System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及民用航空轴承部件剩余使用寿命预测技术,尤其涉及一种基于运行阶段划分的轴承剩余使用寿命预测方法。
技术介绍
1、轴承广泛存在于各种旋转机械设备中,其主要作用是把具有相对转动,或者允许有相对转动的两个部件之间联系在一起,以实现高效、平稳地支承作用。作为机械系统的“关节”部位,开展轴承的剩余使用寿命(rul)预测对于确保旋转机械设备正常安全运行具有重要意义。
2、目前,用于估计轴承rul的技术主要可以分为基于模型的方法和基于数据驱动的方法。然而,随着用于检测轴承的机械部件的传感器逐渐增多,对于轴承剩余寿命预测的rul预测系统建模日益复杂,由于缺陷演变和动态响应的复杂性,很难设计基于物理的模型来开展轴承rul预测。相比于基于模型的方法,数据驱动的方法用于通过映射监测信号和rul值之间的关系来分析问题,这种方法可以根据传感器历史数据了解潜在的退化趋势并直接模拟系统的退化特征,因此,数据驱动方法已逐渐成为rul预测领域的主要方法。
3、基于数据驱动方法的轴承rul预测主要包含三个步骤:数据获取,特征提取和rul预测。在数据获取过程中,经验表明,具有多传感器的轴承rul预测可以有效提高预测的准确性和可靠性。在特征提取过程中,对于基于多传感器的轴承rul预测,需要提取和融合传感器数据的退化特征,以获得多变量条件下更为准确的轴承退化趋势数据。在rul预测过程中,一方面,由于在同一工况下轴承的rul也会有所差异,因此利用轴承的全寿命周期传感器数据训练网络模型后,预测轴承的全寿命周期rul也会产生一定的误差。另一
技术实现思路
1、针对现有方法中存在的问题,本专利技术提出一种基于运行阶段划分的轴承剩余使用寿命预测方法。该方法采集轴承的多传感器数据并构建健康指标,利用一维卷积(1dcnn)对多传感器健康指标进行自适应空间特征提取和特征融合,然后采用有序神经元长短期记忆神经网络(onlstm)无监督划分轴承的运行阶段,最后在预测过程中,当轴承的传感器特征到达启始退化阶段点后,给出轴承的rul预测结果。
2、本专利技术采取的技术方案是:一种基于运行阶段划分的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
3、第一步、多传感器数据预处理
4、所述多传感器数据预处理有如下三个子步骤:
5、a1、多传感器数据健康指标构建
6、构建轴承多传感器数据的四种时域健康指标:平均值健康指标、均方根健康指标、峰值健康指标以及裕度健康指标。
7、a2、多传感器数据健康指标筛选
8、利用单调性评价系数和相关性评价系数评估多传感器数据的四种时域健康指标的单调性和时间相关性,选用四种时域健康指标中单调性评价系数和相关性评价系数最大的健康指标作为反映轴承从正常运行到衰退损坏的多传感器健康指标。
9、a3、多传感器健康指标平滑处理
10、使用指数平滑算法对被选用的多传感器健康指标进行平滑处理,去除多传感器健康指标中的随机波动和噪声干扰。
11、第二步、空间特征提取及特征融合
12、所述空间特征提取及特征融合有如下两个子步骤:
13、b1、一维卷积自适应空间特征提取
14、采用一维卷积自适应地提取多传感器健康指标的空间特征,所述一维卷积中包含一个维度为2*wid的卷积核,其中维度wid由传感器的种类数决定。
15、b2、一维卷积特征融合
16、采用所述一维卷积对多传感器的健康指标进行特征融合,利用2*wid维的卷积核对多传感器健康指标进行卷积;通过所述一维卷积的卷积运算实现多传感器健康指标的特征融合,输出为带有轴承退化趋势的一维特征序列。
17、第三步、时间序列特征提取及运行阶段划分
18、所述时间序列特征提取及运行阶段划分有如下两个子步骤:
19、c1、时间序列特征提取
20、基于有序神经元长短期记忆神经网络实现对时间序列的时间相关性进行特征提取,提取由所述一维卷积输出的所述一维特征序列的时间相关性。
21、c2、运行阶段划分
22、首先定义由一维卷积输出的一维特征序列为{s1,s2,...,sm},通过有序神经元长短期记忆神经网络的主遗忘门找到其对应的历史信息层级序列{j1,j2,...,jm};接下来,找到历史信息层级序列中的最大值jr,根据最大值jr的下标r,找到所述一维特征序列中对应的点sr,将sr定义为快速退化阶段点,此时所述一维特征序列{s1,s2,...,sm}被划分为两个子序列:{s1,s2,...,sr-1}和{sr,sr+1,...,sm},对于子序列{s1,s2,...,sr-1},根据对应的历史信息层级序列{j1,j2,...,jr-1},找到历史信息层级序列中的最大值ji,根据最大值ji的下标i,找到所述一维特征序列中对应的启始退化阶段点si,此时所述一维特征序列{s1,s2,...,sm}被划分为三个子序列:{s1,s2,...,si-1}、{si,si+1,...,sr-1}和{sr,sr+1,...,sm};最后,定义子序列{s1,s2,...,si-1}为正常阶段,定义子序列{si,si+1,...,sr-1}为启始退化阶段,定义子序列{sr,sr+1,...,sm}为快速退化阶段。
23、第四步、轴承剩余使用寿命预测
24、在预测过程中,判断一维卷积输出特征是否到达启始退化阶段点,当一维卷积输出特征未到达启始退化阶段点时,表明轴承运行正常,不需要进行剩余使用寿命预测;当一维卷积输出特征到达启始退化阶段点后,表明轴承的运行状态进入了退化阶段,此时输出轴承的剩余使用寿命预测结果。
25、通过上述步骤构建由1dcnn和onlstm组成的1dcnn-onlstm模型,将输入的多传感器健康指标通过1dcnn进行特征提取和特征融合,然后经过onlstm提取1dcnn输出特征的时间相关性,并划分轴承的运行阶段;根据划分出的退化阶段的多传感器健康指标来训练模型,最终将轴承的多传感器健康指标映射至rul。在预测过程中,输入的多传感器健康指标经过特征提取和融合后,通过onlstm判断轴承的运行阶段,当输入的多传感器健康指标经过1dcnn后的输出特征到达启始退化阶段点之后,给出rul预测结果,有效提高预测效率和预测准确率。
26、本专利技术的有益效果是:
27、(1)构建了多传感器数据的时域健康指标,并采用单调性评价系数和相关性评价系数对构建出来的多个健康指标进行了评价和筛选,最后通过指数平滑方法去除健康指标中的随机干扰噪声,实现了多传感器数据的健康指标构建。
28、(2)针对多传感器健康指标,提出了一种多传感器退化特征提取与融合方法,利用1dcnn自适应提取轴承多传感器退化特征的空间相关性,并将多传感器退本文档来自技高网...
【技术保护点】
1.一种基于运行阶段划分的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于运行阶段划分的轴承剩余使用寿命预测方法,其特征在于,在第三步的子步骤C2中,所述一维卷积输出的一维特征序列所对应的历史信息层级序列计算过程如下:
【技术特征摘要】
1.一种基于运行阶段划分的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于运行阶段划...
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。