一种机械故障预测方法技术

本发明专利技术涉及机械故障预测技术领域，特别是涉及一种机械故障预测方法。包括：S1将待预测数据组成一组时间序列；S2、将时间序列分解成一组单分量信号的本征模函数和残差序列；S3、对单分量信号的本征模函数和残差序列进行平稳性检验，若未通过，则进行步骤S4操作，若通过，则跳转至步骤S5操作；S4、对非平稳序列进行差分运算，建立ARIMA模型，跳转至步骤S3操作；S5、判断ARIMA模型参数；S6、对剩余的残差进行残差检验；S7、将所有单分量信号的预测序列进行EMD重构，得到预测总值；S8、将预测总值中的机械数据与设定的故障阈值进行比较，得到机械的剩余寿命。本发明专利技术只需少量的数据样本即可完成预测，模型简单，只需要内生变量而不需要借助其他外生变量。助其他外生变量。助其他外生变量。

【技术实现步骤摘要】
一种机械故障预测方法


[0001]本专利技术涉及机械故障预测
，特别是涉及一种机械故障预测方法。

技术介绍

[0002]目前针对机械故障的预测主要有两种类型：基于物理模型，基于数据驱动型。
[0003]基于物理模型的方法首先通过动态建模模拟出预测的物件的模型，然后根据模型进行预测，这种方法准确度高。但是缺点是对于复杂环境的系统，很难去建立出物理模型。并且不同的系统要建立不同的物理模型，通用性不强。
[0004]基于数据驱动的预测是根据采集到的设备的历史数据建立预测模型，不需要去建立复杂的物理模型，所以不需要对于系统的机理非常了解，只要有充足的数据即可。但是缺点是需要大量的历史数据作为支撑。若应用的系统无法采集到足够的历史数据，则无法进行预测或者预测准确度极低。

技术实现思路

[0005]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种机械故障预测方法，解决现有技术中的对于复杂环境的系统，很难去建立出物理模型，基于数据驱动预测需要大量数据和预测准确度低的问题。
[0006]为实现上述目的及其他相关目的，本专利技术提供一种机械故障预测方法，包括：
[0007]S1、选择待预测数据，并将所述待预测数据组成一组时间序列x(t)；
[0008]S2、采用经验模态分解将所述时间序列分解成一组单分量信号的本征模函数imf
i
(t)和残差序列r0(t)；
[0009]S3、对所述单分量信号的本征模函数imf
i
(t)和残差序列r0(t)进行平稳性检验，若未通过平稳性检验，则进行步骤S4操作，若通过平稳性检验，则跳转至步骤S5操作；
[0010]S4、对非平稳序列进行差分运算，建立ARIMA模型，跳转至步骤S3操作；
[0011]S5、通过AIC准则或BIC准则判断ARIMA模型参数；
[0012]S6、对剩余的残差进行残差检验，若检验通过，则进行机械故障预测；
[0013]S7、将所有所述单分量信号的预测序列进行EMD重构，得到预测总值；
[0014]S8、将所述预测总值中的机械数据与设定的故障阈值进行比较，得到机械的剩余寿命。
[0015]在本专利技术的一实施例中，步骤S1中的待预测数据从离线数据库或MySQL数据库中选择。
[0016]在本专利技术的一实施例中，步骤S2中的采用经验模态分解将所述时间序列分解成一组单分量信号的本征模函数imf
i
(t)和残差序列r0(t)包括：
[0017]获取所述时间序列x(t)的局部极大值和极限值，利用三次样条差值法，构建上包络线h(t)、下包络线l(t)、上下包络线的均值m(t)的公式为：
[0018][0019]r(t)为时间序列x(t)与上下包络线的均值m(t)的差值，判断r(t)是否单调，若单调，则分解出一个IMF序列，获取多个IMF序列的公式为：
[0020][0021]其中，imf
i
(t)为经验模态分解得到的第i个IMF序列，r
n
(t)为分解n个IMF序列后信号残余分量。
[0022]在本专利技术的一实施例中，在步骤S3中，若未通过平稳性检验，则所述时间序列为非平稳序列，若通过平稳性检验，则所述时间序列为平稳序列。
[0023]在本专利技术的一实施例中，步骤S4中的所述ARIMA模型包括ARIMA模型参数d，d为差分次数。
[0024]在本专利技术的一实施例中，步骤S5中的通过AIC准则判断ARIMA模型参数包括：
[0025]通过AIC准则判断ARIMA模型参数公式为：
[0026]AIC＝2k
‑
2ln(L)，其中，L为似然函数，k为模型复杂度。
[0027]在本专利技术的一实施例中，步骤S5中的通过BIC准则判断ARIMA模型参数包括：
[0028]其中，N为序列长度，p、q为模型参数，为拟合残差平方和；
[0029]选择BIC最小参数，得到p参数、q参数：
[0030]BIC(p,q)＝minBIC(p,q)。
[0031]在本专利技术的一实施例中，步骤S6中的所述剩余的残差为所述时间序列减去ARIMA模型参数，ARIMA模型参数包括差分次数d、参数p、参数q。
[0032]如上所述，本专利技术的一种机械故障预测方法，具有以下有益效果：
[0033]本专利技术的机械故障预测方法将随时间变化的数据看作一组时间序列，只需少量的数据样本即可完成预测，模型简单，只需要内生变量而不需要借助其他外生变量。
[0034]本专利技术的机械故障预测方法降低了对数据数量的依赖，准确度较高，适用于数据量较小的应用场景。
[0035]本专利技术的机械故障预测方法在数据管理方面采用离线数据库和MySQL两种方式，方便用户选择。
附图说明
[0036]图1为本申请一个实施例提供的一种机械故障预测方法的工作流程图。
[0037]图2为本申请又一个实施例提供的一种机械故障预测方法的工作流程图。
[0038]图3为本申请实施例提供的一种机械故障预测方法的EMD重构的工作流程图。
具体实施方式
[0039]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离
本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0040]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图示中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0041]请参阅图1、图2，图1为本申请一个实施例提供的一种机械故障预测方法的工作流程图。图2为本申请又一个实施例提供的一种机械故障预测方法的工作流程图。本专利技术提供一种机械故障预测方法，将随时间变化的数据看作一组时间序列，只需少量的数据样本即可完成预测，模型简单，只需要内生变量而不需要借助其他外生变量。降低了对数据数量的依赖，准确度较高，适用于数据量较小的应用场景，机械故障预测方法包括：
[0042]步骤S1、选择待预测数据，并将所述待预测数据组成一组时间序列x(t)。
[0043]具体的，步骤S1中的待预测数据从离线数据库或MySQL数据库中选择。所述待预测数据例如：线圈的零偏分布数据、磨损寿命数据、DDV线圈偏置数据等。所述时间序列x(t)，(t＝1,2,
…
)。
[0044]步骤S2、采用经验模态分解将所述时间序列分解成一组单分量信号的本征模函数imf
i
(t)和残差序列r0(t)。
[0045]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械故障预测方法，其特征在于，包括：S1、选择待预测数据，并将所述待预测数据组成一组时间序列x(t)；S2、采用经验模态分解将所述时间序列分解成一组单分量信号的本征模函数imf
i
(t)和残差序列r0(t)；S3、对所述单分量信号的本征模函数imf
i
(t)和残差序列r0(t)进行平稳性检验，若未通过平稳性检验，则进行步骤S4操作，若通过平稳性检验，则跳转至步骤S5操作；S4、对非平稳序列进行差分运算，建立ARIMA模型，跳转至步骤S3操作；S5、通过AIC准则或BIC准则判断ARIMA模型参数；S6、对剩余的残差进行残差检验，若检验通过，则进行机械故障预测；S7、将所有所述单分量信号的预测序列进行EMD重构，得到预测总值；S8、将所述预测总值中的机械数据与设定的故障阈值进行比较，得到机械的剩余寿命。2.根据权利要求1所述的一种机械故障预测方法，其特征在于：步骤S1中的待预测数据从离线数据库或MySQL数据库中选择。3.根据权利要求1所述的一种机械故障预测方法，其特征在于，步骤S2中的采用经验模态分解将所述时间序列分解成一组单分量信号的本征模函数imf
i
(t)和残差序列r0(t)包括：获取所述时间序列x(t)的局部极大值和极限值，利用三次样条差值法，构建上包络线h(t)、下包络线l(t)、上下包络线的均值m(t)的公式为：r(t)为时间序列x(t)与上下...

【专利技术属性】
技术研发人员：徐睿，蔄元臣，厚泽，章梦媛，商学敏，张小涵，
申请(专利权)人：北京航天测控技术有限公司，
类型：发明
国别省市：