【技术实现步骤摘要】
本专利技术涉及机械装备剩余寿命预测与健康管理，具体涉及一种基于深度自编码器和局部线性嵌入的轴承健康指数评估方法。
技术介绍
1、轴承作为机械传动装置的关键组件之一，是广泛应用于各种复杂装备的重要部件，其健康状况直接影响机械设备的使用寿命，且对机械设备的可靠运行起着至关重要的作用。轴承运行环境恶劣，在机械传动时起着承受负荷、减少摩擦的作用，是机械装备中最容易发生故障的部件之一。因此，有必要安装传感器来监测轴承的运行状态,从监测信号中提取故障特征，对轴承进行健康状态评估和故障识别。
2、系统健康指数评估是完成装备剩余寿命预测的重要前提，目前典型的健康指数评估方法中相似的处理步骤包括数据采集、信号处理、特征提取、健康指数构建等。相比之下，这些方法的不同之处在于过程中采用深度学习、支持向量机、三角累积变换等技术，因此，极易产生不同的处理结果。然而，由于轴承系统的动力学退化本质上是一个随机过程，因此应采用确保其明确性的方法，以确保准确的寿命预测。
3、有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。
技术实现思路
1、针对现有技术中的一个或多个问题，本专利技术提出了一种基于深度自编码器和局部线性嵌入的轴承健康指数评估方法。
2、实现本专利技术目的技术解决方案为：
3、一种基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，包括：
4、步骤1：以一定频率采样轴承的振动信号形成原始信号数据，并对原始信号数据进行数据预处理和一
5、步骤2：通过深度自编码器dae对所述二次特征进行特征降维，获得降维特征；基于以相关性表示的趋势因子对降维特征进行评估，并选取具有最明显趋势的降维特征作为局部线性嵌入算法的输入；
6、步骤3：通过局部线性嵌入算法lle对所述具有最明显趋势的降维特征进行局部线性拟合，获得反映轴承动态性能退化的显性健康指数。
7、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤1中对原始信号数据进行数据预处理和一次特征提取具体包括：
8、假设原始信号的长度是下采样因子的整倍数，对原始信号进行下采样后得到下采样信号，表示为{f}_{d}\left [ {n} \right ]=f\left [ {mn} \right ]，其中，，表示 n维实向量空间，m是大于1的整数，，表示 n/m维实向量空间，{f}_{d}\left [ {n} \right ]表示第n个下采样信号，f\left [ {mn} \right ]表示第mn个原始信号；
9、定义移动时间窗口，依次对时间窗口内的原始信号数据进行时频域分析，提取用于后续评估健康指数所需的信号特征，并形成初步信号数据。
10、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤2中通过深度自编码器对所述二次特征进行特征降维具体包括：
11、编码器接收输入的二次特征，并将二次特征映射到代码层，其中，n为正整数，，表示d维实向量空间；
12、代码层对二次特征进行压缩或缩减维数，获得降维特征，其中，，表示l维实向量空间；
13、解码器对降维特征进行重构，并部分映射到输出重构，其中，，表示m维实向量空间。
14、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，降维特征表示为：，其中，σ()表示第一激活函数，表示输入权值矩阵，表示第一偏置向量。
15、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，输出重构表示为：，其中，表示的输出重构，表示第二激活函数，表示输出权值矩阵，表示第二偏置向量。
16、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤3中通过局部线性嵌入算法lle对所述具有最明显趋势的降维特征进行局部线性拟合具体包括：
17、步骤3-1：计算每个数据点的邻域，所述数据点是降维特征对应的信息载体，降维特征体现数据点的统计特性；
18、步骤3-2：基于每个数据点的邻域重建数据点的权重，所有权重构成重建权重矩阵，其中，表示数据点对数据点的数据重建贡献，，表示 n× n维实向量空间；
19、步骤3-3：基于重建权重矩阵计算其最佳重构的低维嵌入向量，根据最佳重构的低维嵌入向量构建轴承显性健康指数。
20、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤3-1中计算每个数据点的邻域具体包括：
21、给定输入x=\left [ {{x}_{1},{x}_{2},...,{x}_{n}} \right ]，，表示 d× n维实矩阵空间；
22、计算数据点之间的欧氏距离，；
23、采用lle算法识别数据点的个最近邻，并将其索引存储在矩阵中，所述个最近邻构成数据点的邻域。
24、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤3-2中重建权重矩阵的成本函数ε(w)满足：，其约束条件为：若数据点不是数据点的最近邻，则；权重矩阵的每一行之和等于1。
25、进一步的，本专利技术的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，步骤3-3中基于重建权重矩阵计算其最佳重构的低维嵌入向量具体包括：
26、重建权重矩阵保持不变，设低维嵌入向量y=\left [ {{y}_{1},{y}_{2},...,{y}_{n}} \right ]，其中，，d表示嵌维度；
27、通过最小化嵌入成本函数φ(y)获得低维嵌入向量，嵌入成本函数φ(y)为：，其约束条件为：；
28、基于重建权重矩阵重构一个大小为的新矩阵；
29、对新矩阵进行特征分解，获得低维嵌入向量{y}^{'}=\left [ {{v}_{2},{}_{}...,{v}_{d+1}} \right ]^{t}，其中，表示矩阵的第2到第d+1个最小特征值。
30、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
31、本专利技术提出的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，采用了带有非线性激活函数和多层的深度自编码器进行特征降维，由于其具有学习非线性变换的独特能力，在表示线性和非线性变换方面提供了更大的灵活性，而现有的主成分分析、isomap和多维标度等特征降维方法，只能执行线性变换。轴承部件具有两阶段退化过程，这是一种典型的本文档来自技高网...
【技术保护点】
1.一种基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，包括：
2.根据权利要求1所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤1中对原始信号数据进行数据预处理和一次特征提取具体包括：
3.根据权利要求1所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤2中通过深度自编码器对所述二次特征进行特征降维具体包括：
4.根据权利要求3所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，降维特征表示为：，其中，σ()表示第一激活函数，表示输入权值矩阵，表示第一偏置向量。
5.根据权利要求3所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，输出重构表示为：，其中，表示的输出重构，表示第二激活函数，表示输出权值矩阵，表示第二偏置向量。
6.根据权利要求1所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤3中通过局部线性嵌入算法LLE对所述具有最明显趋势的降维特征进行局部线性拟合具体包括：>
7.根据权利要求6所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤3-1中计算每个数据点的邻域具体包括：
8.根据权利要求6所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤3-2中重建权重矩阵的成本函数ε(W)满足：，其约束条件为：若数据点不是数据点的最近邻，则；权重矩阵的每一行之和等于1。
9.根据权利要求6所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤3-3中基于重建权重矩阵计算其最佳重构的低维嵌入向量具体包括：
...【技术特征摘要】
1.一种基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，包括：
2.根据权利要求1所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤1中对原始信号数据进行数据预处理和一次特征提取具体包括：
3.根据权利要求1所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，步骤2中通过深度自编码器对所述二次特征进行特征降维具体包括：
4.根据权利要求3所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，降维特征表示为：，其中，σ()表示第一激活函数，表示输入权值矩阵，表示第一偏置向量。
5.根据权利要求3所述的基于深度自编码器和局部线性嵌入的轴承健康指数评估方法，其特征在于，输出重构表示为：，其中，表示的输出重构，表示第二激活函数，表示输出...
【专利技术属性】
技术研发人员：史建涛，李先锋，刘安宁，吴宇桁，陈闯，
申请(专利权)人：南京工业大学，
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。