一种小样本装备故障在线预测方法技术

本发明专利技术公开了一种小样本装备故障在线预测方法，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，本发明专利技术通过提出小样本装备故障在线预测模型，并通过滚动轴承生命周期振动数据验证了本模型的有效性和可靠性，BIC能够准确找出WTD算法的最佳分解层数，为改进WTD模型参数设置提供依据，改进WTD算法降噪效果优异，保证了故障数据的可靠性，MD改进的MEST算法和双重CSFI算法能有效将故障信号转化为故障程度指标，为后续故障预测提供了高质量的数据保障。预测提供了高质量的数据保障。预测提供了高质量的数据保障。

【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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]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：
[0015][0016]式中，λ为阈值；
[0017]ω
j,k
为故障信号小波系数；
[0018]为预估小波系数；
[0019]j为分解尺度，且1≤j≤J，J为最大尺度；
[0020]sgn()为符号函数；
[0021]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，
[0022]阈值λ的选择应满足：
[0023][0024]式中，N表示信号长度；
[0025]σ
j
表示第j层高斯白噪声标准差，其表达式为：
[0026][0027]式中，Cd
j,k
为第j层小波分解的高频部分；
[0028]p为该尺度下小波系数的个数；
[0029]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；
[0030]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：
[0031]BIC＝qln(N)
‑
2ln(L)
[0032]式中，q为模型参数个数；
[0033]N为样本数量；
[0034]L为服从高斯分布的最大似然函数，即：
[0035][0036]根据上述技术方案，所述S2中，估计向量和观测向量具体计算如下：
[0037]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
[0038]X
t
＝[x
t,1
,x
t,2
…
x
t,n
]T
[0039]式中，x
t,n
为t时刻状态变量的观测值；
[0040]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
[0041][0042]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
[0043]X
est
＝DW＝w1X1+w2X2…
w
m
X
m
[0044]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
[0045][0046]式中，为非线性运算符，用以代替普通矩阵中的乘积运算；
[0047]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
[0048][0049]式中，∑
‑1为多维随机变量协方差矩阵的逆矩阵；
[0050]当两个状态矩阵越相似时，其MD越小；
[0051]当两个状态矩阵差异性越大时，其非线性运算结果越大；
[0052]将(9)式带入(8)式中，可得MEST模型估计向量的最终表达式为：
[0053][0054]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：
[0055]ε＝X
est
‑
X
obs
[0056]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；
[0057]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：
[0058][0059]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进本文档来自技高网...

【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：