【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。