【技术实现步骤摘要】
本专利技术涉及机械零部件状态评估，具体涉及一种基于多阶段特征提取的承重螺母寿命预测方法及系统。
技术介绍
1、承重螺母被广泛应用于工业作业中，通过与丝杠间的机械运动举升高重量物体，并保证其运行平稳度。螺母常处于长期重载作业，作业过程中会产生疲劳应力，随着时间的积累，会出现螺牙磨损、螺牙崩坏等毁伤，因此需要提出预测性维修策略以避免此类故障的发生。
2、随着人工智能的发展，基于数据驱动的方法被广泛应用于工业界生产中，尤其是关键零部件的状态评估领域。此类方法不需要深入研究机理，成本更低且迁移性更强。在数据处理中，特征之间存在相关性，需对特征进行降维处理从而提取退化因子。经分析，得出影响退化因子提取的几个方面：(1)参与退化因子提取的特征决定了退化因子精度的上限。退化因子由多维度的特征融合得到，多维特征中往往存在与rul(remaining useful life，剩余使用寿命)相关度极低的部分，这部分特征由于单调性较差等原因不适用于退化因子的提取，还会干扰模型对退化因子的提取。(2)模型是退化因子精度逼近所能达到的上限的重要因素。基础的退化因子提取模型为浅层学习算法或是基础的深度学习算法，这类方法受自身原理或结构限制导致模型能力不理想，仅能提取出浅层特征，需要与其他算法相结合弥补其缺陷。(3)不同退化阶段的机理特性不同。随着故障程度的加深，刻画退化程度的退化因子呈现不同的变化趋势，在退化阶段复杂的情况下，单一的退化因子提取模型描述特性不同的阶段能力较差，针对不同退化阶段构建对应模型很有必要。除此之外，多工况承重螺母退化趋势
3、因此，需要提出新的承重螺母寿命预测方法，以克服上述现有方法存在的问题。
技术实现思路
1、本专利技术的目的是提供一种基于多阶段特征提取的承重螺母寿命预测方法及系统，以解决现有方法存在的退化因子提取被干扰、仅提取浅层特征、忽略不同阶段退化差异等问题。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、基于多阶段特征提取的承重螺母寿命预测方法，所述方法包括：
4、获取承重螺母全生命周期的振动信号并划分样本点，得到样本点信号；
5、对样本点信号进行预处理后，进行时域特征计算，筛选与退化程度相关性大的特征，得到退化特征集合；
6、对样本点信号进行希尔伯特变换得到退化趋势曲线，计算退化趋势曲线中不同退化阶段的分界点，根据分界点划分全生命周期得到各退化阶段；
7、融合卷积层与自编码器得到卷积自编码器网络，将退化特征集合作为卷积自编码器网络的输入与输出，按各退化阶段分别训练，得到多阶段退化因子提取模型；
8、将提取的退化因子和rul标签作为lstm网络的输入与输出，学习退化因子与rul标签间的映射关系，得到承重螺母寿命预测模型。
9、进一步地，获取承重螺母全生命周期的振动信号并划分样本点，得到样本点信号，包括：
10、通过振动传感器采集承重螺母初始振动信号，通过设定样本点数量划分全生命周期振动信号；
11、定义样本点rul标签，以开始采集点、停止采集点分别作为开始失效点、完全失效点，将rul标签标准化到0-1区间：
12、
13、式中：
14、n为样本点数量；
15、i为当前样本点位值；
16、y为当前样本rul标签；
17、得到样本点信号。
18、进一步地，对样本点信号进行预处理，包括：
19、对各样本点信号进行去噪处理，包括信号分解、信号重构。
20、进一步地，进行时域特征计算，筛选与退化程度相关性大的特征，得到退化特征集合，包括：
21、对样本点信号进行去噪处理后，计算各样本点信号时域特征，得到全生命周期特征集合pn×a：
22、pn×a：{p1，p2，···，pa}；
23、其中：
24、p1，p2，···，pa为全生命周期的各时域特征；
25、a为时域特征数量；
26、评估pn×a中各时域特征与rul标签的相关性，通过相关性大小选取前m个时域特征作为筛选特征集合
27、
28、将筛选特征集合作为退化特征集合。
29、进一步地，时域特征包括最大值、最小值、峰值、峰峰值、绝对均值、均方差、方差、标准差、有效值、峭度、偏度、波形因子、峰值因子、脉冲因子、边界因子、残差因子。
30、进一步地，对样本点信号进行希尔伯特变换得到退化趋势曲线，计算退化趋势曲线中不同退化阶段的分界点，根据分界点划分全生命周期得到各退化阶段，包括：
31、对样本点信号x(t)进行希尔伯特变换，得到功率谱密度的最大值集合q：
32、q：{q1，q2，···，qn}；
33、其中：
34、q1，q2，···，qn为各样本点信号的功率谱密度的最大值；
35、对q的拟合曲线求导，得到求导曲线xpsd，即承重螺母的退化趋势曲线；
36、求xpsd的极值点，得到不同退化阶段的分界点；
37、根据分界点划分全生命周期得到各退化阶段。
38、进一步地，融合卷积层与自编码器得到卷积自编码器网络，将退化特征集合作为卷积自编码器网络的输入与输出，按各退化阶段分别训练，得到多阶段退化因子提取模型，包括：
39、通过中值插值的方式对各退化阶段的退化特征集合数据分别进行增强处理，分别得到增强数据，各退化阶段的退化特征集合数据为时域特征值或rul标签；
40、通过卷积层代替自编码器中普通神经元的方式得到卷积自编码器网络；
41、利用增强数据训练卷积自编码器网络，得到多阶段退化因子提取模型。
42、进一步地，将提取的退化因子和rul标签作为lstm网络的输入与输出，学习退化因子与rul标签间的映射关系，得到承重螺母寿命预测模型，包括：
43、以测试集或实时信号时域特征作为多阶段退化因子提取模型输入提取退化因子；
44、将提取的退化因子和rul标签作为lstm网络的输入与输出，进行训练；
45、训练过程中引入偏差修正机制，最终得到承重螺母寿命预测模型；
46、将测试集或实时信号的退化因子作为承重螺母寿命预测模型输入，得到rul预测值。
47、另一方面，提供基于多阶段特征提取的承重螺母寿命预测系统，所述系统用于实施所述的方法，包括
48、获取模块，用于获取承重螺母全生命周期的振动信号并划分样本点，得到样本点信号；
49、退化特征计算模块，用于对样本点信号进行预处理后，进行时域特征计算，筛选与退化程度相关性大的特征，得到退化特征集合；
50、阶段本文档来自技高网...
【技术保护点】
1.基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
2.根据权利要求1所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
3.根据权利要求2所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
4.根据权利要求3所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
5.根据权利要求4所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
6.根据权利要求5所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
7.根据权利要求6所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
8.根据权利要求7所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
9.基于多阶段特征提取的承重螺母寿命预测系统，其特征在于：
【技术特征摘要】
1.基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
2.根据权利要求1所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
3.根据权利要求2所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
4.根据权利要求3所述的基于多阶段特征提取的承重螺母寿命预测方法，其特征在于：
5.根据权利要求4所述的基于多阶段特征提...
【专利技术属性】
技术研发人员：付亚超，王照宗，李愿望，史时喜，贾晓宏，郑辉，宋国义，
申请(专利权)人：中铁第一勘察设计院集团有限公司，
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。