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】
本专利技术属于机电设备状态监测与故障诊断,具体涉及了基于二次特征优选与改进lstm的滚动轴承剩余使用寿命预测方法。
技术介绍
1、旋转机械在制造业、航天、军工等行业中广泛存在,滚动轴承作为旋转机械的关键零件之一,对其正常运转发挥着重要作用,工作过程中的滚动轴承一旦发生故障或损坏,将造成机械设备的停机而影响生产,严重的甚至引发重大安全事故。所以对其进行剩余使用寿命(rul)预测有着十分重要的意义。
2、当前预测滚动轴承rul的方法主要有三类:基于物理模型、基于数据驱动模型和二者的混合模型。基于物理模型的方法需要大量的专家知识及经验知识,耗费大量成本,通用性较差。基于数据驱动模型的方法是目前研究热点,数据驱动主要基于数据处理的方法,通过各种传感器采集滚动轴承运行的数据,挖掘数据与rul的映射关系,目前基于概率统计和机器学习,传统的概率统计方法受模型选择的影响较大,机器学习可分为浅层机器学习与深度学习,近年来,深度学习在剩余使用寿命预测表现出广阔的应用前景。混合模型结合了物理模型和数据驱动模型方法,预测复杂,关注度较少。
3、基于数据驱动的模型主要通过2步开展寿命预测。首先,由采集数据的时域、频域、时频域及熵等特征表征滚动轴承状态信息。接着,将提取的特征输入寿命预测模型获取rul信息。在特征提取阶段,各个特征退化敏感性不同,且对退化相关程度存在差异,若使用全部的特征,将影响预测的准确率,需进一步筛选敏感特征。
4、在寿命预测模型构建阶段,深度网络在滚动轴承寿命预测方面具有智能、准确、鲁棒、泛化和优化
5、在滚动轴承全寿命演化过程中,若能直接开展从初始劣化的性能退化阶段寿命预测,将更为节省计算成本,提升算法效率与模型精度。因此,滚动轴承的首次预测时间(first prediction time,fpt)成为了重点关注问题,找到合适、准确的fpt对轴承的预测精度、模型准确度也会有一定的提高。
技术实现思路
1、针对上述问题,本专利技术提出了一种基于二次特征优选与改进lstm的滚动轴承剩余使用寿命预测方法,该方法可较好地优选出能够准确表征滚动轴承退化的理想特征,充分考虑了各敏感特征的重要性,在二次特征优选后,提出了基于多特征的3σ准则平均确定fpt,避免了采用单一指标确定fpt的非稳定性风险,将fpt后的数据集作为敏感退化特征集;在极大利用有效数据条件的同时,避免了人工确认参数的时间及反复调试的过程,寿命预测模型精度与执行效率均得到了提升。
2、为达到上述目的,本专利技术通过下来技术方案实现:一种基于二次特征优选与改进lstm的滚动轴承剩余使用寿命预测方法,具体步骤如下:
3、step 1、提取轴承水平方向传感器的加速度振动信号;
4、step 2、对加速度振动信号进行小波阈值降噪;
5、step 3、在小波阈值降噪所得的数据点中提取多域特征,包括时域、频域和时频域特征,对整个全寿命的每次采样数据都进行特征提取后获得高维特征集;
6、step 4、对高维特征集中的高维特征其进行min-max归一化处理,降低不同特征数量级的差别及对模型影响的差异:
7、
8、式中:k为每一个特征的样本个数,i表示第i次采样,zi为第i次采样时刻的特征值,maxzi为特征的最大值,minzi为特征的最小值,mi为归一化后的特征值;
9、step 5、提取的多域特征维度较高,特征品质参差不齐,对模型预测的贡献度也有所不同,因此对归一化后的高维特征进行二次特征优选:
10、第一次特征优选:选择过程为计算各相关性、单调性、鲁棒性值,后通过线性加权获得综合值作为筛选依据,最终将综合指标高的特征筛选出来:
11、使用平滑方法将特征划分为趋势项和残差项,如下所示:
12、x(tk)=xt(tk)+xr(tk)
13、x(tk)为tk时刻的特征;xt(tk)是趋势项,xr(tk)是残差项,tk表示第k次采样时刻;
14、时间相关性、单调性、鲁棒性指标计算公式分别如下所示:
15、
16、
17、
18、式中:k是时间点总的个数;δ()为阶跃函数,其计算公式为:
19、
20、将指标线性加权作为最终的特征筛选依据,计算公式如下:
21、s=ω1corr(x,t)+ω2mon(x)+ω3rob(x)
22、
23、式中,ωc为各自权值;
24、第二次特征优选:选择与rms特征pearson相关系数绝对值高的特征,剔除相关系数绝对值较低的特征,最终获得二次优选后的特征集:
25、
26、式中,cov表示两个向量之间的协方差,x,y分别为两个特征向量,d表示方差,ρx,y表示两个向量之间的pearson相关系数,取值范围为[-1,1],绝对值越接近1,则相关性越强;
27、step6、根据二次特征优选出来的特征集,选择pearson系数绝对值较高的特征,依据3σ准则确定fpt:
28、|x(tl)-μ|≥3σ,l=1,2,...,5,
29、式中,μ,σ分别为特征在平稳运行期的均值与方差,x(tl)为特征在tl时刻的值,l表示连续满足3σ准则的点数;由于特征可能存在虚假波动,当有值满足3σ值就确定值为fpt可能造成不准确的结果,因此设置当连续5个点都满足3σ时,则确定5个点的第一个点为fpt;
30、step7、将pearson系数值高的特征分别使用3σ准则确定fpt,之后对求其平均值,得到最终的fpt:
31、
32、式中,设置m为4,fpt(j)为第j个特征的首次预测时间点;
33、step 8、定义故障时间标签:将失效时刻值与当前时刻值差值比上失效时刻与退化点时刻差值作为标签数据:
34、
35、式中:ti为当前时刻,tf失效时刻点,tfpt为首次预测时间点;当确定fpt后,fpt点标签即为1,失效点标签为0;
36、step 9、使用贝叶斯优化sabilstm超参数,包括第一层隐含层细胞数nu1,第二层隐含层细胞数n本文档来自技高网...
【技术保护点】
1.一种基于二次特征优选与改进LSTM的滚动轴承剩余使用寿命预测方法,具体步骤如下:
【技术特征摘要】
1.一种基于二次特征优选与改进lstm的滚...
【专利技术属性】
技术研发人员:王之海,宋峰,柳小勤,刘韬,刘畅,仁国爱,
申请(专利权)人:昆明理工大学,
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。