【技术实现步骤摘要】
本专利技术涉及滚动轴承的寿命评估领域，具体为一种基于自编码器和随机森林回归的滚动轴承寿命预测方法。
技术介绍
1、滚动轴承是牵引电机的关键机械部件，同时也是故障发生率最高的机械部件，为准确预测滚动轴承的退化趋势及其剩余使用寿命，降低轴承运用风险，需要对其使用寿命进行评估或预测。现有技术中，对于滚动轴承的寿命预测有多种方法，比如公开号为cn114925723b的采用编码器和解码器的滚动轴承剩余使用寿命预测方法，但是该方法的缺陷是没有明确的预测起始点，预测时机不对导致预测误差较大，因此不能采用。同时还有公开号为cn116204766a的基于深度学习和粒子滤波的滚动轴承剩余寿命预测方法以及公开号为cn109726524b的一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法，但是这两种预测方法的预测结果，仅表示当前状态，没有未来一段时间内的剩余寿命预测结果，实际应用受限。因此需要设计一种新的方法或者对现有方法进行改进，来解决上述问题。
技术实现思路
1、本专利技术为了解决现有技术对于滚动轴承寿命预测中所存在的预测起始点不明确或只表示当前状态，预测结果误差较大或者预测结果不全的问题，提供了一种改进的基于自编码器和随机森林回归的滚动轴承寿命预测方法。
2、本专利技术是通过如下技术方案来实现的：一种基于自编码器和随机森林回归的滚动轴承寿命预测方法，包括构建轴承状态评估模型、构建轴承剩余寿命预测模型、轴承状态评估及寿命预测三部分：
3、s1：构建轴承状态评估模型：>
4、s1-1：形成模型训练所需数据集：
5、s1-1-1：特征提取：
6、使用牵引电机在线运行的振动及温度数据提取特征，对每段振动信号序列x(n)＝(x1,x2,...,xn)，n为信号长度，振动信号共m段，提取15个时域统计特征t1～t15，同时提取7个频域特征f1～f7，t1～t15及f1～f7特征表达式如下：
7、平均值：
8、均方根：
9、方根幅值：
10、绝对平均值：
11、最大值：t5＝max(xi)
12、最小值：t6＝min(xi)
13、峰峰值：t7＝max(xi)-min(xi)
14、方差：
15、偏斜度：
16、峭度：
17、波形指标：
18、峰值指标：
19、脉冲指标：
20、裕度指标：
21、偏斜度指标：
22、频谱均值：
23、频谱方差：
24、频谱偏斜度：
25、频谱峭度：
26、频率重心：
27、频率标准差：
28、均方根频率：
29、其中，s(k)是原始时域信号段x(n)的fft频谱幅值，k是谱线个数，n＝2k，k＝1,2,…,k-1,k，fk是第k条谱线的频率值；
30、第j段振动信号的特征值为xj＝{t1～t15,f1～f7,te}，te为该段振动信号对应的绝对温度值；将所有振动数据的特征指标计算完成后，组成特征数据集x＝{x1,x2,…xj,…xm}；
31、s1-1-2：特征数据集归一化：
32、对x按特征类进行归一化处理，对其中一类特征y，设其最大值为ymax，最小值为ymin，则归一化后的特征表示为：
33、
34、s1-1-3：训练集数据整理：
35、对数据集x归一化后的特征进行处理，得到训练数据集xtrain和测试数据集xtest；
36、s1-2：构建自编码神经网络模型：
37、s1-2-1：以训练集xtrain作为输入构造输入层input_layer：
38、s1-2-2：设置编码器的数目及维数encoding_dim，以input_layer为输入构造编码器encoder；
39、s1-2-3：设置解码器的数目及维数decoding_dim，以编码器encoder作为输入构建解码器decoder；
40、s1-2-4：以decoder作为输入构建输出层output_layer；
41、s1-2-5：形成自编码神经网络模型autoencoder并编译；
42、s1-3：模型的训练及保存：
43、s1-3-1：设置模型的保存节点checkpointer；
44、s1-3-2：设置训练的节点数num_epoch；
45、s1-3-3：设置每个节点的训练次数batch_size；
46、s1-3-4：使用xtrain、num_epoch、batch_size、xtest、checkpointer对构建的自编码模型autoencoder进行训练，将训练后的模型保存在checkpointer中，根据计算的损失函数的均值adv及标准差std，判断模型是否符合要求，若不符合要求，则重新设置模型参数进行训练，直至达到要求，保存训练模型及该损失函数的均值adv及标准差std；
47、s2：构建轴承剩余寿命预测模型：
48、s2-1：全寿命振动温度数据处理：
49、从轴承的全寿命振动数据中，对每段振动数据样本提取时域、频域特征及绝对温度值，方式与s1-1-1相同，最后形成特征yj＝{t1～t15,f1～f7,te}，te为该段振动信号对应的绝对温度值，然后将得到的特征数据集进行归一化处理，方法与s1-1-2相同；
50、s2-2：构建自编码神经网络模型：
51、构造随机森林回归模型作为轴承的寿命预测模型randomforestregressor：
52、s2-2-1：设置森林中的树数量n_estimators；
53、s2-2-2：设置测量分割质量的函数criterion；
54、s2-2-3：设置树的最大深度max_depth；
55、s2-2-4：设置拆分内部节点所需的最小样本数min_samples_split；
56、s2-2-5：设置叶节点所需的最小样本数min_samples_leaf；
57、s2-2-6：设置叶节点处的权重总和的最小加权分数min_weight_fraction_leaf；
58、s2-2-7：设置寻找最佳分割时要考虑的特征数量max_features；
59、s2-2-8：设置控制拟合和预测时的详细程度verbose；
60、s2-3：模型训练及保存：
61、s2-3-1：对归一化后的特征数据集进行pca分析，设置主成分分数阈值per，选取主成分分数大于per的融合特征y，设置预测模型的步长step，将特征数据组合成新的数据集，然后将该数据集分割为训练集ytrain和测试集ytest，以训练集yt本文档来自技高网...
【技术保护点】
1.一种基于自编码器和随机森林回归的滚动轴承寿命预测方法，其特征在于：包括构建轴承状态评估模型、构建轴承剩余寿命预测模型、轴承状态评估及寿命预测三部分：S1：构建轴承状态评估模型：
【技术特征摘要】
1.一种基于自编码器和随机森林回归的滚动轴承寿命预测方法，其特征在于：包括构建轴承状态评估...
【专利技术属性】
技术研发人员：李继伟，尚朋飞，马浩，李伟，王永强，王金平，
申请(专利权)人：中车永济电机有限公司，
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。