结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法技术

本发明专利技术公开了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，包括：采集滚动轴承的振动信号；构建高维特征集，划分为训练数据、测试数据；将训练数据依据多个评价指标进行特征评价，获得评价指标得分；再依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；利用训练集完成多策略优化SVDD模型的训练；将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。本发明专利技术所提自适应敏感特征选择方法依据多个特征评价指标综合确定自适应敏感特征集；多策略优化的SVDD仅使用滚动轴承健康阶段早期样本完成模型训练，自适应确定退化起始点的同时能较好地克服数据异常值、虚假波动对退化模型的干扰，所提方法能准确反映滚动轴承的性能退化状况，对及早发现滚动轴承的潜在故障并进行维护具有积极作用。行维护具有积极作用。行维护具有积极作用。

【技术实现步骤摘要】
结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法


[0001]本专利技术涉及一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法、系统，属于机械故障诊断


技术介绍

[0002]滚动轴承是机械系统的核心部件之一，广泛应用在各类旋转机械中。由于工况复杂且工作环境恶劣，导致滚动轴承易于损坏，其发生失效将导致整个机械系统的瘫痪。在役期间，因疲劳、磨损等原因，滚动轴承不可逆的发生性能退化。滚动轴承在役阶段有效开展性能退化评估，可针对性的组织维修以防失效发生，从而提高整机运行可靠性。
[0003]滚动轴承性能退化评估主要包括：监测数据获取、特征提取和模型建立，提取有效特征是准确评估滚动轴承性能的关键之一。处理非平稳数据时，因单一退化特征所蕴含的滚动轴承性能退化信息量少且抗干扰能力差，常构建一个用于综合反映滚动轴承性能退化信息的高维特征集。尽管高维特征集实现了特征间的差异互补，但其中往往会存在与退化评估目的无关的特征。通过特征评价可以对特征与退化评估目标的相关性进行排序，但特征选择时严重依赖专家先验知识，会引入主观误差。
[0004]此外，在利用特征集进行滚动轴承性能退化评估方面：首先，滚动轴承的退化过程通常包含健康阶段和退化阶段。而在生产活动中，轴承退化阶段数据较少，有时甚至仅有健康阶段数据。其次，退化阶段的开始时间定义为首次退化时间(FPT)，自适应确定FPT可以有效触发预警开展维修养护。在开展滚动轴承性能退化评估时，存在训练模型同时需要健康阶段与退化阶段数据，依据振动信号幅值变化趋势划分阶段的问题，忽略了难以获取退化阶段数据数据及需二次确定FPT的问题；最后，数据监测过程中不可避免的遭受噪音、环境变化的干扰，导致数据中存在异常值、虚假波动。借助决策策略克服随机波动及对评估结果进行修复是目前的主要应对策略，存在主观性与可解释性降低等问题。综上，利用敏感特征集进行滚动轴承退化性能评估仍旧存在缺点，如建立模型时需要使用滚动轴承全寿命数据；评估模型对异常值、虚假波动容忍度较低；需要二次确定SPT。

技术实现思路

[0005]本专利技术提供了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法、系统，通过特征优选构建敏感特征集，克服了单一特征不稳定而传统特征选择方法依靠经验选的局限性；同时多策略优化的SVDD能较好的应对退化指标的异常值、虚假波动，并基于正常样本自适应确定SPT，能够准确反映滚动轴承的性能退化状况，提高了对滚动轴承退化性能的评估能力，对及早发现滚动轴承的潜在故障并进行维护有积极作用。
[0006]本专利技术的技术方案是：一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，包括：
[0007]Step1、采集滚动轴承的振动信号；
[0008]Step2、提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
[0009]Step3、将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
[0010]Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
[0011]Step5、将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。
[0012]还包括：Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。
[0013]所述Step3，包括：
[0014]Step3.1、计算训练数据高维特征的多个评价指标得分；其中，评价指标包括单调性、相关性、鲁棒性评价指标；
[0015]Step3.2、利用TOPSIS
‑
聚类方法综合评价特征并自适应确定敏感特征集；将训练数据依据敏感特征集构建训练集。
[0016]所述利用TOPSIS
‑
聚类方法综合评价特征并自适应确定敏感特征集，包括：
[0017]依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分S
i
；其中，S
i
表示第i个特征的TOPSIS得分；
[0018]将TOPSIS得分S
i
进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。
[0019]所述多策略优化SVDD模型中采用的核函数为多核函数K
m
(x
p
·
x
v
)，具体为：
[0020]K
m
(x
p
·
x
v
)＝ωK1(x
p
·
x
v
)+(1
‑
ω)K2(x
p
·
x
v
)
[0021]式中，x
p
、x
v
分别为第p、v个训练样本；ω是权重，满足0<ω<1；K1(x
p
·
x
v
)和K2(x
p
·
x
v
)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数k
Gauss
(x
p
·
x
v
)，Sigmoid核函数k
Tanh
(x
p
·
x
v
)以及Laplace核函数k
Lapl
(x
p
·
x
v
)。
[0022]所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标，包括：将训练集作为健康空间向量，将测试数据依据敏感特征集构建测试集，利用自联想核回归AAKR对测试集进行重构，得到测试集中的样本映射到健康空间向量的映射值；计算测试集中样本的映射值与超球体球心之间的距离作为滚动轴承的性能退化指标HI。
[0023]所述自联想核回归AAKR对测试集进行重构采用的距离公式如下：
[0024]||Q
t
‑
X
o
||2＝1+(Q
t
‑
X
o
)
T
S
‑1(Q
t
‑
X
o
)
‑
(Q
t
·
X
o
)/(|Q
t
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，包括：Step1、采集滚动轴承的振动信号；Step2、提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；Step3、将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；Step5、将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。2.根据权利要求1所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，还包括：Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。3.根据权利要求1或2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述Step3，包括：Step3.1、计算训练数据高维特征的多个评价指标得分；其中，评价指标包括单调性、相关性、鲁棒性评价指标；Step3.2、利用TOPSIS
‑
聚类方法综合评价特征并自适应确定敏感特征集；将训练数据依据敏感特征集构建训练集。4.根据权利要求3所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述利用TOPSIS
‑
聚类方法综合评价特征并自适应确定敏感特征集，包括：依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分S
i
；其中，S
i
表示第i个特征的TOPSIS得分；将TOPSIS得分S
i
进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。5.根据权利要求1或2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述多策略优化SVDD模型中采用的核函数为多核函数K
m
(x
p
·
x
v
)，具体为：K
m
(x
p
·
x
v
)＝ωK1(x
p
·
x
v
)+(1
‑
ω)K2(x
p
·
x
v
)式中，x
p
、x
v
分别为第p、v个训练样本；ω是权重，满足0<ω<1；K1(x
p
·
x
v
)和K2(x
p
·
x
v
)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数k
Gauss
(x
p
·
x
v
)，Sigmoid核函数k
Tanh
(x
p
·
x
v
)以及Laplace核函数k
Lapl
(x
p
·
x
v
)。6.根据权利要求1或2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中...

【专利技术属性】
技术研发人员：王之海，冯正江，柳小勤，刘韬，李佳慧，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：