一种滚轮丝杠副剩余使用寿命预测方法技术

本发明专利技术公开一种滚轮丝杠副剩余使用寿命预测方法，包括：获取滚轮丝杠副历史数据中多种故障特征，组成多种故障特征向量空间，训练生成拓扑映射GTM网络，构建历史数据似然概率NLLP指标，利用K均值聚类法进行状态划分，构建基于历史数据的Markov模型，预测状态向量和剩余寿命；提取滚轮丝杠副在线监测数据中多种故障特征，构建在线监测数据NLLP指标，训练基于在线监测数据Markov模型预测下一时刻状态向量和剩余寿命；基于在线监测数据获取实际状态向量，获取权值动态修正系数，获取最终剩余寿命。本发明专利技术构建基于历史数据预测模型和基于在线监测数据预测模型，并进行加权平均得到预测结果，增强预测实时性，提高了预测精度。提高了预测精度。提高了预测精度。

【技术实现步骤摘要】
一种滚轮丝杠副剩余使用寿命预测方法


[0001]本专利技术涉及丝杠寿命预测领域，特别是涉及一种滚轮丝杠副剩余使用寿命预测方法。

技术介绍

[0002]密封磁阻马达式CRDM(Control Rod Drive Mechanism)是核反应堆控制系统和安全保护系统的一种伺服机构，主要应用在船用反应堆中，通过一组滚轮丝杠副带动控制棒组件上下运动。由于滚轮丝杠组件工作在一回路中，工作负荷大，环境恶劣，磨损严重并且维修成本高。为保证CRDM工作的安全可靠，对其剩余使用寿命RUL(Remaining Useful Life)的有效预测并适时维修，变得尤为重要。对RUL预测一般通过选取一种或多种故障特征作为设备的健康状态指标，利用预测模型对健康状态指标进行预测，从而获取设备未来的健康状态并进一步得出剩余寿命。有效的健康状态指标和稳健的预测模型可以提高预测精确度。因此，如何选取有效的健康状态指标和合理利用数据构建预测模型成为提高远期预测精度的关键。
[0003]目前，针对机械设备的RUL预测主要有基于经验知识、基于物理失效模型和基于数据驱动的RUL预测方法。然而，基于经验知识的RUL预测方法一般用于定性推理，预测精度不高；基于物理失效模型的RUL预测方法精度较高却需要对失效原理有深入的了解，不便于推广和应用。

技术实现思路

[0004]本专利技术的目的是提供一种滚轮丝杠副剩余使用寿命预测方法，以解决上述现有技术存在的问题，采用NLLP指标作为滚轮寿命的健康状态指标，利用LMS和Markov模型构造基于历史数据和在线监测数据的自适应预测模型，增强了预测的实时性，提高了预测精度。
[0005]为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种滚轮丝杠副剩余使用寿命预测方法，包括以下步骤：
[0006]获取滚轮丝杠副历史数据中多种故障特征，组成多种故障特征向量空间，利用多种故障特征向量空间训练生成拓扑映射GTM网络；
[0007]利用训练好的GTM网络构建历史数据似然概率NLLP指标；
[0008]基于历史数据NLLP指标，利用K均值聚类法对NLLP指标进行状态划分；
[0009]基于历史数据NLLP指标状态划分，构建基于历史数据的Markov模型并进行训练，利用基于历史数据的Markov模型预测滚轮丝杠副下一时刻的状态向量η1，并预测得出剩余寿命l1；
[0010]提取滚轮丝杠副在线监测数据中多种故障特征，利用训练完成的GTM网络构建在线监测数据NLLP指标；
[0011]基于在线监测数据NLLP指标和历史数据NLLP指标状态划分，训练基于在线监测数据的Markov模型；
[0012]基于在线监测数据的Markov模型分别预测下一时刻的状态向量η2和预测得出剩余寿命l2；
[0013]基于在线监测数据获取实际状态向量η3；
[0014]基于所述状态向量η1、所述状态向量η2和所述实际状态向量η3，获取权值动态修正系数ω；
[0015]基于所述剩余寿命l1、所述剩余寿命l2和所述权值动态修正系数ω，获取滚轮丝杠副最终剩余寿命。
[0016]优选地，利用GTM网络构建历史数据似然概率NLLP指标的方法如下式所示：
[0017][0018]式中，p(t|W,β)为似然概率，t表示实际的高维空间数据，β表示实际的高维空间数据t的逆方差，W表示D
×
M转换矩阵，K表示将隐变量空间X离散成网格的个数，x
i
表示第i个网格的低维空间数据。
[0019]优选地，所述滚轮丝杠副剩余使用寿命Rul为：
[0020]Rul＝(α1‑
ω)
·
l1+(α2+ω)
·
l2[0021]式中，α1表示基于历史数据的Markov模型的权值，α2表示基于实时数据的Markov模型的权值，l1表示基于历史数据的Markov模型获取的剩余寿命预测值，l2表示基于在线监测数据的Markov模型获取的剩余寿命预测值。
[0022]优选地，权值动态修正系数ω采用LMS算法中的权值调整方法获取。
[0023]优选地，所述权值动态修正系数表示为
[0024]ω(t)＝ω(t
‑
1)+2μ(t)e(t)x(t)
[0025]式中，x(t)为t时刻预测的剩余使用寿命；μ(t)为步长，0＜μ(t)＜1/x(t)；ω(t)为t时刻的权值修正系数；e(t)为基于实时数据的Markov模型和基于历史数据的Markov模型的相对预测误差。
[0026]优选地，Markov预测模型包括状态向量和状态转移矩阵。
[0027]本专利技术公开了以下技术效果：本专利技术采用基于GTM的NLLP指标作为滚轮丝杠副的健康状态指标，采用Markov模型分别构建基于历史数据的预测模型和基于在线监测数据的预测模型，并对这两个模型的预测结果进行加权平均得到最终预测结果，为了充分利用两种数据中的状态信息和增强对非平稳数据的处理能力，利用LMS算法使权值能够根据实时的相对预测误差进行自适应调整，进一步增强预测的实时性，提高了滚轮丝杠副剩余寿命的预测精度，可为滚轮丝杠副的预防性维修工作提供理论和方法支持。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本专利技术滚轮丝杠副剩余使用寿命预测流程示意图；
[0030]图2为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副四组数据全寿命周期
的特征图；其中图2(a)表示全寿命峭度图、图2(b)表示全寿命有效值图，图2(c)表示全寿命峰值图；
[0031]图3为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副四组数据的基于NLLP健康指标的全寿命图；其中，图3(a)、图3(b)、图3(c)、图3(d)分别为四组数据基于NLLP健康指标的全寿命图；
[0032]图4为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副的历史数据样本分组组合的3种组合预测误差与权值的趋势图；
[0033]图5为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副自适应预测模型的剩余寿命预测图；
[0034]图6为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副基于历史数据模型的剩余寿命预测图；
[0035]图7为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副基于在线监测数据模型的剩余寿命预测图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚轮丝杠副剩余使用寿命预测方法，其特征在于：包括以下步骤：获取滚轮丝杠副历史数据中多种故障特征，组成多种故障特征向量空间，利用多种故障特征向量空间训练生成拓扑映射GTM网络；利用训练好的GTM网络构建历史数据似然概率NLLP指标；基于历史数据NLLP指标，利用K均值聚类法对NLLP指标进行状态划分；基于历史数据NLLP指标状态划分，构建基于历史数据的Markov模型并进行训练，利用基于历史数据的Markov模型预测滚轮丝杠副下一时刻的状态向量η1，并预测得出剩余寿命l1；提取滚轮丝杠副在线监测数据中多种故障特征，利用训练完成的GTM网络构建在线监测数据NLLP指标；基于在线监测数据NLLP指标和历史数据NLLP指标状态划分，训练基于在线监测数据的Markov模型；基于在线监测数据的Markov模型分别预测下一时刻的状态向量η2和预测得出剩余寿命l2；基于在线监测数据获取实际状态向量η3；基于所述状态向量η1、所述状态向量η2和所述实际状态向量η3，获取权值动态修正系数ω；基于所述剩余寿命l1、所述剩余寿命l2和所述权值动态修正系数ω，获取滚轮丝杠副最终剩余寿命。2.根据权利要求1所述的滚轮丝杠副剩余使用寿命预测方法，其特征在于：利用GTM网络构建历史数据似然概率NLLP指标的方法如下式所示：式中，p(t|W,β)为似然概率，t表示实际的高维空间数据，β表示实际的高维空间数据t的逆方差，W表示D

【专利技术属性】
技术研发人员：张黎明，焦猛，张磊，佟怡铄，陈璐珈，肖红光，陈玲，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：