝{A1″,A2″,…,An″,…,AN″}，并将N个的作为Xtrain的性能退化特征，构成训练集成特征集同时将N个的作为从Xtest中提取到的性能退化特征，构成测试集成特征集其中，M＝N×h，F′m(i)表示第m个训练集成特征，F″m(j)表示第m个测试集成特征，M≤L，否则，令n＝n+1，k＝1，并执行步骤(3b)；
(4)获取训练原始特征集Ftrain(o)和测试原始特征集Ftest(o)：
(4a)基于Ftrain设置C个训练聚类中心并基于单调性度量指标Mon对每个进行单调性评价，得到C个的训练单调性性能评价指标值Mon1′,Mon2′,…,Monc′,…,MonC′，其中，C≥4；
(4b)计算F′m(i)与的距离，并将F′m(i)划归到F′m(i)与的C个距离中最小的一类，基于相关性度量指标Corr对F′m(i)及其对应的之间相关性进行评价，得到M个训练相关性指标Corr1′,Corr2′,…,Corrm′,…,CorrM′；
(4c)设置训练单调性度量指标阈值Mont′和相关性指标阈值Corrt′，并将C个中Monc′小于Mont′的那一类训练集成特征从Ftrain中删除，再将M个F′m(i)中Corrm′小于Corrt′的F′m(i)从Ftrain中删除，然后将Ftrain中剩余的Q个训练集成特征样本构成训练原始特征集选取Ftest中与Ftrain中剩余的Q个训练集成特征维度相同的Q个测试集成特征构成测试原始特征集其中，第q个训练原始特征为Fq(i)，第q个测试原始特征为Fq(j)，Q≤M；
(5)构建线性可靠度指标曲线RL：
(5a)基于单调性度量指标Mon对Ftrain(o)进行评价，并将评价结果中单调性指标值最大的训练原始特征作为Ftrain(o)的训练原始最优特征F′O(i)，F′O(i)的时间域和值域分别为训练真实时间域T′R(i)和训练值域D′O(i)，F′O(i)的每个特征点对应的训练真实时间为t′r(i)；同时，将测试原始特征集Ftest(o)中与F′O(i)特征维度相等的测试原始特征作为测试原始最优特征F″O(j)，F″O(j)的时间域为测试真实时间域T″R(j)，F″O(j)的每个特征点对应的测试真实时间为t″r(j)；
(5b)基于训练原始最优特征F′O(i)构建值域DR＝D′O(i)，时间域为映射时间域TM＝2T′R(i)的线性可靠度指标曲线RL，RL起点为F′O(i)的第一个特征点F′O(1)，终点为值域DR最大值和时间域TM最大值的交点；
(6)构建训练平移特征F′P(i)与测试平移特征F″P(j)：
将每个训练原始最优特征F′O(i)的特征点和每个测试原始最优特征F″O(j)的特征点分别平移到线性可靠度指标曲线RL上，得到训练平移特征F′P(i)和测试平移特征F″P(j)，F′P(i)的特征值与其所对应的F′O(i...

【专利技术属性】
技术研发人员：王奇斌，徐锟，孔宪光，马洪波，怀天澍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61