CN109472241A - 基于支持向量回归的燃机轴承剩余使用寿命预测方法 - Google Patents

Abstract

一种基于支持向量回归的燃机轴承剩余使用寿命预测方法，通过采集燃机轴承的健康状态数据经预处理后提取得到时域特征和频域特征，然后通过数据融合工具将时域特征和频域特征通过主成分分析法融合，得到表征轴承退化的低维特征指标并用于训练基于支持向量回归的剩余使用寿命预测模型，最后通过剩余使用寿命预测模型进行轴承寿命的实时预测。本发明预测误差均低于普通的支持向量回归模型和神经网络模型预测结果，预测结果精度较高。

Description

基于支持向量回归的燃机轴承剩余使用寿命预测方法

技术领域

本发明涉及的是一种火力发电领域的技术，具体是一种基于支持向量回归的燃机轴承剩余使用寿命预测方法。

背景技术

燃气轮机的轴承部件，是燃气轮机的运转中重要的组成部分。对轴承进行剩余寿命预测已成为当今预测学术领域的一大热点研究问题。对于燃机轴承进行剩余寿命预测所使用的方法主要分为两大类，一方面为建立轴承工作状态的力学模型，通过材料，转速、频率、温度、湿度等多种因素对轴承工作状态进行分析，通过物理模型进行轴承剩余寿命的预测。而另一方面为通过设置各类传感器对轴承工作时的状态监测数据进行检测，储存收集这些数据，建立数据驱动的预测模型，对轴承的剩余寿命进行预测。数据驱动的预测模型不仅能够通过不断获取新的数据，实现实时预测轴承的剩余寿命，也能够通过最新获取的数据，对已有的模型进行不断的改进。前者的缺点在于模型的建立十分复杂，容易忽略一些影响因素造成预测结果的不准确。而后者相对物理模型在建立模型的难度方面有所降低，但同样存在着模型关联性较强，因果性较弱的问题，模型的可解释性较差，易陷入误区。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于支持向量回归的燃机轴承剩余使用寿命预测方法，预测误差均低于普通的支持向量回归模型和神经网络模型预测结果，预测结果精度较高。

本发明是通过以下技术方案实现的：

本发明通过采集燃机轴承的健康状态数据经预处理后提取得到时域特征和频域特征，然后通过数据融合工具将时域特征和频域特征进行融合，得到表征轴承退化的低维特征指标并用于训练基于支持向量回归的剩余使用寿命预测模型，最后通过剩余使用寿命预测模型进行轴承寿命的实时预测。

所述的健康状态数据，通过设置燃机轴承运行于数据采集试验环境中并采集燃机轴承从正常工作直至完全退化过程中的工作状态数据作为健康状态数据。

所述的数据采集试验环境包括：旋转部分、加速退化部分以及测量部分，其中：旋转部分包含带变速箱的异步电机及转轴，带动燃机轴承的内圈转动；加速退化部分通过气缸不断增加燃机轴承的径向载荷，实现燃机轴承加速失效；测量部分设置于燃机轴承两侧采集振动加速度，三部分协作运行，实验环境提供表征燃机轴承老化直至完全失效的真实数据。

所述的测量部分通过加速度传感器实现，其每秒检测2560次轴承的加速度振动信号，每十秒采集一次数据。

所述的健康状态数据包括：轴承工作总时间、轴承水平方向上的振动加速度以及轴承竖直方向上的振动加速度。

所述的预处理是指：检验并删除因采集误差导致的异常值，并对数据进行平滑处理和归一化处理，获得能表征燃机轴承退化状态的有用信号。

所述的异常值是指：与数据均值偏差大于三倍标准差的值，在每次异常值剔除后重新观察数据的分布情况，并循环重复剔除异常点。

所述的平滑处理是指：利用滑动平均法来减少信号短期波动，提高信噪比，该滑动平均法的移动步长由遗传算法迭代寻优得到。

所述的归一化处理是指：采用Min-Max标准化对数据进行线性变换，使归一化结果落到[0,1]区间内。

所述的时域特征包括：峰-峰值、均方根值、波形指标、脉冲指标、峭度指标、峰度指标和裕度指标，频域特征包括：重心频率、均方频率、均方根频率和频率方差。

所述的数据融合工具为主成分分析法，用以降低所提取特征的维度。

所述的剩余使用寿命预测模型为：RUL(t)＝f(x(t),l,C,∈,γ)，其中：x(t)为融合后的输入特征，l为平滑处理的移动步长，C、∈和γ指SVR算法的参数。通过设定l以及SVR的参数，输入t时刻的特征x(t)，模型即可输出剩余使用寿命预测值。

所述的剩余使用寿命预测模型使用遗传算法进行参数寻优，搜寻的参数包括平滑处理移动步长l，SVR对应的对错分类样本的惩罚程度参数C，允许边界的大小∈，以及高斯核函数的系数γ。

所述的遗传算法使用综合评价指标作为适应度函数，即采用平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)三种误差计算方法的误差和取代一般所使用的均方误差。

所述的剩余使用寿命预测模型训练，使用K阶交叉验证避免过拟合，提高预测精度。

所述的实时预测，以轴承的工作总时间与轴承总寿命的比值为预测目标值，预测值介于0和1之间，更适应于支持向量回归模型，加快训练速度。

本发明涉及一种实现上述方法的系统，包括：特征处理模块、预测模块和参数寻优模块，其中：特征处理模块带数据输入接口并对负责原始数据进行预处理、特征提取及融合，预测模块与特征处理模块相连并将输入特征进行非线性回归预测，参数寻优模块与预测模块相连，负责对预测模块的参数进行迭代寻优。

技术效果

与现有技术相比，本发明从燃机轴承剩余寿命预测的实际需求(失效模式复杂)出发，从燃机轴承振动信号中提取时域频域状态特征并进行特征融合，利用支持向量回归对故障数据进行识别，并使用遗传算法进行参数优化以提高预测精度，实现燃机轴承剩余使用寿命预测的高效预测，为日后维护决策的制定提供数据支持。

附图说明

图1为本发明流程示意图；

图2为实施例燃机轴承剩余使用寿命预测效果图。

具体实施方式

如图1所示，为本实施例涉及的一种基于支持向量回归的燃机轴承剩余使用寿命预测方法，其具体步骤包括：

步骤1)使用加速度传感器采集燃机轴承从正常工作直至完全退化过程中的加速度振动信号，包括轴承水平方向上的振动加速度以及轴承竖直方向上的振动加速度。轴承加速度的数据单位为重力加速度g，随着轴承不断退化，轴承的振动信号振幅逐渐变大，直至振动加速度超过20g，轴承完全退化。

所述的数据采集由设置于轴承两侧的加速度传感器完成，加速度传感器每秒检测2560次轴承的加速度振动信号，每十秒采集一次数据。

步骤2)在传感器采集数据时，会产生一些偶然性错误和采集误差，导致原始数据包含偏离值。对原始振动信号数据进行数据预处理，剔除异常值，并对数据进行平滑处理和归一化处理。得到能具体表征燃机轴承退化状态的有用信号。

所述的异常值的判定准则为：与样本均值的偏离大于三倍标准差的值。在一次异常值剔除后重新观察数据的分布情况，看是否仍然存在显著异常点，若存在则继续重复剔除异常点。

所述的平滑处理采用如下公式，其中：MA指平滑处理后的数据，l为移动步长，S为待处理数据总个数，d_i为待处理数据中第i个检测值。

所述的归一化处理采用Min-Max标准化，即其中：x_i为输入信号，maxx_i为特征中的最大值，minx_i为特征中的最小值。

步骤3)时域特征是指信号随时间而变化的特征，能够很好地反应滚动轴承的运行状态。频域特征是描述信号在频率方面的特性，通过对时域特征和频域特征进行提取能够更为全面地获取轴承的振动特性，得到更多的轴承退化信息。提取时域特征(如表1所述)和频域特征(如表2所述)。

表1时域特征指标

表2频域特征指标

其中：x(i)指单个振动信号的数据点，N为2560，指加速度传感器每秒检测2560次燃机轴承的加速度振动信号。X_max,X_min分别为周期中振动信号的最大值和最小值，

步骤4)采用主成分分析法对提取的特征进行特征融合，以减少特征维度，加快模型训练速度。

所述的主成分分析法的降维原理为将高维向量通过线性变换投影至低维空间，并使降维后的数据方差尽量大，可去除原来高维特征的冗余部分，实现用主成分的方式来描述高维数据特征。

所述的线性变换为拉格朗日乘数法，具体为：当有K个N维向量数据，以将其降至n维时，首先将高维的向量数据利用线性变换投影至一维空间并使得投影后的数据方差尽量大，即寻找一个N维单位行向量w¹，将其与所有向量做内积：z_i＝w¹x_i，则有

投影后的数据方差为：

其中：

则原问题转化为：

max(w¹)^TSw¹，

约束条件为：(w¹)^Tw¹＝1。

采用拉格朗日数乘法：g(w¹)＝(w¹)^TSw¹-α((w¹)^Tw¹-1)，为求g(w¹)最大值，对g(w¹)进行求导得：Sw¹＝αw¹，两边同乘(w¹)^T，得(w¹)^TSw¹＝α。将原问题即化为，对半正定矩阵S，找到最大的特征值λ₁，将原数据投影到对应的特征向量方向上方差最大。

在找到了线性变换矩阵第一个投影向量后，依此继续计算，找到S从大到小的前n个特征值λ₁以及其对应的特征向量wⁱ，将原向量与特征向量wⁱ分别做内积，得到降维后的n维训练数据。

步骤5)构建基于支持向量回归的剩余使用寿命预测模型。

所述的支持向量回归的模型与软间隔支持向量机类似，具体为：

约束条件为：其中：C为对错分类样本的惩罚程度，ε为边界的大小，ξ^s和ξ^d，分别代表了该数据样本向上偏离回归函数边界的距离，与向下偏离回归函数边界的距离。

其对偶形式为：

约束条件为：

最后得到如下目标函数：其中：K(·,·)为核函数。采用高斯核函数然后采用智能优化算法中的遗传算法对支持向量回归模型中得参数进行优化，需要优化的参数包括平滑处理移动步长l，SVR对应的对错分类样本的惩罚程度参数C，允许边界的大小∈，以及高斯核函数的系数γ。

所述的遗传算法，具体步骤包括：

i)选择合适的种群数量和迭代次数，初始化遗传算法模型，将种群内的生物个体随机选择参数组合进行编码。

ii)将每个生物个体对应的参数组合分别输入支持向量回归模型中，分别使用各参数组合对模型进行训练，用训练误差表示适应度函数的输出，误差越小越好。

iii)选择操作：每次迭代中，将从现种群中可重复地选择相同个数的生物个体组成新的种群代替原种群，其中每次选择中生物个体被选中的概率与该生物个体的进行适应度计算的输出值成正相关。

iv)交叉操作：在一定几率下，交叉操作发生，随机选择两个不同的生物个体，随机选择组合中的一个参数，将不同个体的参数按照各自的比例混合形成两个新的生物个体取代原先的生物个体。

v)变异操作：在一定几率下，变异操作发生，对某一生物个体，随机选择组合中的一个参数进行变异产生新的个体取代原先的个体。

vi)重复步骤ii)～v)直至达到迭代数上限或满足最低误差需求，得到最终的较优系数组合。

通过使用遗传算法和支持向量模型相结合，能够搜索使用较优的学习参数，使建立的预测模型更好地适应实际研究的问题。

所述的遗传算法使用综合评价指标作为适应度函数，即采用平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)三种误差计算方法的误差和作为目标函数，从而保证最终得到模型可靠性，也减轻了离群值对训练过程所产生的影响，其中：

其中：h(x_i)为模型预测RUL值，y_i为实际RUL值，n为测试样本点的个数。

为避免训练过拟合，采用5阶交叉验证的方法，将原先的训练集随机分成分为5组，进行5次训练，在每次训练中，选择一组没有使用过的数据作为验证集，其余4组数据作为训练集，用训练集训练支持向量回归预测模型，用验证集计算组合误差，计算5次训练的组合误差均值作为适应度，将组合误差输入遗传算法，计算最优的参数组合。

所述的训练，优选通过以ratio值(燃机轴承的工作总时间与燃机轴承总寿命的比值)作为间接预测对象，通过对该值的预测来对燃机轴承剩余寿命进行预测。对ratio值预测的优势主要在于预测值介于0和1之间，更适应于支持向量回归模型，加快训练速度，使建立的预测模型具备更好的精度。

在本实施例中，对轴承数据进行特征提取，7个时域特征4个频域特征共11个特征，由于水平方向上的振动数据和垂直方向上的振动数据均要进行特征提取，所以共22个特征。使用PCA对特征数据进行正交变换后，前五个向量组成了原数据集95％以上的方差，因此选择将数据降值5维，再应用遗传算法进行参数寻优，训练过程采用5阶交叉验证，最终在测试集上对ratio的值进行预测，得到的预测结果如图2所示。从图2中可以看出，所述方法能够较为准确地预测轴承的ratio值。

由表3可以看出，对燃机轴承剩余寿命进行预测的实施例中，所述方法的预测误差均低于普通的支持向量回归模型和神经网络模型预测结果的误差。因此，在对燃机轴承剩余寿命的预测中，所述方法具备不错的性能，预测结果精度较高。

表3预测精度比较

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于支持向量回归的燃机轴承剩余使用寿命预测方法，其特征在于，通过采集燃机轴承的健康状态数据经预处理后提取得到时域特征和频域特征，然后通过数据融合工具将时域特征和频域特征进行融合，得到表征轴承退化的低维特征指标并用于训练基于支持向量回归的剩余使用寿命预测模型，最后通过剩余使用寿命预测模型进行轴承寿命的实时预测；

所述的健康状态数据包括：轴承工作总时间、轴承水平方向上的振动加速度以及轴承竖直方向上的振动加速度；

所述的预处理是指：检验并删除因采集误差导致的异常值，并对数据进行平滑处理和归一化处理，获得能表征燃机轴承退化状态的有用信号；

所述的平滑处理是指：利用滑动平均法来减少信号短期波动，提高信噪比，该滑动平均法的移动步长由遗传算法迭代寻优得到；

所述的归一化处理是指：采用Min-Max标准化对数据进行线性变换，使归一化结果落到[0,1]区间内；

所述的时域特征包括：峰-峰值、均方根值、波形指标、脉冲指标、峭度指标、峰度指标和裕度指标，频域特征包括：重心频率、均方频率、均方根频率和频率方差；

所述的剩余使用寿命预测模型为：RUL(t)＝f(x(t),l,C,∈,γ)，其中：x(t)为融合后的输入特征，l为平滑处理的移动步长，C、∈和γ指SVR算法的参数。通过设定l以及SVR的参数，输入t时刻的特征x(t)，模型即可输出剩余使用寿命预测值。

2.根据权利要求1所述的方法，其特征是，所述的健康状态数据，通过设置燃机轴承运行于数据采集试验环境中并采集燃机轴承从正常工作直至完全退化过程中的工作状态数据作为健康状态数据。

3.根据权利要求2所述的方法，其特征是，所述的旋转部分、加速退化部分以及测量部分，其中：旋转部分包含带变速箱的异步电机及转轴，带动燃机轴承的内圈转动；加速退化部分通过气缸不断增加燃机轴承的径向载荷，实现燃机轴承加速失效；测量部分设置于燃机轴承两侧采集振动加速度，三部分协作运行，实验环境提供表征燃机轴承老化直至完全失效的真实数据。

4.根据权利要求3所述的方法，其特征是，所述的测量部分通过加速度传感器实现，其每秒检测2560次轴承的加速度振动信号，每十秒采集一次数据。

5.根据权利要求1所述的方法，其特征是，所述的异常值是指：与数据均值偏差大于三倍标准差的值，在每次异常值剔除后重新观察数据的分布情况，并循环重复剔除异常点。

6.根据权利要求1所述的方法，其特征是，所述的剩余使用寿命预测模型使用遗传算法进行参数寻优，搜寻的参数包括平滑处理移动步长l，SVR对应的对错分类样本的惩罚程度参数C，允许边界的大小∈，以及高斯核函数的系数γ。

7.根据权利要求6所述的方法，其特征是，所述的遗传算法使用综合评价指标作为适应度函数，即采用平均绝对误差、平均绝对百分误差和均方根误差三种误差计算方法的误差和取代一般所使用的均方误差。

8.根据权利要求1所述的方法，其特征是，所述的训练，使用K阶交叉验证避免过拟合，提高预测精度。

9.根据权利要求1所述的方法，其特征是，所述的实时预测，以轴承的工作总时间与轴承总寿命的比值为预测目标值，预测值介于0和1之间，更适应于支持向量回归模型，加快训练速度。

10.一种实现上述方法的系统，包括：特征处理模块、预测模块和参数寻优模块，其中：特征处理模块带数据输入接口并对负责原始数据进行预处理、特征提取及融合，预测模块与特征处理模块相连并将输入特征进行非线性回归预测，参数寻优模块与预测模块相连，负责对预测模块的参数进行迭代寻优。