一种基于INFO的轴承剩余寿命预测方法技术

本发明专利技术涉及深度学习技术领域，尤其涉及一种基于INFO的轴承剩余寿命预测方法，包括对数据进行预处理，利用INFO

【技术实现步骤摘要】
一种基于INFO的轴承剩余寿命预测方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于INFO的轴承剩余寿命预测方法。

技术介绍

[0002]深度的学习与自我维护是智能制造的技术特征之一；通过在实践中的不断地学习来充实其知识库，智能制造系统的典型特征是具有按一定逻辑结构的深度自学习功能。伴随智能制造技术的深入推进，轴承寿命预测的功能根据用户业务需求在不断拓展。滚动轴承是旋转机械中应用最广泛的一部分，也是关键部件之一。轴承运行出现问题容易导致机械故障，轻则造成生产停产经济损失，重则发生人员安全事故，所以轴承的安全稳定运行对旋转机械至关重要，因此对轴承进行剩余寿命预测研究具有重要意义和现实价值。
[0003]随着信息技术和制造业水平的不断发展，大型机械设备不断朝着高精、高效及工况多样复杂化发展；大型机械设备在极端条件(高温、超负荷)下工作，容易发生故障，造成严重的经济损失；剩余寿命预测是保障运行设备可靠性、安全性和经济性的重要技术手段，防止故障的发生，降低由设备故障引发的事故风险，从而节约维护成本，提高生产效率。

技术实现思路

[0004]针对现有算法的不足，本专利技术针对轴承振动数据复杂度高、VMD参数选择困难等问题提出INFO
‑
VMD方法，利用INFO对VMD的最优层数k和惩罚系数α寻优；针对特征差异性较大、预测准确度较低的问题，提出预测模型，包括特征降维、INFO
‑
DELM训练模型和数据拟合三个部分组成。
[0005]本专利技术所采用的技术方案是：一种基于INFO的轴承剩余寿命预测方法包括以下步骤：
[0006]步骤一、对数据进行预处理，利用INFO
‑
VMD方法先对振动数据进行分解，对分解后的数据提取特征组成特征集；
[0007]进一步的，具体包括：
[0008]S11、利用VMD分解振动数据，对分解的模态提取最小包络熵作为INFO算法的适应度函数；
[0009]S12、初始化INFO的参数，设置最大迭代次数、种群大小；
[0010]S13、用INFO算法对VMD进行迭达寻优，得到最优层数k和惩罚系数α；
[0011]S14、用最优层数k和惩罚系数α设置VMD的分解参数，分解振动数据得到k层模态分量；对分成k层的模态分别提取时域和频域特征。
[0012]步骤二、对特征集进行特征降维；
[0013]具体包括：
[0014]S21、利用随机森林和单调算法相结合的方法对特征进行筛选，通过重要度和增减性排序得到优选特征子集；
[0015]进一步的，随机森林的重要度评估指标用GI作为来衡量，计算出每个特征的GI
m
评分，公式为：
[0016][0017]其中，m表示特征个数，H表示组数据共有H类，P
mh
表示节点中h所占的比例；
[0018]进一步的，单调算法的公式为：
[0019][0020]其中，n为测试组的采集点数，l是对象个数；i表示测试组中特征的组数，j表示单组特征中特征的个数；是表示第i组特征中的第j个特征值，Pdiff表示正差分，Ndiff表示负差分。
[0021]S22、利用主成分分析对优选特征子集进一步降维，得到多个主成分分量，采用第一个主成分分量作为退化指标；
[0022]步骤三、将训练集的退化数据输入INFO
‑
DELM模型进行训练，得到DELM的训练参数，设置DELM训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据。
[0023]进一步的，具体包括：
[0024]S31、初始化INFO和DELM的参数，将测试集退化指标导入DELM模型中进行训练，通过INFO确认最佳矢量；
[0025]S32、利用INFO中的更新规则、矢量组合和本地搜索三个步骤来寻找最佳矢量，若没有完成遍历则继续更新规则直至完成；在每组迭达的遍历完成情况下，再进入下一轮迭达，重新开始更新规则，直至全部迭达完成，在迭代完成后若有更佳的矢量出现则更新最佳矢量；
[0026]S33、通过INFO算法对DELM的输入层权值和隐藏层阈值进行迭代寻优后得到最优输入层权值和最优隐藏层阈值；将DELM参数设置为最优参数，测试集退化指标导入至DELM模型中得到预测数据。
[0027]步骤四、首先利用移动平均滤波器对预测数据进行滤波；然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命；
[0028]进一步的，预测寿命的多项式表达式为：
[0029]y＝a1x
w
+a2x
w
‑1+
…
+a
w
x1+c
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]其中，w取值为正整数，a1、a2、
…
、a
w
为多项式系数，c为常数。
[0031]本专利技术的有益效果：
[0032]1、INFO
‑
VMD方法与EMD、VMD等传统预处理方法相比，具有精度高、收敛快和鲁棒性好等特点；
[0033]2、与经典预测模型对比，本专利技术预测模型的精度更高。
附图说明
[0034]图1是本专利技术的基于INFO的轴承剩余寿命预测方法流程图；
[0035]图2是本专利技术的INFO
‑
VMD优化流程图；
[0036]图3是本专利技术的INFO
‑
DELM优化流程图；
[0037]图4是INFO算法与现有算法收敛曲线对比图；
[0038]图5是INFO
‑
VMD算法与现有算法收敛曲线对比图；
[0039]图6是PCA的四个主成分对比图。
具体实施方式
[0040]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0041]数据集“IEEE PHM 2012数据挑战赛”包括3种工况下测试数据，分别为工况1：负载4000N，转速1800转；分别为工况2：负载4200N，转速1650转；分别为工况3：负载5000N，转速1500转。该数据集所有实验组采样频率都为25.6kHz，每隔10秒记录一次，每次记录时间为0.1秒，数据集中共有3种不同工况的实验组，其中1_1、1_2、2_1、2_2、3_1和3_2作为训练集，1_3、1_4、1_5、1_6、1_7、2_3、2_4、2_5、2_6、2_7和3_3作为测试集。
[0042]如图1所示，一种基于INFO的轴承剩余寿命预测方法包括以下步骤：
[0043]步骤一、对数据进行预处理，利用INFO
‑
VMD方法先对振动数据进行分解，对分解后的数据提取特征组成特征集。
[0044]对训练集和测试集分别用INFO
‑
VMD特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于INFO的轴承剩余寿命预测方法，其特征在于，包括以下步骤：步骤一、利用INFO
‑
VMD方法对振动数据进行分解，对分解后的数据提取特征组成特征集；步骤二、对特征集进行特征降维；步骤三、将训练集的退化数据输入INFO
‑
DELM模型进行训练，得到DELM的训练参数，设置DELM训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据；步骤四、首先利用移动平均滤波器对预测数据进行滤波；然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命。2.根据权利要求1所述的基于INFO的轴承剩余寿命预测方法，其特征在于，步骤一具体包括：S11、利用VMD分解振动数据，对分解的模态提取最小包络熵作为INFO算法的适应度函数；S12、初始化INFO的参数，设置最大迭代次数、种群大小；S13、用INFO算法对VMD进行迭达寻优，得到最优层数k和惩罚系数α；S14、用最优层数k和惩罚系数α设置VMD的分解参数，分解振动数据得到k层模态分量；对分成k层的模态分别提取时域和频域特征。3.根据权利要求1所述的基于INFO的轴承剩余寿命预测方法，其特征在于，步骤二具体包括：S21、利用随机森林和单调算法相结合的方法对特征进行筛选，通过重要度和增减性排序得到优选特征子集；S22、利用主成分分析对优选特征子集进一步降维，得到多个主成分分量，采用第一个主成分分量作为退化指标。4.根据权利要求3所述的基于INFO的轴承剩余寿命预测方法，其特征在于：随机森林的...

【专利技术属性】
技术研发人员：郇战，周靖诺，陈瑛，余中舟，
申请(专利权)人：常州大学，
类型：发明
国别省市：