CN106769051B - 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 - Google Patents
一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN106769051B CN106769051B CN201710144702.0A CN201710144702A CN106769051B CN 106769051 B CN106769051 B CN 106769051B CN 201710144702 A CN201710144702 A CN 201710144702A CN 106769051 B CN106769051 B CN 106769051B
- Authority
- CN
- China
- Prior art keywords
- feature
- svr
- kpca
- features
- rolling bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005096 rolling process Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 2
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000255588 Tephritidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于MCEA‑KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，属于轴承运行状态的预测领域。本发明的目的是为了准确预测滚动轴承的剩余使用寿命。本发明方法对提取的特征计算每个评价标准的有效性得分，自适应地确定每个评价标准的权重，筛选出有效性总得分高于其整体平均值的特征，进一步利用KPCA去除已筛选特征之间的信息冗余，建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入，当前使用寿命与全寿命的比值p即RUL作为输出，建立多个SVR模型，并采用自适应的方法确定各模型的权重，最终构建组合SVR预测模型。本发明方法可准确地对滚动轴承进行RUL预测。
Description
技术领域
本发明涉及一种滚动轴承剩余使用寿命预测方法，属于轴承运行状态的预测领域。
背景技术
当前，旋转机械在工业生产中被广泛应用，滚动轴承作为旋转机械中的基础部件之一，其运行状态的好坏会对整台设备产生重要影响[1-2]。滚动轴承的剩余使用寿命(remaining useful life，RUL)是其受损程度的综合反映。因此，准确预测轴承的RUL对旋转机械的视情维修意义重大[3-4]。
对轴承运行状态的预测已经引起了广泛关注。文献[5]、[6]对能够表征滚动轴承退化趋势的特征进行预测，取得了较好的效果；文献[7]预测特征在下一阶段的变化趋势并与可靠度模型相结合，实现了对轴承运行状态可靠度的预测。上述方法中，只进行特征变化趋势的预测并不能够直接预测出轴承的RUL，此外，在进行可靠度预测的同时也要考虑轴承的个体差异。
滚动轴承RUL预测与状态分类、状态评估相类似，需要提取振动信号的特征，众多学者已提出振动信号的时域统计指标、频域统计指标、包络谱特征、复杂度特征和时频特征等，特征约简方法也有很多报道[8-9]。文献[10]将相关性、单调性以及鲁棒性3个评价标准以凸组合的方式相结合，对轴承振动信号特征进行选择；文献[11]利用Pearson相关系数、Fisher判别率、散度矩阵、Margin width以及Kernel class separability对行星齿轮箱振动信号特征进行有效性分析，通过各特征之间的Pearson相关系数对特征之间进行相关性分析，最后基于ad hoc技术在特征的有效性和相关性之间取得平衡，实现了特征选择。文献[12]利用核主成分分析(kernel principal component analysis，KPCA)对轴承的特征进行降维处理，获得主要的信息成分。上述方法中，利用凸组合的方式进行特征选择时，采用人为方法确定每个评价标准的权重，具有一定的盲目性；在有效性分析的众多评价标准中，Margin width和Kernel class separability计算较为复杂，此外在ad hoc技术中参数的选取依然存在一定的盲目性。
在预测模型方面，文献[13]定义了滚动轴承的健康状态和6种退化状态，利用平滑预测算法将分类结果转化为RUL预测结果。文献[14]提出了基于健康状态评估的滚动轴承RUL预测方法，利用模糊c-均值对轴承不同性能退化模式进行评估，并建立对应的局部支持向量回归(support vector regression，SVR)预测模型，进行分段预测，有效地预测滚动轴承RUL。上述方法中，对轴承的健康与退化状态的划分，目前还缺乏严格的理论依据，同时，模糊c-均值的聚类效果会直接影响局部SVR模型的预测精度。
发明内容
本发明为了准确预测滚动轴承的剩余使用寿命(RUL)，进而提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SVR)相结合的滚动轴承RUL预测方法。
本发明为解决上述技术问题采取的技术方案是：
一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，所述方法的实现过程为：
训练过程
步骤一、在对滚动轴承原始振动信号去除直流分量后，利用滑移平均对去除直流分量后的信号进行平滑处理，然后提取出多个特征，再对每个特征进一步进行滑移平均处理得到特征趋势项，对其进行归一化，构造特征矩阵；
步骤二、构建MCEA-KPCA以进行特征约简：多评价标准有效性分析(MCEA)所用到的标准包括5个评价标准：Pearson相关系数、Fisher判别率、散度矩阵、单调性以及鲁棒性，采用自适应的方法确定每个评价标准的权重，筛选出有效性总得分大于平均值的L个特征；对于选取的特征之间仍然存在相关性的问题，利用KPCA对其进行信息融合，降低特征之间的信息冗余，其具体过程为：
首先，分别计算5个评价标准的有效性得分e，即计算第k个特征趋势项与轴承当前使用寿命和全寿命比值p的Pearson相关系数得分e1k，第k个特征趋势项的Fisher判别率得分e2k、散度矩阵得分e3k、单调性得分e4k，再利用第k个特征的趋势项和剩余项计算鲁棒性得分e5k，将这5个评价标准定义为Ci(i＝1，2，…，5)；e1k至e5k分别具有不同的数量级，对e1k至e5k进行0到1的归一化；
然后，利用自适应的方法确定每个评价标准的权重ω；利用每个评价标准计算特征的有效性得分，将得分大于平均值的特征选出，并利用KPCA进行降维预测，得到该评价标准对应的平均绝对误差(MAE)、平均绝对百分误差(MAPE)、归一化均方误差(NMSE)和均方根误差(RMSE)；这4种误差的和可衡量CiEA-KPCA(i＝1，2，…，5)特征约简的效果，这里当i等于1时C1EA-KPCA表示利用第1个评价标准，即采用Pearson相关系数特征有效性分析结合KPCA进行特征约简，i等于其他值时以此类推；由式(3)计算第i个评价标准的权重：
式中：i＝1，2，…，5；
利用MCEA-KPCA进行特征约简：
通过式(4)计算每个特征的有效性总得分：
式中：k＝1，2，…，K，K表示特征总数；
基于MCEA在所述特征矩阵中筛选出高于有效性总得分Ek平均值所对应的第k个特征，并记录其在特征矩阵中所处的位置Pl(l＝1，2，…，L)，作为特征有效性分析的结果；L表示有效性总得分Ek高于平均值的特征个数；
最后，在筛选出的L个有效特征的基础上，进一步利用KPCA对筛选出的特征进行特征信息融合，消除特征之间的冗余信息，至此完成特征约简；
步骤三、基于约简后的特征，将p作为SVR的输出，将MAE、MAPE、NMSE及RMSE的和作为FOA的适应度函数，对SVR中的C、g以及ε的取值进行寻优，构建SVR1模型，同理构建其他模型SVR2、SVR3……SVRJ；
步骤四、根据公式(5)求出各SVR模型的权重αj(j＝1，2，…，J)，再由公式(6)构建CSVR预测模型，至此训练结束；
式中：j＝1，2，…，J，J表示SVR模型的个数；
在建立SVRj模型并求出其对应的αj后，根据公式(6)可构建CSVR预测模型，基于此预测轴承的RUL；
测试过程：
在测试阶段，对第J+1个滚动轴承采用与训练阶段相同的数据预处理、特征提取方法；将特征矩阵中处于Pl(l＝1，2，…，L)位置的L个特征筛选出来，并利用KPCA去除信息冗余，建立约简后特征矩阵；将约简后特征输入到CSVR预测模型中预测p值，实现预测滚动轴承的RUL。
在步骤一中，
按照特征表提取出多个特征，所述特征表如下：
表1特征说明表
fi是横向和纵向两个方向峰值绝对值的最大值，i＝1,…,c，c为采集振动信号的总次数；
VHi为振动历史指标；
表1中数学形态学分形维数是由滚动轴承振动信号经过Hilbert变换，再计算包络信号的数学形态学分形维数，将其作为轴承状态特征。
在步骤一中，两次滑移平均处理，均基于式(1)来实现：
式(1)能够求出一系列子矩阵内数据点的平均值，
式中：Ns为去均值后的滚动轴承振动数据总个数，s为子矩阵内数据的个数，通常是奇数并且s<<Ns，dn为原始数据中第n个监测值，man为MA处理后的新数据点。
在步骤一中，按照公式(2)对特征趋势项进行归一化以构造特征矩阵，利用公式(2)对特征进行0到1之间的归一化处理：
Y＝(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin (2)
式中：Y为归一化结果，由于是在0到1之间进行归一化，所以Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值。
本发明的有益效果是：
本发明对轴承的RUL进行预测，并对同工况、同型号条件下的不同轴承进行实验研究。提出利用Pearson相关系数、Fisher判别率、散度矩阵、单调性以及鲁棒性相结合的多评价标准有效性分析(multiple criterions effectiveness analysis，MCEA)来进行特征选择，采用自适应的方法确定每个评价标准的权重，筛选出有效性总得分大于平均值的L个特征。对于选取的特征之间仍然存在相关性的问题，利用KPCA对其进行信息融合，降低特征之间的信息冗余。
本发明提出的基于多评价标准的有效性分析结合核主成分分析(MCEA-KPCA)的特征约简方法，是将多个单一SVR模型结合建立最终的CSVR预测模型。换言之，本发明利用多组轴承数据建立多个模型，采用自适应的方式确定每个模型的权重，最终建立组合的支持向量回归(combined SVR，CSVR)的预测模型，对滚动轴承当前使用寿命与全寿命的比值p进行预测，最终实现滚动轴承的RUL预测。
综上，本发明方法对提取的特征计算每个评价标准的有效性得分，自适应地确定每个评价标准的权重，筛选出有效性总得分高于其整体平均值的特征，进一步利用KPCA去除已筛选特征之间的信息冗余，建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入，当前使用寿命与全寿命的比值p即RUL作为输出，建立多个SVR模型，并采用自适应的方法确定各模型的权重，最终构建组合SVR预测模型。最后，对与训练不同的轴承进行测试，将约简后特征输入到组合SVR预测模型中，预测轴承的p值，实验结果表明，本发明方法可准确地对滚动轴承进行RUL预测。
附图说明
图1是MA前后的均方根特征值对比图，图2是本发明的滚动轴承RUL预测方法流程图，图3是特征矩阵中每个特征的Ek图，图4是MCEA-KPCA结合CSVR的RUL预测结果图，图5是C1EA-KPCA结合CSVR的RUL预测结果图，图6是C2EA-KPCA结合CSVR的RUL预测结果图，图7是C3EA-KPCA结合CSVR的RUL预测结果图，图8是C4EA-KPCA结合CSVR的RUL预测结果图，图9是C5EA-KPCA结合CSVR的RUL预测结果图，图10是MCEA-KPCA结合SVR1的RUL预测结果图，图11是MCEA-KPCA结合SVR2的RUL预测结果图。
具体实施方式
具体实施方式一：结合图1至11所示，本实施方式对本发明所述的基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法的实现，进行如下阐述：
一、在训练阶段对轴承数据进行特征提取与约简
1、原始数据预处理
对滚动轴承原始振动信号进行去均值处理，以此来抵消直流分量；然后利用滑移平均(moving average，MA)对信号进行平滑处理，如式(1)所示，它能够求出一系列子矩阵内数据点的平均值。从数学角度来说，MA是一种卷积，其作用相当于一个低通滤波器。
式中：Ns为去均值后的滚动轴承振动数据总个数，s为子矩阵内数据的个数，通常是奇数并且s<<Ns，dn为原始数据中第n个监测值，man为MA处理后的新数据点。
2、特征提取及处理
本发明采用滚动轴承的时域、频域和形态学特征如表1所示。
表1特征说明表
表1中：
fi是横向和纵向两个方向峰值绝对值的最大值，i＝1,…,c，c为采集振动信号的总次数；
VHi为振动历史指标，其表示式为
其中，i＝1,…,c，c为采集振动信号的总次数，j＝i-1。
频域指标F1-F13的具体明细如下：
频域特征指标
上表中，s(m)为x(i)的频谱，m＝1,2,…,M，M表示谱线总数；x(i)为经过采样离散化后的振动信号；vm为第m条谱线的频率值。频域特征指标F1能够反映出频域振动能量的大小；F2-F4，F6，F10-F13能够反映出频谱集中或是分散的程度；F5，F7-F9能够反映出主频带位置的变化。
表1中数学形态学分形维数是由滚动轴承振动信号经过Hilbert变换，再计算包络信号的数学形态学分形维数，将其作为轴承状态特征。
特征处理包括两部分工作：
第一，由于不同特征可能具有不同的数量级，本发明利用公式(2)对特征进行0到1之间的归一化处理。
Y＝(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin (2)
式中：Y为归一化结果，由于是在0到1之间进行归一化，所以Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值。
第二，虽然原始数据已经通过MA进行数据预处理，但为了进一步提高特征的信噪比，再次利用公式(1)对每个特征进行MA处理。以均方根值为例，MA得到的结果就是特征趋势项(图1中的实线)，MA之前的特征减去特征趋势项得到特征剩余项，结果如图1所示。由图1可以看出，与MA前的特征相比，特征趋势项更加平滑，上升趋势更加明显，并且特征值全部处于0到1范围内。
3、特征约简
利用MCEA筛选特征结合KPCA对得到的特征趋势项进行约简。
首先，分别计算5个评价标准的有效性得分e，即计算第k个特征趋势项与轴承当前使用寿命和全寿命比值p的Pearson相关系数得分e1k，第k个特征趋势项的Fisher判别率得分e2k、散度矩阵得分e3k、单调性得分e4k，再利用第k个特征的趋势项和剩余项计算鲁棒性得分e5k，将这5个评价标准定义为Ci(i＝1，2，…，5)。由于e1k至e5k分别具有不同的数量级，所以利用式(2)对e1k至e5k进行0到1的归一化。
然后，利用自适应的方法确定每个评价标准的权重ω。利用每个评价标准计算特征的有效性得分，将得分大于平均值的特征选出，并利用KPCA进行降维预测，得到该评价标准对应的平均绝对误差(MAE)、平均绝对百分误差(MAPE)、归一化均方误差(NMSE)和均方根误差(RMSE)。这4种误差的和可衡量CiEA-KPCA(i＝1，2，…，5)特征约简的效果，这里当i等于1时C1EA-KPCA表示利用第1个评价标准，即采用Pearson相关系数特征有效性分析结合KPCA进行特征约简，i等于其他值时以此类推。由式(3)计算第i个评价标准的权重：
式中：i＝1，2，…，5。
通过式(4)计算每个特征的有效性总得分：
式中：k＝1，2，…，K，K表示特征总数。
求出所有特征的有效性总得分Ek的整体平均值，将大于该平均值的Ek所对应的第k个特征筛选出来，作为特征有效性分析的结果。
最后，在选择有效特征的基础上，进一步利用KPCA对筛选出的特征进行特征信息融合，消除特征之间的冗余信息，至此完成特征约简。
二、构建CSVR预测模型
SVR是一种用于解决数据回归预测问题的机器学习算法，具有很好的泛化能力。将某滚动轴承约简后的特征作为SVR的输入，p∈(0,1]作为输出，利用果蝇优化算法(fruitfly optimization algorithm，FOA)对SVR模型的惩罚系数C、径向基核函数宽度g以及不敏感误差ε进行寻优，建立SVR模型。以此类推，建立其他轴承的SVR模型，并自适应确定他们之间的权重系数，从而构建多轴承的CSVR预测模型。
以2个轴承作为训练对象，预测第3个轴承为例：首先利用第1个轴承建立SVR1模型，将第2个轴承的特征输入SVR1模型中，得到该轴承p值，计算所求p值与实际值间的4种误差和，即MAE1+MAPE1+NMSE1+RMSE1。然后再用第2个轴承建立SVR2模型，将第1个轴承的特征输入SVR2模型中，得到该轴承p值，计算所求p值与实际值间的误差和MAE2+MAPE2+NMSE2+RMSE2。最后利用公式(5)求出SVR1模型和SVR2模型的权重α1和α2。
式中：j＝1，2，…，J，J表示SVR模型的个数，当利用2个轴承训练时J＝2。
在建立SVRj模型并求出其对应的αj后，根据公式(6)可构建CSVR预测模型，基于此预测轴承3的RUL。
三、滚动轴承RUL预测方法及流程
滚动轴承RUL预测方法的流程图如图2所示。
具体流程：
在对滚动轴承原始振动数据去除直流分量后，按照公式(1)进行MA，然后按照表1提取出多个特征，对每个特征进一步进行MA处理得到特征趋势项，并按照公式(2)对其进行归一化，构造特征矩阵；基于MCEA筛选出高于有效性总得分Ek平均值所对应的第k个特征，并记录其在特征矩阵中所处的位置Pl(l＝1，2，…，L)，进一步利用KPCA进行特征信息融合，构建约简后特征；
基于约简后的特征，将p作为SVR的输出，将MAE、MAPE、NMSE及RMSE的和作为FOA的适应度函数，对SVR中的C、g以及ε的取值进行寻优，构建SVR1模型，同理构建其他SVR模型；
根据公式(5)求出各SVR模型的权重αj(j＝1，2，…，J)，再由公式(6)构建CSVR预测模型，至此训练结束；
在测试阶段，对第J+1个滚动轴承采用与训练阶段相同的数据预处理、特征提取方法。将特征矩阵中处于Pl(l＝1，2，…，L)位置的L个特征筛选出来，并利用KPCA去除信息冗余，建立约简后特征矩阵。将约简后特征输入到CSVR预测模型中预测p值，实现预测滚动轴承的RUL。
四、本发明方法的应用与分析
滚动轴承全寿命数据来自于PRONOSTIA试验台[18]，水平方向和垂直方向两个加速度传感器进行数据采集，分别每10s记录一次数据，采样频率为25.6kHz。本发明将轴承编号1_1和1_3的完整数据，即全寿命周期数据作为训练，预测轴承1_4的RUL，为避免数据中异常值的干扰，将每个数据的前部分点忽略，并对原始数据进行预处理，采用公式(1)进行MA时，令s＝11。
根据表1分别对滚动轴承振动信号进行特征提取，由于试验台有水平方向和垂直方向两个传感器，再加上fi和VHi两个特征，所以有25×2+2，即52个特征。为了能够使特征具有一定的线性趋势，对上述52个特征取自然对数，这样又产生了新的52个特征。所以，本发明共提取出104个特征并按照一定次序排列。
按照前述的特征提取及处理过程对轴承1_1的特征进行特征处理，构造特征矩阵。分别利用单一评价标准筛选出有效性得分大于整体平均值的特征，通过KPCA降到3维，利用轴承1_1预测轴承1_3的p值，并计算轴承1_3的实际p值与预测p值间的MAE、MAPE、NMSE和RMSE值之和。5个评价标准对应的误差和MAE+MAPE+NMSE+RMSE分别为1.3460、2.9996、3.3768、1.9841和4.9930，由公式(3)可求得权重ω1＝0.3578、ω2＝0.1605、ω3＝0.1426、ω4＝0.2427和ω5＝0.0964，由公式(4)可得每个特征的Ek(k＝1，2，…，104)。特征矩阵中每个特征的Ek如图3所示，整体平均值为0.3241，特征矩阵中共有44个特征的Ek高于整体平均值，即L＝44，将这些特征筛选出来并记录下每个特征所处的位置Pl(l＝1，2，…，44)。这样就确定了在MCEA时需要被筛选出的特征，然后进一步利用KPCA对其进行降维处理，维数为3。将轴承1_3的特征矩阵中处于Pl(l＝1，2，…，44)位置的特征筛选出来，利用KPCA降到3维，完成特征约简。
然后，将约简后的轴承1_1的特征作为SVR1的输入，对应的p作为输出建立SVR1模型；将约简后的轴承1_3的特征作为SVR2的输入，对应的p作为输出建立SVR2模型。以上两个模型中的参数均采用FOA进行优化，SVR1中的C1＝236.0214，g1＝85.0142和ε1＝0.0036，SVR2中的C2＝342.0345，g2＝61.7129和ε2＝0.0041。利用公式(5)以及(6)构建CSVR预测模型，权重α1＝0.5381和α2＝0.4619。
最后，提取轴承1_4的104个特征，并对其进行处理构造特征矩阵。将处于Pl(l＝1，2，…，44)位置的特征筛选出来，再经过KPCA降到3维后，建立约简后的特征矩阵。将约简后的特征输入到CSVR预测模型中，预测轴承1_4的p值，实现对滚动轴承的RUL预测，结果如图4所示。图5至图9分别为基于第i个评价标准有效性分析结合KPCA(CiEA-KPCA，i＝1，2，…，5)进行特征约简，并利用CSVR模型预测对轴承1_4的p进行预测的结果。图10和图11为特征约简方法MCEA-KPCA分别结合单独建立的SVR1、SVR2模型的预测结果。
由图4可以看出，所预测出的轴承1_4的p值与实际值较为接近，由图5至图9可以看出，基于单一的CiEA-KPCA(i＝1，2，…，5)进行特征约简，并利用CSVR预测模型所得p的预测值与实际值偏差较大，预测效果并不理想。由图10和图11可以看出，利用单独建立的SVR1或SVR2模型结合MCEA-KPCA特征约简来预测轴承的p值效果也不如基于CSVR模型(图4)的效果好。对比图4至图11，图4的预测效果最好，也就是本发明提出的基于MCEA-KPCA特征约简结合CSVR模型的方法预测效果最好，各种方法的预测误差对比分析见表2。
表2不同方法的p值预测误差
由表2可以看出，基于C1EA-KPCA，C2EA-KPCA以及C4EA-KPCA特征约简的RUL预测效果要明显好于C3EA-KPCA和C5EA-KPCA，这恰好与评价标准C3及C5的权重较小相对应。相同预测模型的前提下，与基于单一的CiEA-KPCA(i＝1，2，…，5)特征约简相比，MCEA-KPCA特征约简的RUL预测误差均为最小。相同特征约简方法的前提下，与单一的SVR模型相比，CSVR模型的RUL预测误差均为最小。证明了本发明所提方法在RUL预测方面的优势。
五、给出本发明方法的验证结论
(1)针对滚动轴承RUL难以准确预测的问题，在特征约简以及预测模型方面进行改进，实现了滚动轴承的RUL预测，为制定合理维修计划提供依据，减少经济损失和人员伤亡。
(2)通过自适应的方法确定了每个特征评价标准的权重，提出了基于MECA-KPCA的特征约简方法，相比于单一评价标准有效性分析CiEA-KPCA(i＝1，2，…，5)，该特征约简方法在滚动轴承的RUL预测方面具有明显优势，预测值与实际值间的四种误差以及误差和均为最小。
(3)在训练过程中，利用2个轴承分别建立SVR1和SVR2模型，通过自适应的方式确定每个模型的权重，进而建立CSVR预测模型，实现同工况、同型号条件下不同滚动轴承的RUL预测，比单一SVR模型预测的效果好，预测值与实际值间的误差及误差和均最小。
本发明中提及的参考文献：
[1]SOUALHI A,MEDJAHER K,ZERHOUNI N.Bearing health monitoring based onHilbert-Huang transform,support vector machine and regression[J].IEEETransactions on Instrumentation&Measurement,2015,64(1):52-62.
[2]康守强,王玉静,崔历历,等.基于CFOA-MKHSVM的滚动轴承健康状态评估方法[J].仪器仪表学报,2016,37(9):2029-2035.
KANG SH Q,WANG Y J,CUI L L,et al.Health state assessment of a rollingbearing based on CFOA-MKHSVM method[J].Chinese Journal of ScientificInstrument,2016,37(9):2029-2035.
[3]陈法法,杨勇,马婧华,等.信息熵与优化LS-SVM的轴承性能退化模糊粒化预测[J].仪器仪表学报,2016,37(4):779-787.
CHEN F F,YANG Y,MA J H,et al.Fuzzy granulation prediction for bearingperformance degradation based on information entropy and optimized LS-SVM[J].Chinese Journal of Scientific Instrument,2016,37(4):779-787.
[4]张焱,汤宝平,熊鹏.多尺度变异粒子群优化MK-LSSVM的轴承寿命预测[J].仪器仪表学报,2016,37(11):2489-2496.
ZHANG Y,TANG B P,XIONG P.Rolling element bearing life predictionbased on multi-scale mutation particle swarm optimized multi-kernel leastsquare support vector machine[J].Chinese Journal of Scientific Instrument,2016,37(11):2489-2496.
[5]DONG S J,YIN S R,TANG B P,et al.Bearing Degradation ProcessPrediction Based on the Support Vector Machine and Markov Model[J].Shock andVibration,2014,2014:1-15,Article ID 717465.
[6]陈强华,李洪儒,许葆华.基于形态分形维数与改进ELM的轴承故障预测[J].轴承,2014,(4):45-49.
CHEN Q H,LI H R,XU B H.Fault Prediction for Bearings Based onMorphological Fractal Dimension and Improved ELM[J].Bearing,2014,(4):45-49.
[7]陈昌.基于状态振动特征的空间滚动轴承可靠性评估方法研究[D].重庆:重庆大学,2014:43-48.
CHEN C.Reliability Assessment Method for Space Rolling Bearing Basedon Condition Vibration Feature[D].Chongqing:Chongqing University,2014:43-48.
[8]LIU Y B,HE B,LIU F,et al.Remaining Useful Life Prediction ofRolling Bearings Using PSR,JADE,and Extreme Learning Machine[J].MathematicalProblems in Engineering,2016,2016:1-13,Article ID 8623530.
[9]ZHAO M H,TANG B P,TAN Q.Bearing remaining useful life estimationbased on time-frequency representation and supervised dimensionalityreduction[J].Measurement,2016,86:41-55.
[10]ZHANG B,ZHANG L J,XU J W.Degradation Feature Selection forRemaining Useful Life Prediction of Rolling Element Bearings[J].Quality andReliability Engineering International,2016,32:547-554.
[11]LIU ZH L,ZUO M J,XU H B.Fault diagnosis for planetary gearboxesusing multi-criterion fusion feature selection framework[J].Proc ImechE,PartC:J Mechanical Engineering Science,2013,227(9):2064-2076.
[12]刘韬,陈进,董广明.KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用[J].振动与冲击,2014,33(21):85-89.
LIU T，CHEN J，DONG G M.Application of KPCA and coupled hidden Markovmodel in bearing fault diagnosis[J].Journal of Vibration and Shock,2014,33(21):85-89.
[13]Ali J B,Chebel-Morello B,Saidi L,et al.Accurate bearing remaininguseful life prediction based on Weibull distribution and artificial neuralnetwork[J].Mechanical Systems and Signal Processing,2015,56-57:150-172.
[14]LIU ZH L,ZUO M J,QIN Y.Remaining useful life prediction ofrolling element bearings based on health state assessment[J].Proc IMech EPart C:J Mechanical Engineering Science,2016,230(2):314-330.
[15]LEI Y G,HE ZH J,ZI Y Y,et al.Fault Diagnosis of RotatingMachinery based on Multiple ANFIS Combination with Gas[J].Mechanical Systemsand Signal Processing,2007,21:2280-2294.
[16]杨慧斌,滚动轴承故障诊断中的特征提取与选择方法[D].湖南:湖南工业大学,2011:7-8.
YANG H B.Features extraction and selection in rolling bearing faultdiagnosis[D].Hunan:Hunan University of Technology,2011:7-8.
[17]LEI Y G,HE ZH J,ZI Y Y,et al.A new approach to intelligent faultdiagnosis of rotating machinery[J].Expert Systems with Applications,2008,35:1593-1600.
[18]Nectoux P,Gouriveau R,Medjaher K,et al.PRONOSTIA:an experimentalplatform for bearings accelerated degradation tests.In:Proceedings of IEEEinternational conference on prognostics and health management,Denver,CO,18-21June 2012,1-8.
Claims (3)
1.一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，其特征在于：所述方法的实现过程为：
训练过程
步骤一、在对滚动轴承原始振动信号去除直流分量后，利用滑移平均对去除直流分量后的信号进行平滑处理，然后提取出多个特征，再对每个特征进一步进行滑移平均处理得到特征趋势项，对其进行归一化，构造特征矩阵；
步骤二、构建MCEA-KPCA以进行特征约简：多评价标准有效性分析(MCEA)所用到的标准包括5个评价标准：Pearson相关系数、Fisher判别率、散度矩阵、单调性以及鲁棒性，采用自适应的方法确定每个评价标准的权重，筛选出有效性总得分大于平均值的L个特征；对于选取的特征之间仍然存在相关性的问题，利用KPCA对其进行信息融合，降低特征之间的信息冗余，其具体过程为：
首先，分别计算5个评价标准的有效性得分e，即计算第k个特征趋势项与轴承当前使用寿命和全寿命比值p的Pearson相关系数得分e1k，第k个特征趋势项的Fisher判别率得分e2k、散度矩阵得分e3k、单调性得分e4k，再利用第k个特征的趋势项和剩余项计算鲁棒性得分e5k，将这5个评价标准定义为Ci(i＝1，2，…，5)；e1k至e5k分别具有不同的数量级，对e1k至e5k进行0到1的归一化；
然后，利用自适应的方法确定每个评价标准的权重ω：利用每个评价标准计算特征的有效性得分，将得分大于平均值的特征选出，并利用KPCA进行降维预测，得到该评价标准对应的平均绝对误差MAE、平均绝对百分误差MAPE、归一化均方误差NMSE和均方根误差RMSE；这4种误差的和可衡量CiEA-KPCA(i＝1，2，…，5)特征约简的效果，这里当i等于1时C1EA-KPCA表示利用第1个评价标准，即采用Pearson相关系数特征有效性分析结合KPCA进行特征约简，i等于其他值时以此类推；由式(3)计算第i个评价标准的权重：
式中：i＝1，2，…，5；
利用MCEA-KPCA进行特征约简：
通过式(4)计算每个特征的有效性总得分：
式中：k＝1，2，…，K，K表示特征总数；
基于MCEA在所述特征矩阵中筛选出高于有效性总得分Ek平均值所对应的第k个特征，并记录其在特征矩阵中所处的位置Pl(l＝1，2，…，L)，作为特征有效性分析的结果；L表示有效性总得分Ek高于平均值的特征个数；
最后，在筛选出的L个有效特征的基础上，进一步利用KPCA对筛选出的特征进行特征信息融合，消除特征之间的冗余信息，至此完成特征约简；
步骤三、将某滚动轴承经过步骤二处理后得到的约简后的特征作为SVR的输入，将p作为SVR的输出，将MAE、MAPE、NMSE及RMSE的和作为FOA的适应度函数，对SVR模型的惩罚系数C、径向基核函数宽度g以及不敏感误差ε进行寻优，构建SVR模型；利用第1个滚动轴承约简后的特征作为输入建立SVR1模型，利用第2个滚动轴承约简后的特征作为输入建立SVR2模型，同理构建其他模型SVR3、SVR4……SVRJ；
步骤四、根据公式(5)求出各SVR模型的权重αj(j＝1，2，…，J)，再由公式(6)构建CSVR预测模型，至此训练结束；
式中：j＝1，2，…，J，J表示SVR模型的个数；
在建立SVRj模型并求出其对应的αj后，根据公式(6)可构建CSVR预测模型，基于此预测轴承的RUL；
测试过程：
在测试阶段，对第J+1个滚动轴承采用与训练阶段相同的数据预处理、特征提取方法；将特征矩阵中处于Pl(l＝1，2，…，L)位置的L个特征筛选出来，并利用KPCA去除信息冗余，建立约简后特征矩阵；将约简后特征输入到CSVR预测模型中预测p值，实现预测滚动轴承的RUL。
2.根据权利要求1所述的一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，其特征在于：在步骤一中，两次滑移平均处理，均基于式(1)来实现：
式(1)能够求出一系列子矩阵内数据点的平均值，
式中：Ns为去均值后的滚动轴承振动数据总个数，s为子矩阵内数据的个数，通常是奇数并且s<<Ns，dn为原始数据中第n个监测值，man为MA处理后的新数据点。
3.根据权利要求2所述的一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，其特征在于：在步骤一中，按照公式(2)对特征趋势项进行归一化以构造特征矩阵，利用公式(2)对特征进行0到1之间的归一化处理：
Y＝(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin (2)
式中：Y为归一化结果，由于是在0到1之间进行归一化，所以Ymax＝1，Ymin＝0，X为特征的值，Xmax为特征中的最大值，Xmin为特征中的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710144702.0A CN106769051B (zh) | 2017-03-10 | 2017-03-10 | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710144702.0A CN106769051B (zh) | 2017-03-10 | 2017-03-10 | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106769051A CN106769051A (zh) | 2017-05-31 |
| CN106769051B true CN106769051B (zh) | 2019-07-23 |
Family
ID=58962487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710144702.0A Expired - Fee Related CN106769051B (zh) | 2017-03-10 | 2017-03-10 | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106769051B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886539B (zh) * | 2017-10-19 | 2021-05-14 | 昆明理工大学 | 一种工业场景下高精度齿轮视觉检测方法 |
| CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
| CN110135064B (zh) * | 2019-05-15 | 2023-07-18 | 上海交通大学 | 一种发电机后轴承温度故障预测方法、系统及控制器 |
| CN111680446B (zh) * | 2020-01-11 | 2022-11-15 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
| CN113051817B (zh) * | 2021-03-19 | 2024-04-12 | 上海海洋大学 | 一种基于深度学习的海浪高度预测方法及其应用 |
| CN113408076B (zh) * | 2021-07-12 | 2025-04-04 | 扬州力创机床有限公司 | 基于支持向量机模型的小样本机械剩余寿命预测方法 |
| CN114509266B (zh) * | 2022-01-05 | 2023-12-01 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
| CN115200865A (zh) * | 2022-07-13 | 2022-10-18 | 郑州恩普特科技股份有限公司 | 一种滚动轴承性能退化评估方法 |
| CN117852375A (zh) * | 2022-09-30 | 2024-04-09 | 北京金风慧能技术有限公司 | 轴承寿命预测方法及装置 |
| CN119043723B (zh) * | 2024-11-01 | 2025-01-24 | 南京凯奥思数据技术有限公司 | 一种基于深度潜变量聚类模型的轴承健康状态评估方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005095919A1 (ja) * | 2004-03-31 | 2005-10-13 | The Chugoku Electric Power Co., Inc. | 転がり軸受の余寿命診断方法及びこの余寿命診断装置 |
| CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
| CN104807640A (zh) * | 2015-05-08 | 2015-07-29 | 重庆交通大学 | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 |
| JP2015215317A (ja) * | 2014-05-13 | 2015-12-03 | 日本精工株式会社 | 転がり軸受の残存寿命予測方法 |
| CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
-
2017
- 2017-03-10 CN CN201710144702.0A patent/CN106769051B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005095919A1 (ja) * | 2004-03-31 | 2005-10-13 | The Chugoku Electric Power Co., Inc. | 転がり軸受の余寿命診断方法及びこの余寿命診断装置 |
| JP2015215317A (ja) * | 2014-05-13 | 2015-12-03 | 日本精工株式会社 | 転がり軸受の残存寿命予測方法 |
| CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
| CN104807640A (zh) * | 2015-05-08 | 2015-07-29 | 重庆交通大学 | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 |
| CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于ＳＭＦ－ＷＰＲ－ＫＰＣＡ算法的轴承特征提取》;朱骏 等;《机械工程与自动化》;20161031(第5期);第25-27页 |
| 《基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测》;申中杰 等;《机械工程学报》;20130131;第49卷(第2期);第183-189页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106769051A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106769051B (zh) | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 | |
| CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| Lu et al. | Wind turbine planetary gearbox condition monitoring method based on wireless sensor and deep learning approach | |
| CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
| CN103115789B (zh) | 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 | |
| Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
| CN107101828A (zh) | 一种编码器健康度评价的轴承剩余寿命预测方法 | |
| CN106885697A (zh) | 基于fcm‑hmm的滚动轴承的性能退化评估方法 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
| CN110083593B (zh) | 电站运行参数清洗及修复方法、修复系统 | |
| CN114608826A (zh) | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 | |
| CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN105137354B (zh) | 一种基于神经网络电机故障检测方法 | |
| Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN116401950B (zh) | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 | |
| CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
| CN118010350A (zh) | 基于概率稀疏注意力的轴承剩余寿命预测方法 | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN117153193A (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| CN115169405A (zh) | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xie Jinbao Inventor after: Wang Yujing Inventor after: Ye Liqiang Inventor after: Kang Shouqiang Inventor after: Yu Chunyu Inventor after: Liu Changyuan Inventor before: Kang Shouqiang Inventor before: Wang Yujing Inventor before: Ye Liqiang Inventor before: Xie Jinbao Inventor before: Yu Chunyu Inventor before: Liu Changyuan |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190723 Termination date: 20210310 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |