【技术实现步骤摘要】
本专利技术属于牵引电机轴承的维护领域，尤其涉及采用特征筛选与改进损失函数的轴承剩余寿命预测方法。
技术介绍
1、滚动轴承是旋转机械的重要组成部分，也被誉为“工业的关节”，在航空航天、风力发电、交通运输等领域有着广泛的应用，其健康状态对机械装备的性能和寿命有着至关重要的影响。然而，轴承在高负荷和变工况的情况下，难免会出现性能退化和故障失效，给机械装备带来严重的后果，如降低生产效率、增加维修成本甚至危及人员安全。因此，如果能够准确地预测轴承剩余寿命(remaining useful life，rul)，就可以提前准备好备件并安排合适的维修时间，既可以在保证安全的前提下最大限度地利用轴承资源，又可以避免旋转机械设备出现故障或停机，甚至避免发生严重的安全事故。
2、随着传感器技术和物联网的发展，可以更容易地收集到轴承运行过程中产生的监测数据，这些数据中蕴含了轴承丰富的退化信息，所以数据驱动方法成为当前rul预测的主流方法之一。为了精准预测轴承rul，需要提取出能够准确表述轴承退化趋势的特征。虽然深度学习方法能挖掘振动信号的深层特征，但是需要大量标签数据进行有监督微调，在实际应用中，这种标签数据往往很少或者很难获得，这就限制了深度学习特征提取的效果和应用范围。而手动提取特征则忽略了特征对于轴承rul预测的贡献度问题，因为不是所有特征都能很好的表征轴承的退化趋势。
技术实现思路
1、本专利技术目的在于提供一种采用特征筛选与改进损失函数的轴承剩余寿命预测方法，以提取准确描述滚动轴承退
2、为实现上述目的，本专利技术的采用特征筛选与改进损失函数的轴承剩余寿命预测方法的具体技术方案如下：
3、由于滚动轴承原始振动信号存在严重的噪声干扰，为了提高模型的性能和鲁棒性，在训练之前我们采取了一系列预处理步骤。
4、首先，对滚动轴承的原始振动信号进行了共29种时域统计特征和频域特征的提取，这些特征能够全面反映振动信号的特性。然后，对提取的特征使用savitzky-golay滤波器进行平滑处理，以减少噪声的影响。最后，通过公式(4)、(5)和(6)计算得到单调性、趋势性和鲁棒性，再利用公式(7)得到综合特征筛选指标。具体内容如下：
5、1.特征提取
6、滚动轴承状态监测的数据包括振动信号和温度信号。在这些数据中，振动信号因其携带了丰富的退化信息而受到广泛研究。然而，振动信号往往受到大量噪声的干扰，这对最终的预测结果产生不利影响。因此，为了全面而准确地评估设备的健康状态，需要提取多种特征参数来描述滚动轴承的运行状态。这些故障特征主要分为时域统计特征和频域特征两类，时域统计特征和频域特征如表1和表2所示。通过提取和分析这些时域统计特征和频域特征，可以更加全面地了解滚动轴承的运行状态，从而实现对设备健康状况的准确评估。时域统计特征和频域特征公式如表1和表2所示。
7、表1时域统计特征
8、
9、
10、表2频域特征
11、
12、
13、2.特征筛选指标
14、每个特征在描述健康状况时关注的角度不同，而且，不同特征对于轴承rul预测的贡献度也不同。因此，需要对特征参数进行筛选。本专利技术将使用单调性、趋势性和鲁棒性进行特征筛选，定义如下：
15、
16、
17、
18、式中：k表示特征的总数，no.of d/dx＞0表示即特征差异点单调递增的总数，即特征当前值比特征下一个值大的总数，no.of d/dx＜0表示特征差异点单调递减的总数，即特征当前值比下一个值小的总数，tk为时间的第k个值，x(tk)＝xt(tk)+xr(tk)，xt(tk)是对数据经过滑动平均法处理过的平稳分量,xr(tk)为波动量。
19、为了综合评估特征的质量，我们使用公式(14)对三种特征筛选指标进行加权求和，得到综合特征筛选指标。
20、ifsi＝ω1corr(x)+ω2mon(x)+ω3rob(x) (14)
21、其中，ωi为权重系数，ωi＞0且ω1+ω2+ω3＝1，ifsi为综合特征筛选指标，mon(x)、corr(x)、rob(x)对应公式(11)、公式(12)和公式(13)。
22、3.改进损失函数
23、预测模型的预测值与真实寿命之间存在误差，这种误差对系统的影响是不对称的。如果出现滞后预测，轴承可能发生故障并引起系统崩溃。如果出现超前预测，维护人员可以提前采取措施，避免轴承故障。因此，在实际应用中，维护人员更倾向于超前预测。
24、传统损失函数mse的定义如下：
25、
26、如公式(15)可知，传统损失函数mse对于滞后预测并无惩罚措施，为了更好地满足模型趋向于超前预测，本专利技术提出了一种改进的损失函数，即改进的均方根值，其作用为当训练集损失和验证集损失持续下降时，α＝1；当训练集损失和验证集损失稳定在某一个区间时，α会随着训练论数的增加而逐渐以sigmoid函数曲线的上升趋势达到2。定义如下：
27、
28、其中：
29、
30、式中：yi为i时刻的真实值，为i时刻预测模型的预测值，epoch为训练轮数，α为修订系数。
31、为了确保综合特征筛选指标的可比性，我们对三种特征筛选指标进行了归一化处理，使它们具有相同的数值范围。在轴承rul预测训练过程中，通过多次尝试不同的权重参数并比较预测结果，选择了corr、mon和rob三种指标的权重分别为0.3、0.4和0.3。
32、由于训练集共有六个，每个训练集计算得到的综合特征筛选指标数值差异较大。为了消除这种差异并综合考虑所有训练集的特征质量，本专利技术计算了六个训练集的综合特征筛选指标平均值。图4显示了特征按综合特征筛选指标进行的升序排名。
33、为了确保预测滚动轴承rul的准确性，选择合适的特征输入对模型非常重要。本专利技术将综合特征筛选指标的阈值设定为0.5，即综合特征筛选指标排名前17名的特征将作为模型的输入。为了验证本专利技术阈值选定的有效性，本专利技术研究考虑了五种不同的特征筛选情况，分别将共29种特征中排名前15、16、17、18、19的特征命名为特征筛选1、2、3、4、5。然后，将这五种特征筛选情况分别输入到模型中进行训练，并利用训练好的模型对测试集进行预测。实验结果如表3所示，展示了不同特征筛选情况下的性能评估指标。
34、表3显示，特征筛选1和特征筛选2训练出的模型在测试实验中表现不佳，原因是这些输入特征过少，不能全面反映轴承的退化趋势。而特征筛选4和特征筛选5由于输入特征过多，导致信息冗余，也影响了模型学习轴承退化趋势的精确度。在预测轴承1_4时，特征筛选1和特征筛选2的预测准确性相差较大，说明模型的输入特征对模型的预测性能有直接影响，验证了本专利技术特征筛选工作的必要性。特本文档来自技高网...
【技术保护点】
1.一种采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，包括以下步骤，且以下步骤顺次进行：
2.根据权利要求1所述的采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述的采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，所述步骤S2包括以下步骤：
4.根据权利要求1所述的采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，所述步骤S3包括以下步骤：
【技术特征摘要】
1.一种采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，包括以下步骤，且以下步骤顺次进行：
2.根据权利要求1所述的采用特征筛选与改进损失函数的轴承剩余寿命预测方法，其特征在于，所述步骤s1包括以下步骤：
【专利技术属性】
技术研发人员：梁小夏，周冰，甄冬，冯国金，孔金震，张浩，
申请(专利权)人：河北工业大学，
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。