一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法技术

本发明专利技术涉及一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，包含数据特征提取、特征筛选和特征融合、构建退化指标等步骤。本发明专利技术的实验预测数据与真实剩余寿命时间较为接近，表现出良好的预测效果，本发明专利技术构建的模型预测结果均值误差分别比CNN

【技术实现步骤摘要】
一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法


[0001]本专利技术属于轴承剩余寿命预测
，涉及机器学习预测分析方法，具体是一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法。

技术介绍

[0002]随着制造技术的飞速进步，机械装备不断地向大型、复杂、精密、智能化和集成化的方向发展，其可靠性问题变得日益凸显。轴承作为机械设备中应用最广泛，也是最重要的零部件之一，对整个机械设备运行的健康状态起到一个至关重要的作用。目前国内的一些机械设备工厂的设备使用时间都比较久远，一些轴承零部件的都已经接近其使用寿命甚至在超寿命工作，一旦轴承超出其运行寿命，它的运行精度就会急剧般下降，这对于机械设备来说无疑是一个重大的安全隐患，一旦发生故障势必会造成经济损失，严重的话可能造成人员伤亡。因此，对机械设备进行准确的剩余寿命预测进而开展预测性维护具有十分重要的意义。
[0003]21世纪以来，我国的发展规划中已将故障诊断与健康保障技术密切相关的重大产品与技术列为重点研究方向。近年来，轴承的剩余寿命预测已受到大量学者的高度重视。众多具代表性的轴承剩余寿命预测方法被相继提出，例如模型法和数据驱动法。模型法通过建立基于失效机理的物理模型，描述轴承的退化过程，然而模型法实际难于建立精确的轴承退化模型。数据驱动法通过统计模型或人工智能技术，学习轴承退化过程，实现轴承的剩余寿命预测，然而数据驱动法较为依赖历史数据，预测的准确率实际并不理想。

技术实现思路

[0004]针对现有技术中现有技术不足，本专利技术提出了一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，前端使用EMD分解原始数据后再提取特征的方法得到一组信噪比高的特征集；中端使用原始森林与单调性相结合的方法对特征集进行筛选得出优选特征子集，该方法筛选出的特征退化趋势明显且包含原始数据退化的主要信息；后端使用鲸鱼寻优算法对LSSVM进行优化构建性能退化指标，该方法大大降低了寻优时间和提高了算法的收敛速度。
[0005]本专利技术是通过如下技术方案实现的：
[0006]一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，包含数据特征提取、特征筛选和特征融合(降维融合)、构建退化指标。
[0007]具体地，所述数据特征提取步骤包括：
[0008](1)数据获取：采用PHM2012挑战公开赛的数据集，该轴承数据在不同的运行工况下对轴承进行加速退化实验，从而获得轴承全寿命周期内的实测数据来进行故障检测、故障诊断及剩余寿命预测相关算法验证。实测数据共包括三种工况，即负载4000N，转速1800r/min(工况1)；负载4200N，转速1650r/min(工况2)；负载5000N，转速1500r/min(工况3)。每种工况下的实测数据包括振动信号和温度信号，由于温度信号部分数据缺失。振动信
号包括水平与垂直方向的振动信息，采样频率为25.6kHz，每隔10s记录一次，每次记录时间为0.1s，包括2560个点。本专利技术将轴承编号1_1、1_2、2_1、2_2、3_1、3_2作为训练集使用，轴承编号为1_3、1_4、1_5、1_6、1_7、2_3、2_4、2_5、2_6、2_7和3_3，共11组轴承非全寿数据为实验数据进行轴承剩余寿命预测实验。
[0009](2)EMD分解：原始数据中噪声过高，EMD分解后可以提高信噪比，通过EMD分解得到两个分向量IMF1和IMF2。
[0010](3)特征提取：本专利技术中共提取50个特征。提取16个不同的时域特征，包括均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形指标、峰值指标、裕度指标、脉冲指标、偏斜度指标、峭度指标；无量纲特征主要有偏度指标、峭度指标、峰值指标、脉冲指标、裕度指标、波形指标；频域特征通常被用来发现信号中的周期性信息，提取9个不同的频域特征，分别是4个反映主频带位置的变化频域特征和5个表示频谱的分散或者集中程度频域特征。实验中提取的特征过多且变化趋势繁多无法直接构建性能退化指标需要进一步对特征进行筛选，同时从原始信号上直接提取的特征噪声过大无法有效提取轴承退化信息，因此需要对原始振动信息先进行处理。
[0011]具体地，所述特征筛选和特征融合步骤包括：
[0012](1)随机森林筛选(随机森林排序)：随机森林不仅可以处理分类、回归问题，还可以用于降低特征维度也有很好的适用性。利用随机森林中的重要度分析算法计算所有提取特征的重要度，对随机森林的指标进行归一化后取值范围是[0,1],指标越接近1的特征就代表该特征重要程度越高，随机森林利用其重要度高低算法对提取的所有特征重要度排序。
[0013]随机森林的重要度评估指标用基尼指数(Gini index,GI)作为来衡量，用IM来表示随机森林的重要分数，m表示特征个数，现在要计算出每个特征的GI评分：
[0014][0015]在公式(1)中，K表示该组数据一共有K类，P
mk
表示节点中k所占的比例。特征在节点m分支前后的GI变化量公式为：
[0016][0017]在公式(2)中GI的两个新节点分别用GI
l
和GIr来表示。单个特征的重要性指标的公式为：
[0018][0019](2)单调性筛选(单调性排序)：对特征进行单调性筛选可以选出退化趋势一致的特征，单调性指标的取值范围是[0,1],指标接近1的特征就代表它的单调性趋势更好，也能来减少训练模型的训练误差。
[0020][0021]式子(4)中n为测量点数目,m是对象产品个数，在本例中m＝1；x
j
是表示第j个特征值，Pdiff表示正差分，Ndiff表示负差分。
[0022](3)复合筛选(混合指标筛选)：在随机森林指标重要性和单调性指标重要性的基础上，将两种重要性混合叠加得出新的重要度指标。
[0023](4)降维和特征融合：主成分分析算法(PCA)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大(方差最大)，以此使用较少的数据维度，同时保留住较多的原数据点的特性。通过前期的滤波操作后对滤波数据先进行降维处理，提取的特征通过降维处理得出单调性下较强的几组特征，然后对这几组优选特征进行融合得出主成分数据，并称之为健康指标，用以表征对象的退化特征。
[0024]具体地，所述构建退化指标步骤包括：
[0025](1)同一条件下同一组数据集的模型优化(计算训练模型的最优参数)：利用鲸鱼算法(WOA)对最小二乘支持向量机(LSSVM)的参数进行寻找最优解。WOA算法通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的,具有参数较少、容易实现、收敛性能较强等特点，WOA
‑
LSSVM模型训练可分为4个步骤：
[0026]Step1、将训练集数据进行归一化操作，归一化公式为：
[0027][0028]Step2、将归一化后的数据进行转置以适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，其特征在于，包括如下步骤：S1、数据特征提取；S2、对S1步骤提取的特征进行筛选和特征融合；S3、对S2融合后的数据建立预测模型并构建退化指标，预测轴承的剩余寿命时间。2.根据权利要求1所述的基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，其特征在于，所述S1步骤中数据特征提取的具体步骤如下：(1)EMD分解：对分割好后的训练集和测试集分别通过EMD分解后得到IMF1、IMF2分向量；(2)特征提取：对分解得到的分向量IMF1、IMF2分别提取时域和频域特征、无量纲特征组成特征集。3.根据权利要求2所述的基于鲸鱼优化LSSVM的轴承剩余寿命预测方法，其特征在于，所述S2步骤中特征筛选和特征融合具体步骤如下：(1)特征筛选：将划分的训练集和测试集分别提取的特征进行随机森林和单调性复合筛选的方法进行特征选择，筛选出的特征退化趋势明显且包含原始数据主要的退化信息；(2)特征融合：使用主成分分析算法将降维后的特征值融合成主成分。4.根据权利要求...

【专利技术属性】
技术研发人员：周靖诺，余中舟，郇战，孟博，王佳晖，
申请(专利权)人：江苏立达电梯有限公司，
类型：发明
国别省市：