【技术实现步骤摘要】
基于多域融合健康指标的阶段划分和RUL预测方法
[0001]本专利技术属于工业设备寿命预测
,具体涉及一种基于多域融合健康指标的阶段划分和
RUL
预测方法
。
技术介绍
[0002]由于设备大多工作在高负荷及恶劣环境中,退化的不断累积最终会导致设备发生故障,因此故障预测与健康管理技术
(Prognostics and Health Management,PHM)
受到了越来越多的关注
。
[0003]本专利技术基于多个基础统计特征构建了一个融合健康指标
。
首先基于轴承的原始振动信号,提取多个时域
、
频域和时频域特征,接着建立综合评估指标将敏感特征提取出来,并利用
KPCA
方法对多个敏感特征进行融合,构造出一个多特征融合的健康指标
MFHI(Multi
‑
domain Fusion Health Index)
,以准确地描述轴承的退化过程,进而达到提高预测精度的目的
。
技术实现思路
[0004]本专利技术的目的是提供一种基于多域融合健康指标的阶段划分和
RUL
预测方法,实现了在无须人为设定误差边界的情况下,仍能够得到较为准确的
DST
点的选择结果
。
[0005]本专利技术所采用的技术方案是,基于多域融合健康指标的阶段划分和
RUL
预测方法,具体按照以下步骤实施:
[ ...
【技术保护点】
【技术特征摘要】
1.
基于多域融合健康指标的阶段划分和
RUL
预测方法,其特征在于,具体按照以下步骤实施:步骤
1、
滚动轴承的多域特征提取:从时域
、
频域和时频域多个域中提取特征并构成候选特征集;步骤
2、
特征评估指标的构建;步骤
3、
基于
KPCA
的特征融合;步骤
4、
基于箱线图触发机制的运行阶段划分方法;步骤
5、
基于混合滤波的
RUL
预测
。2.
根据权利要求1所述的基于多域融合健康指标的阶段划分和
RUL
预测方法,其特征在于,所述步骤1具体按照以下步骤实施:步骤
1.1、
时域特征提取:时域特征包括有量纲特征参数和无量纲特征参数,无量纲特征参数常和有量纲特征相结合一起进行运行状态及
RUL
预测分析;假设
x
i
为传感器采集到的滚动轴承振动信号序列,且
x
i
=
[x1,x2,...,x
N
]
,
N
为采样点个数,则表1和表2分别为有量纲特征和无量纲特征的表达式,通过这些特征表达式可以计算出信号
x
i
的有量纲特征和无量纲特征:表1有量纲特征的表达式有量纲特征的表达式表2无量纲特征的表达式
步骤
1.2、
频域特征提取:频域特征表示不同的频率特征在频谱中的分布,表3为常见的频域特征表达式:表3频域特征的表达式步骤
1.3、
时频域特征提取:选择
db6
函数作为小波基函数,对原始振动信号实施3层小波包分解,
S
表示原始信号,
A
代表低频部分,
D
代表高频部分,1,2,3代表分解层数;分解后获得了23
=8个子频带,计算所有子频带的能量特征,计算得到小波能量熵如下:其中,
WEE
表示小波能量熵,
E
i
表示第
i
个子频带的能量特征,
E
为所有子频带的能量总和
。3.
根据权利要求2所述的基于多域融合健康指标的阶段划分和
RUL
预测方法,其特征在于,所述步骤2具体按照以下步骤实施:步骤
2.1、
单调性指标的构建:其中,
Mon(Y)
表示单调性指标,
K
为退化序列的点数,
Y
=
[y1,y2,
…
,y
K
]
为提取到的性能退化特征序列,
y
k
表示第
k
个特征值,为单位阶跃函数;步骤
2.2、
鲁棒性指标的构建:
其中,
Rob(Y)
表示鲁棒性指标,表示退化特征的趋势序列,为
k
时刻的趋势值,通过移动平均平滑方法得到,该平滑方法能够将原始特征
Y
分为趋势序列和随机余量序列两部分;步骤
2.3、
相关性指标的构建:其中,
Corr(Y)
表示相关性指标,
T
=
(t1,t2,
…
,t
N
)
为对应的监测时间序列,
t
k
代表
k
时刻,和分别表示原始特征序列和监测时间序列的平均值;步骤
2.4、
综合评价指标的构建:将上述
(2)、(3)、(4)
三个评价指标加权融合,得到一个综合指标
Index
对特征进行评价,如式
(5)
所示:其中,
Index
表示综合评价指标,
s.t.
表示随机变量,
ω1,
ω2和
ω3分别为单调性
、
鲁棒性和相关性三个指标占综合指标的权重
。4.
根据权利要求3所述的基于多域融合健康指标的阶段划分和
RUL
预测方法,其特征在于,所述步骤3具体按照以下步骤实施:采用
KPCA
方法对步骤2中筛选得到的敏感特征进行降维处理以获得融合健康指标
MFHI
,假设筛选后的
n
维退化特征构成的特征矩阵为
X
=
(x1,x2,
…
,x
n
)
T
,则基于
KPCA
对
X
中的所有特征进行降维的具体步骤如下:步骤
3.1、
首先对
X
中的所有特征进行归一化,得到新的特征矩阵采用最大最小值方法进行归一化,计算公式如下:其中为第
i
个标准化后的特征分量,
x
i
为第
i
个特征分量,
x
i,min
和
x
i,max
分别为第
i
个特征分量中的最小值和最大值;步骤
3.2、
将高维标准化后的特征向量矩阵引入非线性映射函数
Φ
,将映射到高维特征空间中,输入空间中的样本点通过函数
Φ
变换即后,成为特征空间中的样本点,其中,
Φ
(X)
=
[
Φ
(x1),
Φ
(x2),
…
,
Φ
(x
n
)]
,并且满足中心化条件:
其中,
Φ
(x
k
)
表示第
k
个样本点的非线性映射函数;则在特征空间中的协方差矩阵为:其中,为特征空间中的协方差矩阵,
Φ
(x
j
)
为中的特征样本;步骤
3.3、
计算的特征值及特征向量,求得的特征向量即为原始样本空间在特征空间上的主元方向:其中,
λ
为的特征值,为特征空间中的协方差矩阵,
v
为高维特征空间中对应的特征向量;步骤
3.4、
引入核函数
κ
(x
i
,x
j
)
=
Φ
(x
i
)
T
Φ
(x
j
)
,得到
n
×
n
维的对称正定矩阵
K
,以避免求解
Φ
(X)
,
K
即为
κ
对应的核矩阵,且
K
ij
=
κ
(x
i
,x
j
)
:
K
ij
=
Φ
(x
i
)
·
Φ
(x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
其中,
K
ij
表...
【专利技术属性】
技术研发人员:金永泽,叶欣,辛菁,杨延西,黑新宏,弋英民,姚俊良,刘柏均,
申请(专利权)人:西安理工大学,
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。