【技术实现步骤摘要】
一种小样本装备故障在线预测方法
[0001]本专利技术涉及装备故障预测
,具体为一种小样本装备故障在线预测方法。
技术介绍
[0002]故障预测技术能够立足于故障机理分析,假定故障发生模式,利用历史退化数据,深度挖掘潜在故障信息,构建基于物理或数据驱动的预测模型,实现对故障程度的预测,是装备健康状态判断,剩余使用寿命分析,以及基于状态维修的基础,装备退化呈现较大差异,前期故障难以提取特征,后期故障难以反应当前装备健康状态,较近时刻故障数据的量又难以满足拟合精度的需求,增加了故障预测的难度,小样本、快收敛、高精度的故障在线预测技术已成为故障预测领域研究的热点;
[0003]但是当前的故障预测技术的适应能力差,对故障复杂性高、样本数据量少、预测时效性强的装备的故障预测效果差。
技术实现思路
[0004]本专利技术提供一种小样本装备故障在线预测方法,可以有效解决上述
技术介绍
中提出当前的故障预测技术的适应能力差,对故障复杂性高、样本数据量少、预测时效性强的装备的故障预测效果差的问题。
[0005]为实现上述目的,本专利技术提供如下技术方案:一种小样本装备故障在线预测方法,包括如下预测步骤:
[0006]S1、数据处理:通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响,提出一种改进WTD算法用于在线滤除故障信号中的噪声;
[0007]S2、故障程度识别:通过MEST构建系统或装备的非参数模型,通过对观测向量与历史记忆矩阵的最优重构估计获得估计 ...
【技术保护点】
【技术特征摘要】
1.一种小样本装备故障在线预测方法,其特征在于:包括如下预测步骤:S1、数据处理:通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响,提出一种改进WTD算法用于在线滤除故障信号中的噪声;S2、故障程度识别:通过MEST构建系统或装备的非参数模型,通过对观测向量与历史记忆矩阵的最优重构估计获得估计向量,利用估计向量和观测向量之间的差异性来反应故障程度,并引入CSFI进行平滑处理;S3、故障在线预测:通过TSFM非统计性分析方法,消除数据的偶然变动,并引入梯度下降在线更新平滑因子,引入自适应滑动时间窗动态截取时间序列数据,提升TSFM的拟合能力;S4、实验分析:验证小样本条件下装备故障预测模型的有效性和可行性;S5、数据处理分析:通过预设BIC对不同分解层数的改进WTD算法复杂性进行评估;S6、故障程度识别分析:以改进WTD得到各小波分解系数作为改进MEST的观测变量,设置采样频率、健康状态和退化状态进行故障程度的识别分析,采用双重CSFI处理数据,消除曲线中导数不存在的“尖点”,得平滑后故障程度点;S7、故障在线测试分析:预设自适应滑动时间窗、自适应平滑因子、学习因子、最大训练迭代次数、最小允许误差,将平滑后的轴承故障程度值输入故障在线预测模型中,得自适应平滑因子变化趋势、自适应滑动时间窗长度变化趋势、预测误差变化趋势。S8、预测结果总结:对在线预测模型故障预测的效果进行总结。2.根据权利要求1所述的一种小样本装备故障在线预测方法,其特征在于,所述S1中,通过改进WTD算法用于在线滤除故障信号中的噪声,其原理如下:式中,λ为阈值;ω
j,k
为故障信号小波系数;为预估小波系数;j为分解尺度,且1≤j≤J,J为最大尺度;sgn()为符号函数;此阈值函数在小波域内具有连续性,当ω
j,k
→
λ
‑
时,当ω
j,k
→
λ
+
时,阈值λ的选择应满足:式中,N表示信号长度;σ
j
表示第j层高斯白噪声标准差,其表达式为:
式中,Cd
j,k
为第j层小波分解的高频部分;p为该尺度下小波系数的个数;WTD认为故障信号存在于低频部分Ad
j,k
中,噪声存在于高频部分Cd
j,k
中;由于噪声的振幅服从高斯分布,以最大分解层数高频部分Cd
j,k
为评估模型复杂性的数据,引入BIC对模型的复杂性进行评估:BIC=qln(N)
‑
2ln(L)式中,q为模型参数个数;N为样本数量;L为服从高斯分布的最大似然函数,即:3.根据权利要求1所述的一种小样本装备故障在线预测方法,其特征在于,所述S2中,估计向量和观测向量具体计算如下:设某一时刻t观测到装备中有n个相互关联的变量,将其记为观测变量X
t
,即X
t
=[x
t,1
,x
t,2
…
x
t,n
]
T
式中,x
t,n
为t时刻状态变量的观测值;构建具有m个历史时刻,n个关联状态变量的历史记忆矩阵D,即由历史记忆矩阵D中m个观测向量X
obs
的线性加权,可获得估计向量X
est
,即X
est
=DW=w1X1+w2X2…
w
m
X
m
式中,W=[w1,w2…
w
m
]
T
为一个m维的权值向量,代表输入观测向量X
obs
与历史记忆矩阵D的相似度,即式中,为非线性运算符,用以代替普通矩阵中的乘积运算;将D
T
与X
obs
之间的马氏距离(MD)作为MEST中的非线性运算符,即式中,∑
‑1为多维随机变量协方差矩阵的逆矩阵;当两个状态矩阵越相似时,其MD越小;当两个状态矩阵差异性越大时,其非线性运算结果越大;将(9)式带入(8)式中,可得MEST模型估计向量的最终表达式为:通过对比观测向量X
obs
与估计向量X
est
之间的差值,可得反应装备故障程度的残差值ε,即:ε=X
est
‑
X
obs
通过对比各类故障指标的使用范围,选用均方根反映故障程度;
通过求n个维度X
est
与X
obs
残差ε的均方根RMSV,即可得到反应装备故障程度指标DR:运用MEST获得的装备故障程度指标DR是由多个离散点构成,DR组成的曲线包含多个导数不存在的“尖点”,引入CSFI进行平滑处理。4.根据权利要求1所述的一种小样本装备故障在线预测方法,其特征在于,所述S3中,TSFM表达式为:式中,DR
t
为原始序列数据;为第t+T次预测的第i次训练自适应平滑因子;为一次平滑值;为二次平滑值;若T表示预测时间,表示t+T时刻第i次训练的预测值,则预测公式为:其中:通过对比各类梯度下降算法的适用范围,选用...
【专利技术属性】
技术研发人员:张保山,郭基联,周峰,周章文,张明亮,李波,魏圣军,顾金玲,
申请(专利权)人:中国人民解放军空军工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。