CN103115789B - 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 - Google Patents

Abstract

本发明公开了一种金属结构损伤剩余寿命的第二代小波支持向量机评估方法。该方法采用经验模式分解得到本征模式分量，提取本征模式分量的时频域统计特征；并采用距离评估准则选取最敏感特征构建最优特征集；利用自组织神经网络特征融合技术构建出随时间变化的具有明显性能退化趋势的最小量化误差指标；提出一种第二代小波变换的双正交小波支持向量机核函数，构建第二代小波支持向量机的寿命预测模型，将最小量化误差指标作为预测特征，实现小子样下对机械装备金属结构部件的损伤剩余寿命定量评估。

Description

金属结构损伤剩余寿命的第二代小波支持向量机评估方法

技术领域

本发明属机械装备故障预示领域，具体涉及关键金属结构部件损伤故障检测及剩余寿命的定量评估方法。

背景技术

随着现代战争对武器装备任务出勤率和战备完好率要求的提高，以及材料科学、测试技术、信号分析和人工智能技术的飞速发展，目前武器装备大量采用故障预测和状态管理技术（Prognostic and Health Management，PHM）以实现“视情维修”，即依据状态的预防维修。这项技术通过检测系统的状态来预测系统及其部件的故障情况，并确定其剩余寿命；利用多传感器信息融合技术诊断系统故障，并基于可用资源和使用需求对维修活动做出管理和决策。PHM是实现武器装备“视情维修”的重要手段，具有故障预测、检测、隔离、关键部件寿命跟踪、故障报告以及寿命预测等功能，能够实现在准确的时间对准确的部位采取准确的维修活动，从而有效减少维修项目，节省维修费用，减少武器装备的事故率。因此，进行武器装备关键金属结构的运行状态监测、诊断与剩余寿命预测技术研究对提高武器装备安全可靠工作具有重大的科学意义和工程实用价值。

然而，在对武器装备运行状态监测的实施过程中，常常存在先验知识缺乏、故障样本稀缺和故障模式不完备的问题。支持向量机是基于统计学习理论的新型机器学习方法，是一种专门研究有限样本分类和预测的学习方法。但在实际应用中，核函数参数的选择问题使得支持向量机极易发生过学习或欠学习现象，直接影响其推广性能。

发明内容

本发明的目的在于提供一种机械装备金属结构损伤剩余寿命的第二代小波支持向量机定量评估方法。该方法精度高、成本低、简单可靠，便于工程实践中使用。

为达到上述目的，本发明采用了以下技术方案：

1）采用经验模式分解对振动信号进行分解得本征模式分量，提取本征模式分量的时频域统计特征构成全体特征集；采用特征距离评估方法从全体特征集中选取最敏感特征得最优特征集；利用自组织神经网络特征融合方法由最优特征集训练出具有明显性能退化趋势的最小量化误差指标；

2）通过构造基于第二代小波变换的双正交小波支持向量机（Support VectorMachine,SVM）核函数得第二代小波支持向量机的寿命预测模型；

3）经过步骤2）后，将最小量化误差指标作为模型输入，通过模型输出实现小子样下机械装备金属结构部件损伤剩余寿命定量评估。

所述步骤1）的具体方法如下：

首先，对于一个原始振动信号X(t)，采用经验模式分解将X(t)分解得到前m个本征模式分量，m取值为2、3或4，对每个本征模式分量分别计算14个时域统计特征F_time和13个频域统计特征F_frequency，得到全体特征集F_total，F_total=[F_timeF_frequency]，共m×27个特征；从全体特征集F_total中选择大于给定阈值的特征评估指标所对应的特征，从而构成最优特征集；

然后，将最优特征集输入到自组织特征映射神经网络(Self-OrganizingFeature Map，简称SOM)中进行训练，构建出能真实反映机械设备金属结构的性能衰退轨迹评估指标——最小量化误差（Minimum quantizarion error，MQE）；SOM神经网络通过训练可以使权值向量根据它们和输入向量之间的距离进行分类，不同的类代表输入向量中设备不同运行状态的数据，状态的转变通过SOM神经网络中最佳匹配单元的运行轨迹来描述，在正常状态，最佳匹配单元聚集同一区域，当有初始损伤出现时，初始损伤的最佳匹配单元就会偏离正常状态的匹配单元区，偏离大小取决于损伤的类型和严重程度，所以基于偏离正常状态的量化误差可以评估机械设备金属部件的衰退程度。

所述构建最小量化误差指标的具体方法为：

首先用正常状态的数据训练自组织特征映射神经网络，得到正常状态的神经元权值向量，然后将最优特征集作为输入向量和映射层的所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义与输入向量距离最小的神经元为最佳匹配单元（Best matching unit，BMU），最佳匹配单元和输入向量之间的距离本质是输入向量偏离正常状态的距离，将其定义为最小量化误差指标：

MQE=||D-m_BMU||

式中：MQE表示最小量化误差；D表示输入向量；m_BMU表示最佳匹配单元的权值向量；这一最小距离可作为一种衰退评估指标，若最小量化误差超过了预设临界点，则表示此时对应的工作点已不属于由正常状态数据训练的特征空间，可能己是缺陷状态；MQE越大，表示此时金属结构状态偏离正常状态的程度越大，损伤程度越大，因此通过追踪MQE值，可以定量描述设备的衰退性能。

所述步骤2）的具体方法如下：

首先，利用基于支持向量机核函数条件和提升框架的第二代小波变换理论构造基于冲击故障信号特征的第二代小波核函数，定义如下：

$K(x,x^{\′})=K(x-x^{\′})=\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)$

式中：K表示核函数；d表示维数；m=1,…,N，N为数据长度；表示低通滤波器；表示尺度函数；j表示尺度；

当第二代小波核函数确定以后，第二代小波SVM的模型就确定了，第二代小波SVM和标准的SVM的结构基本相同，区别在于它们所用到的核函数不同，将支持向量机中核函数更换为所述第二代小波核函数，得紧致型第二代小波支持向量机的寿命预测模型。将所述第二代小波核函数代入到对偶优化问题：

$\max L(\mathrm{\α},{\mathrm{\α}}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)(x_i\·x_l)$

$=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,0\≤{\mathrm{\α}}_i\≤C;\end{array}\right.i=\mathrm{1,2},\·\·\·,n$

式中：C为惩罚因子；

求解出上述各系数α_i、就可得到如下对未来样本x_f的第二代小波支持向量机预测决策函数：

$f(x_f,{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*})=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)+b$

式中：b为偏置，利用训练好的第二代小波SVM寿命预测模型，将随时间变化的具有明显性能退化趋势的最小量化误差指标MQE作为预测输入特征，通过模型输出实现小子样下机械装备金属结构部件损伤剩余寿命定量评估。

本发明首先通过经验模式分解技术将信号预处理，结合距离评估准则选取敏感特征构成特征集；然后采用自组织神经网络特征融合技术将特征集训练出随时间变化的具有明显的性能退化趋势的最小量化误差指标；最后将最小量化误差指标与第二代小波支持向量机预测模型进行有效融合，实现对机械装备金属结构部件运行状态下的剩余寿命评估。

由于本发明实现了基于现代信号处理技术的敏感特征选取，基于特征融合信息的性能退化指标构造和基于提升框架下的第二代小波变换构造二代小波核函数支持向量机回归预测算法上的混合，本发明具有下列区别于传统方法的显著优势：

1)基于特征融合技术构造单调的性能退化指标，该指标能够充分反映机械装备金属结构随时间变化的性能退化损伤程度，为机械设备及早发现初始损伤和最终失效，预防重大事故的发生提供有力的保障手段。

2)在对支持向量机核函数进一步研究的基础上，采用基于提升框架下的第二代小波变换构造基于冲击故障信号特征的双正交小波，并将这种小波函数作为核函数，这就更灵活地选取不同的小波作为核函数。该模型不仅具有良好的函数逼近能力，同时更好地体现出多分辨能力，能够充分挖掘有限样本空间数据所蕴含的知识信息，最大程度利用动态信息，实现小样本条件下机械装备金属结构部件性能退化程度识别及剩余寿命定量评估。

3)整个过程实现了信息敏感特征选取、性能退化指标和回归预测在算法上的混合。该方法简单、可靠、易行，实时性好，为小子样机械装备金属结构损伤故障检测及剩余寿命的评估提供了新思路和新方法，具有广阔的工程应用前景。

附图说明

图1为机械设备金属结构部件损伤剩余寿命评估流程图；

图2为本发明的第二代小波函数和对应的二代核函数图；

图2(a)为第二代小波函数图；

图2(b)为对应的二代小波核函数图；

图3为航空发动机轴承试验台结构示意图；

图4为基于距离评估准则的敏感特征选择图；

图5为基于特征融合技术的航空发动机轴承实验1的3#轴承和实验2的1#轴承的性能退化MQE指标；

图6为基于SVM和第二代小波SVM的航空发动机轴承寿命预测对比。

具体实施方式

下面结合附图对本发明作进一步说明。

1）对机械设备的关键金属结构部件的振动量信号进行经验模式分解得本征模式分量，提取各个不同频段本征模式分量的时频域统计特征，构成全体特征集，将获得的全体特征集进行特征距离评估，选取最敏感特征集；利用自组织神经网络特征融合技术将最优特征集训练出随时间变化的具有明显性能退化趋势的最小量化误差指标——MQE。

2）通过构造基于第二代小波变换的双正交小波支持向量机（Support VectorMachine,SVM）核函数建立第二代小波支持向量机的寿命预测模型，将获得的最小量化误差指标MQE作为预测特征，实现小子样下对机械装备金属结构部件运行状态的剩余寿命做出定量评估。具体如下：

如图1的剩余寿命评估流程，首先，构造敏感特征集。对于一个原始振动信号X(t)，采用经验模式分解将X(t)分解得到前m个本征模式分量，m取值为2、3或4，对每个分解信号分别计算14个时域统计特征F_time和13个频域统计特征Ff_requency，共得到m×27个特征F_total=[F_timeF_frequency]；从全体特征集F_total中选择大于给定阈值的特征评估指标所对应的特征，从而构成最敏感特征集F_sensitivity，即最优特征集。

然后，基于自组织神经网络SOM特征融合技术构造性能退化指标。

将最敏感特征集F_sensitivity输入到自组织特征映射神经网络(Self-OrganizingFeature Map，简称SOM)中进行训练，构建出能真实反映机械设备金属结构的性能衰退轨迹评估指标——最小量化误差（Minimum quantizarion error，MQE）。SOM神经网络通过训练可以使权值向量根据它们和输入向量之间的距离进行分类。不同的类代表输入向量中设备不同运行状态的数据，状态的转变通过SOM神经网络中最佳匹配单元的运行轨迹来描述。在正常状态，最佳匹配单元聚集同一区域，当有初始损伤出现时，初始损伤的最佳匹配单元就会偏离正常状态的匹配单元区，偏离大小取决于损伤的类型和严重程度。所以基于偏离正常状态的量化误差可以评估机械设备金属部件的衰退程度，评估过程如下：首先用正常状态的数据训练自组织特征映射网络，得到正常状态的神经元权值向量，然后将最优特征集和映射层的所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义与输入向量距离最小的神经元为最佳匹配单元（Bestmatching unit，BMU），把这一最小距离作为一种衰退评估指标，若最小误差超了预设临界点,则表示此时对应的工作点已不属于有正常状态数据训练的特征空间，可能己是缺陷状态。BMU和输入数据之间的距离本质是输入数据偏离正常状态的距离，将其定义为最小量化误差MQE

MQE=||D-m_BMU||

式中：MQE——MQE值；D——输入向量；m_BMU——BMU的权值向量

MQE越大，表示此时轴承状态偏离正常状态的程度越大，损伤程度越大，因此通过追踪MQE值，可以定量描述设备的衰退性能。

最后，建立第二代小波支持向量机寿命预测模型：

首先，利用基于支持向量机核函数条件和提升框架的第二代小波变换理论构造基于冲击故障信号特征的第二代小波核函数，定义如下：

$K(x,x^{\′})=K(x-x^{\′})=\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)$

式中：K——核函数；d——维数；m=1,…,N，N为数据长度；——低通滤波器；——尺度函数；j——尺度；

当第二代小波核函数确定以后，第二代小波SVM的模型就确定了。第二代小波SVM和标准的SVM的结构基本相同，区别在于它们所用到的核函数不同。将支持向量机中核函数更换为该第二代小波核函数，构造一种紧致型第二代小波SVM寿命预测模型。

将基于提升框架的第二代小波变换理论和SVM核条件构造的第二代小波核函数代入到对偶优化问题：

$\max L(\mathrm{\α},{\mathrm{\α}}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)(x_i\·x_l)$

$=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,0\≤{\mathrm{\α}}_i\≤C;\end{array}\right.i=\mathrm{1,2},\·\·\·,n$

式中：C为惩罚因子；ε表示不敏感损失因子；y表示期望输出；

求解出上述各系数α_i、就可得到如下对未来样本x_f的第二代小波支持向量机预测决策函数：

$f(x_f,{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*})=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)+b$

式中：b为偏置；

利用训练好的第二代小波SVM寿命预测模型，将随时间变化的具有明显性能退化趋势的最小量化误差指标MQE作为预测输入特征，通过模型输出实现小子样下机械装备金属结构部件损伤剩余寿命定量评估。

参照图1所示，为机械设备金属结构部件损伤剩余寿命评估流程图，机械设备的振动信号经过传感器和数据采集系统的拾取，以及信号预处理系统的预处理后，可获得原始时频域振动信号；利用特征距离评估技术对全体特征集进行特征选择，构成最敏感特征集；利用基于自组织神经网络SOM的特征融合技术，将最敏感特征集作输入构建能真实反映机械设备金属结构的性能衰退轨迹评估指标——最小量化误差MQE。建立第二代小波支持向量机的寿命预测模型，将获得的MQE作为预测特征，利用预测模型即可对机械装备金属结构部件运行状态进行实时监测，最后得到损伤剩余寿命结果。

参照图2，为本发明的第二代小波函数和对应的二代核函数图；利用基于提升框架的第二代小波变换理论构造基于冲击故障信号特征的双正交小波，如图2(a)；并将这种小波函数作为核函数，如图2(b)，然后构造一种紧致型第二代小波的支持向量机模型。

参照图3，为航空发动机轴承试验台结构示意图；试验台通过电机驱动，利用带传动将动力（电机提供）传到实验台主轴上，同时对四个航空发动机转子主轴承（轴承1、轴承2、轴承3以及轴承4）进行疲劳寿命试验。实验过程中，轴的转速为2000rpm，轴承径向载荷为60001bs，轴向载荷为0。利用PCB353B33振动加速度传感器采集每个轴承水平和竖直两个方向的振动加速度信号，采样频率为20KHz。

参照图4，为基于距离评估准则的敏感特征选择图；根据设定的阈值，从而可以确定大于该阈值的距离评估指标所对应的特征，即为最敏感特征集，其中，横坐标为特征序号，纵坐标为距离评估指标值。

参照图5，为基于特征融合技术的航空发动机轴承实验1的3#轴承和实验2的1#轴承的性能退化MQE指标；利用基于自组织神经网络SOM的特征融合技术，将最敏感特征集作输入构建能真实反映机械设备金属结构的性能衰退轨迹评估指标，其中，横坐标为测量时间点，纵坐标为对应的MQE指标值。

参照图6，为基于SVM和第二代小波SVM的航空发动机轴承寿命预测对比。从图6中看出，本发明的第二代小波SVM预测模型的对剩余寿命的整体减小趋势逼近效果更好，其中，横坐标为当前时刻，纵坐标为对应的剩余寿命。

实施例：

该实施例给出了本发明在航空装备试验中的具体实施过程，同时验证了该发明的有效性。

某航空发动机转子轴承疲劳寿命试验台结构如图3所示。试验台由交流电机驱动，利用带传动将动力传到实验台主轴上，可以对四个主轴承进行疲劳寿命试验，同时在所有轴承润滑回路装有磁塞，监测铁屑含量，超过设定阈值时自动切断电路。实验过程中，利用弹性装置为轴承加载径向载荷，载荷大小为60001bs，轴向载荷为0，轴的转速为2000rpm。利用PCB353B33振动加速度传感器采集每个轴承水平和竖直两个方向的振动加速度信号，采样频率为20KHz，采样点数为20480。第一组实验每20分钟数据记录一次，实验结束后，3#轴承出现内圈失效；第二组实验每10分钟数据记录一次，实验结束后，1#轴承出现外圈剥落。

航空发动机主轴承剩余寿命预测的流程如下：

首先，构建性能退化评估指标。对于一个原始振动信号X(t)，采用经验模式分解将X(t)分解得到前m个本征模式分量，m取值为3；对每个分解信号分别计算14个时域统计特征F_time和13个频域统计特征F_frequency，共得到m×27=81个特征F_total=[F_timeF_frequency]；从全体特征集F_total中选择大于给定阈值的特征评估指标所对应的特征，从而构成最敏感特征集F_sensitivity，这些特征的距离评估指标值如图4所示。

然后利用自组织神经网络特征融合技术将最优特征集训练出具有明显性能退化趋势的最小量化误差——MQE。从图5中可看出，虽然3#轴承是内圈故障，1#轴承是外圈故障，正常期内两个失效轴承的MQE非常平稳，且差异很小，当初始损伤出现后MQE会迅速升高，整个MQE值相差不大，幅值大致在0~3.0之间，说明MQE对故障类型不敏感，是相对稳定的监测指标。定义MQE值0.05和2为轴承衰退期起始门限和最终失效门限（国际标准ISO2372规定的机械危险水平：2.0-2.2）。当MQE处于二者之间时，轴承处于衰退期。从图5中不难看出，衰退期是轴承开始出现损伤并随着损伤发展各特征持续增长的阶段，因而在衰退期内非常适合开展寿命预测的研究。

其次，构造训练样本对和测试样本集输入。以实验1的3#轴承衰退期内的最小量化误差MQE指标和对应的剩余寿命组成训练样本对；以实验2的1#轴承实验衰退期起始时刻起始点及5%、10%、…、95%位置的20处的最小量化误差MQE指标对应特征构造测试样本集输入。

最后，利用训练好的第二代小波SVM寿命预测模型，将随时间变化的具有明显性能退化趋势的最小量化误差指标MQE的训练样本和测试样本作为输入特征，通过模型输出实现小子样下机械装备金属结构部件损伤剩余寿命定量评估，结果如图6所示。

计算剩余寿命预测的四类平均误差，评估预测结果。根据预测误差评价预测效果的好坏，常用的SVM预测评价指标有绝对平均误差、均方根误差、归一化均方根误差和平均相对误差，单一的预测误差并不能完全反映预测效果的好坏，本发明结合有量纲误差和无量纲误差来评价预测效果，如表1：

表1.SVM预测模型评价指标

从图6可以看出，SVM和第二代小波SVM均能较好地预测出剩余寿命的整体减小趋势。从表2数据表明，第二代小波SVM的平均相对误差小于6.0%；相比传统的SVM，第二代小波SVM的逼近效果更好，具有更好的寿命预测能力。

表2.航空轴承SVM和第二代小波SVM寿命预测误差对比

Claims (3)

1.一种金属结构损伤剩余寿命的第二代小波支持向量机评估方法，其特征在于：包括以下步骤：

1)采用经验模式分解对振动信号进行分解得本征模式分量，提取本征模式分量的时频域统计特征构成全体特征集；采用特征距离评估方法从全体特征集中选取最敏感特征得最优特征集；利用自组织神经网络特征融合方法由最优特征集训练出具有明显性能退化趋势的最小量化误差指标；

2)通过构造基于第二代小波变换的双正交小波支持向量机核函数得第二代小波支持向量机的寿命预测模型；

3)经过步骤2)后，将最小量化误差指标作为模型输入，通过模型输出实现小子样下金属结构损伤剩余寿命定量评估，所述金属结构为轴承；

所述步骤2)的具体方法如下：

首先，利用基于支持向量机核函数条件和提升框架的第二代小波变换理论构造基于冲击故障信号特征的第二代小波核函数，定义如下：

$K(x,x^{\′})=K(x-x^{\′})=\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)$

式中：K表示核函数；d表示维数；m＝1,…,N，N为数据长度；表示低通滤波器；表示尺度函数；j表示尺度；

将所述第二代小波核函数代入到对偶优化问题：

$\begin{array}{c}\max L(\mathrm{\α},{\mathrm{\α}}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)(x_i\·x_l)\\ =-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,l=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_l^{*}-{\mathrm{\α}}_l)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)\end{array}$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)=0\\ 0\≤{\mathrm{\α}}_i^{*}\≤C,0\≤{\mathrm{\α}}_i\≤C;\end{array}\right.i=\mathrm{1,2},...,n$

式中：C为惩罚因子；

求解出上述各系数α_i、α_i ^*，就得到如下对未来样本x_f的第二代小波支持向量机预测决策函数：

$f(x_f,{\mathrm{\α}}_i,{{\mathrm{\α}}_i}^{*})=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({{\mathrm{\α}}_i}^{*}+{\mathrm{\α}}_i)\underset{i=1}{\overset{d}{\mathrm{\Π}}}\sqrt{2}\underset{m}{\mathrm{\Σ}}(-1){\tilde{g}}_{-m+1}\widetilde{\mathrm{\φ}}\left(2^{-j}(x_i-x_i^{\′})\right)+b$

式中：b为偏置。

2.根据权利要求1所述一种金属结构损伤剩余寿命的第二代小波支持向量机评估方法，其特征在于：所述步骤1)的具体方法如下：

首先，对于一个原始振动信号X(t)，采用经验模式分解将X(t)分解得到前m个本征模式分量，m取值为2、3或4，对每个本征模式分量分别计算时域统计特征和频域统计特征，得到全体特征集，从全体特征集中选择大于给定阈值的特征评估指标所对应的特征，从而构成最优特征集；

然后，将最优特征集输入到自组织特征映射神经网络中进行训练，构建最小量化误差指标。

3.根据权利要求2所述一种金属结构损伤剩余寿命的第二代小波支持向量机评估方法，其特征在于：所述构建最小量化误差指标的具体方法为：

首先用正常状态的数据训练自组织特征映射神经网络，得到正常状态的神经元权值向量，然后将最优特征集作为输入向量和所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义与输入向量距离最小的神经元为最佳匹配单元，最佳匹配单元和输入向量之间的距离本质是输入向量偏离正常状态的距离，将其定义为最小量化误差指标：

MQE＝||D-m_BMU||

式中：MQE表示最小量化误差；D表示输入向量；m_BMU表示最佳匹配单元的权值向量。