CN109540522A - 轴承健康量化建模方法、装置和服务器 - Google Patents

Abstract

本发明提供了一种轴承健康量化建模方法、装置和服务器，首先获取轴承的健康特征；根据任意两个时刻的健康特征得到健康值比较结果，得到多组成对比较样本；将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量；将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量；根据多组成对比较样本及其对应的隐层输出向量和强化输出向量，得到输出节点连接权重；最后根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。本发明无需以其他轴承的健康量化值为参考，简化了健康量化过程，可快速检测轴承的健康量化值，并提高评价轴承健康的准确性，从而避免灾难性事故的发生。

Description

轴承健康量化建模方法、装置和服务器

技术领域

本发明涉及轴承故障检测技术领域，尤其是涉及一种轴承健康量化建模方法、装置和服务器。

背景技术

轴承是机械设备的关键部件，机械设备的长期运行工程中，磨损、疲劳、腐蚀或者过载等原因都有可能导致轴承失效或者局部损伤故障，从而导致设备无法正常运行，甚至出现灾难性事故，因此，有必要对轴承的运行状态进行实时、连续监测，准确评估其健康状态，以便及早发现异常行为和潜在故障，现有技术中，对于一个正常运行的轴承，其某一时刻的健康量化值是很难得出的，而且该健康量化值需要参考其他轴承的健康值，导致轴承的健康量化值没有固定的标准，以使轴承健康状态的评估效果较差。

发明内容

有鉴于此，本发明的目的在于提供一种轴承健康量化建模方法、装置和服务器，以提高轴承健康状态的评价效果，避免灾难性事故的发生。

第一方面，本发明实施例提供了一种轴承健康量化建模方法，该方法包括：获取轴承的健康特征；根据任意两个时刻的健康特征，得到健康值比较结果；将每两个时刻的健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本；将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到隐层函数；将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到强化函数；根据多组成对比较样本、成对比较样本对应的隐层输出向量和成对比较样本对应的强化输出向量，得到输出节点连接权重；根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。

进一步，上述方法还包括：将待测轴承的健康特征输入至上述轴承健康量化模型，输出得到待测轴承的健康量化值。

进一步，上述一组成对比较样，通过下述方式获得：采集轴承任意两个时刻的健康特征X_i和X_j，X_i表示t_i时刻的健康特征，X_j表示t_j时刻的健康特征，其中，轴承在当前时刻的健康特征的健康值小于当前时刻的之前任意时刻的健康值；当t_i时刻小于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝1；当t_i时刻等于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝0；当t_i时刻大于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝-1；根据健康值的比较结果，得到一组成对比较样本(X_i,X_j,Y)。

进一步，上述隐层输出向量，通过下述方式获得：将轴承的健康特征X＝[X₁,X₂,...,X_n]输入至第k个隐层节点，利用隐层函数得到第k个隐层节点的输出其中，X_n表示第n维的健康特征，k＝1,2,...,NH表示隐层节点的序号，其中NH表示隐层节点的总数，g表示隐层节点激活函数，和分别表示随机生成的连接权重向量和偏置参数；将所有隐层节点的输出H_k进行整合，得到隐层输出向量H＝[H₁,H₂,...,H_NH]。

进一步，上述强化输出向量，通过下述方式获得：将隐层输出向量H＝[H₁,H₂,...,H_NH]输入至第m个强化节点，利用强化函数得到第m个强化节点的输出其中，m＝1,2,...,NE表示强化节点序号，NE表示强化节点的总数，表示强化节点激活函数，和分别表示随机生成的连接权重向量和偏置参数；将所有强化节点的输出E_m进行整合，得到强化输出向量E＝[E₁,E₂,...,E_NE]。

进一步，上述根据多组成对比较样本、成对比较样本对应的隐层输出向量和成对比较样本对应强化输出向量，得到输出节点连接权重的步骤，包括：获取多组成对比较样本中的健康值比较结果Y＝[Y₁,Y₂,...,Y_k,...,Y_K]，其中，k＝1,2,...,K表示成对比较样本的组号，K表示对比较样本的总数；获取每组成对比较样本对应的隐层输出向量H_ik和H_jk，其中，i和j表示每组成对比较样本中的两个时刻；获取每组成对比较样本对应的强化输出向量E_ik和E_jk，得到矩阵计算矩阵A的广义逆矩阵A⁺，得到输出节点连接权重β＝A⁺Y。

进一步，上述根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型的步骤，包括：获取输出节点连接权重β、隐层函数H(X)和强化函数E(H(X))；确定轴承健康量化模型F(X)＝[H(X)|E(H(X))]β。

第二方面，本发明实施例还提供一种轴承健康量化建模装置，特征获取模块，用于获取轴承的健康特征；对比模块，用于根据任意两个时刻的健康特征，得到健康值比较结果；成对样本形成模块，用于将每两个时刻的健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本；隐层向量输出模块，用于将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到隐层函数；强化向量输出模块，用于将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到强化函数；权重确定模块，用于根据多组成对比较样本、成对比较样本对应的隐层输出向量和成对比较样本对应的强化输出向量，得到输出节点连接权重；模型建立模块，用于根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。

进一步，将轴承的健康特征输入至轴承健康量化模型，输出得到轴承的健康量化值。

第三方面，本发明实施例还提供一种服务器，该服务器包括存储器和处理器；存储器用于存储支持处理器执行权利第一方面所述方法的程序，处理器被配置为用于执行存储器中存储的程序。

本发明实施例带来了以下有益效果：

本发明提供了一种轴承健康量化建模方法、装置和服务器，首先获取轴承的健康特征；根据任意两个时刻的健康特征得到健康值比较结果，得到多组成对比较样本；将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量；将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量；根据多组成对比较样本及其对应的隐层输出向量和强化输出向量，得到输出节点连接权重；最后根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。本发明无需以其他轴承的健康量化值为参考，简化了健康量化过程，可快速检测轴承的健康量化值，并提高评价轴承健康的准确性，从而避免灾难性事故的发生。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种轴承健康量化建模方法的流程图；

图2为本发明实施例提供的另一种轴承健康量化建模方法的流程图；

图3为本发明实施例提供的一种轴承健康量化建模的结构示意图；

图4为本发明实施例提供的一种轴承健康量化建模装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有技术中，对于一个正常运行的轴承，某一时刻的健康量化值很难得出，而且该健康量化值需要参考其他轴承的健康值，导致轴承的健康量化值没有固定的标准，不利于轴承健康状态的评估，基于此，本发明实施例提供的一种轴承健康量化建模方法、装置和服务器，可以应用于电力、冶金、机械和航空航天等行业的轴承健康状态检测中。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种轴承健康量化建模方法进行详细介绍。

参见图1所示的一种轴承健康量化建模方法的流程图，该方法的具体步骤如下所示：

步骤S102，获取轴承的健康特征。

上述轴承的健康特征通常是指从轴承振动信号中提取的时域、频域或者时频域特征；其中，常用的时域特征包括最大值、最小值、绝对平均值、峰峰值、均方根、均值、标准差、偏态、峭度、方差、波形因子、变异系数、偏态系数、峭度系数、余隙因子、脉冲因子和能量算子等；常用的频域特征包括平均频率、中心频率、频率均方根和频率标准差等；常用的时频域特征提取方法包括经验模态分解和小波包分解。

步骤S104，根据任意两个时刻的健康特征，得到健康值比较结果。

通常轴承任意两个时刻的健康特征的健康值是不同的，假设轴承在当前时刻的健康状态比当前时刻的之前任意时刻的健康状态差，那么轴承当前时刻的健康值减去当前时刻前的之前任意时刻的健康值为负数，轴承当前时刻的之前任意时刻的健康值减去当前时刻的轴承的健康值为正数，相同时刻的健康值相减为零。

步骤S106，将每两个时刻的健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本。

将每两个时刻的健康特征看成一对健康特征，那么每得到一对健康特征就有一个健康值比较结果，将任意两个时刻的健康特征及其健康值比较结果组合起来，形成了一个成对比较样本。

那么获取多个时刻的健康特征就可得到多组成对比较样本，样本数越多，处理精度就会越高。

步骤S108，将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到隐层函数。

将任意时刻的轴承的健康特征输入至预设的隐层节点，该预设的隐层节点可设置成多个，隐层节点数越多，得到的隐层节点的输出向量的精度越高。

将获得的健康特征输入至每个隐层节点，通过隐层函数得到每个隐层节点对应的隐层节点的输出，将得到的所有隐层节点的输出进行整合，得到一个包含所有隐层节点的输出的向量，该向量即为隐层输出向量。

上述隐层函数是通过隐层节点的激活函数、随机生成的连接权重向量和偏置参数建立的函数模型，其中随机生成的连接权重向量和偏置参数可根据极限学习机理论得到。

极限学习机(Extreme Learning Machine，ELM)是一类基于前馈神经网络的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中；不同的隐含层节点可以有不同的映射函数。

步骤S110，将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到强化函数。

将上述得到的隐层输出向量输入至预设的强化节点，该预设的强化节点设置成多个，强化节点数越多，得到的强化节点的输出向量的精度越高。

将获得的隐层输出矩阵输入至每个强化节点，通过强化函数得到每个强化节点对应的强化节点的输出，将得到的所有强化节点的输出进行整合，得到一个包含所有强化节点的输出的向量，该向量即为强化输出向量。

上述强化函数是通过强化节点的激活函数、随机生成的连接权重向量和偏置参数建立的函数模型，其中随机生成的连接权重向量和偏置参数可根据极限学习机理论得到。

步骤S112，根据多组成对比较样本、成对比较样本对应的隐层输出向量和成对比较样本对应的强化输出向量，得到输出节点连接权重。

上述输出节点连接权重可通过任意两个时刻的健康值得到的成对比较样本、多组成对比较样本的隐层输出向量和强化输出向量之间的计算获得。

步骤S114，根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。

建立好轴承量化模型后，将待测轴承的健康特征输入至轴承健康量化模型，输出得到待测轴承的健康量化值。

本发明提供了一种轴承健康量化建模方法，首先获取轴承的健康特征；根据任意两个时刻的健康特征得到健康值比较结果，得到多组成对比较样本；将健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量；将隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量；根据多组成对比较样本及其对应的隐层输出向量和强化输出向量，得到输出节点连接权重；最后根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。本发明无需以其他轴承的健康量化值为参考，简化了健康量化过程，可快速检测轴承的健康量化值，并提高评价轴承健康的准确性，从而避免灾难性事故的发生。

参见图2所示的另一种轴承健康量化建模方法的流程图；该方法在图1中所示方法的基础上实现。该方法的具体步骤，如下：

步骤S202，获取轴承的健康特征。

步骤S204，将轴承的健康特征X＝[X₁,X₂,...,X_n]输入至第k个隐层节点，利用隐层函数得到第k个隐层节点的输出其中，X_n表示第n维的健康特征，k＝1,2,...,NH表示隐层节点的序号，其中NH表示隐层节点的总数，g表示隐层节点激活函数，和分别表示极限学习机中随机生成的连接权重向量和偏置参数。

上述随机生成的连接权重向量和偏置参数可以从任何连续概率分布的任意区间中采样得到。

步骤S206，将所有隐层节点的输出H_k进行整合，得到隐层输出向量H＝[H₁,H₂,...,H_NH]。

第k个隐层节点的输出其中，k＝1,2,...,NH表示隐层节点的序号，其中NH表示隐层节点的总数，那么NH个隐层节点的输出整合成的输出向量，如下所示：

步骤S208，将隐层输出向量H＝[H₁,H₂,...,H_NH]输入至第m个强化节点，利用强化函数得到第m个强化节点的输出其中，m＝1,2,...,NE表示强化节点个数，NE表示强化节点总数，表示强化节点激活函数，和分别表示极限学习机中随机生成的连接权重向量和偏置参数。

步骤S210，将所有强化节点的输出E_m进行整合，得到强化输出向量E＝[E₁,E₂,...,E_NE]。

第m个强化节点的输出其中，m＝1,2,...,NE表示强化节点序号，NE表示强化节点的总数，那么NE个隐层节点的输出整合成的输出向量，如下所示：

步骤S212，采集轴承任意两个时刻的健康特征X_i和X_j，通过该健康特征的健康值比较结果得到轴承成对比较样本(X_i,X_j,Y)，X_i表示t_i时刻的健康特征，X_j表示t_j时刻的健康特征，其中，轴承在当前时刻的健康特征的健康值小于当前时刻的之前任意时刻的健康值。

上述任意两个时刻的健康特征的健康值的健康值比较结果，得到轴承成对比较样本，通过下述方式获得：

采集轴承任意两个时刻的健康特征，其中，轴承在当前时刻的健康特征的健康值小于当前时刻的之前任意时刻的健康值；当t_i时刻小于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝1；当t_i时刻等于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝0；当t_i时刻大于t_j时刻时，轴承t_i时刻的健康特征的健康值F(X_i)与t_j时刻的健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝-1，通常可记为如下形式：

其中，i,j∈{1,2,...,N}，进一步，根据健康特征的比较结果，轴承成对比较训练样本可记为(X_i,X_j,Y)。

步骤S214，获取多组成对比较样本中的健康值比较结果Y＝[Y₁,Y₂,...,Y_k,...,Y_K]，其中，k＝1,2,...,K表示成对比较样本的组号，K表示对比较样本的总数。

每两个时刻的轴承健康特征及其对应的健康值比较结果对应着一组成对比较样本，那么多组时刻的轴承健康特征及其对应的健康值比较结果就对应着多组成对比较样本。

步骤S216，获取每组成对比较样本对应的隐层输出向量H_ik和H_jk，其中，i和j表示每组成对比较样本中的两个时刻。根据第k(k＝1,2,...,K)组成对比较样本中轴承t_i时刻的健康特征X_i，可得到t_i时刻的隐层输出向量H_ik，同理，第k组成对比较样本中根据轴承t_j时刻的健康特征X_j，可得到t_j时刻的隐层输出向量H_jk。

步骤S218，获取每组,成对比较样本对应的强化输出向量E_ik和E_jk，得到矩阵

根据第k(k＝1,2,...,K)组成对比较样本中t_i时刻的隐层输出矩阵H_ik，可得到t_i时刻的强化输出矩阵E_ik，同理，根据第k(k＝1,2,...,K)组成对比较样本中t_j时刻的隐层输出矩阵H_j，可得到t_j时刻的强化输出矩阵E_jk。

上述矩阵A的具体表示形式，可表示为：

其中，

步骤S220，计算矩阵A的广义逆矩阵A⁺，得到输出节点连接权重β＝A⁺Y。

步骤S222，获取输出节点连接权重β、隐层函数H(X)和强化函数E(X)。

步骤S224，确定轴承健康量化模型F(X)＝[H(X)|E(H(X))]β。

将待测轴承的健康特征X输入至轴承健康量化模型，将会输出得到待测轴承的健康量化值F(X)。

本实施例提供的轴承健康建模方法，不需要其他轴承的健康量化值为作参考，假设轴承当前时刻的健康状态差于当前时刻的之前任意时刻的轴承状态，从而根据轴承自身不同时刻的健康状态的差值和轴承健康特征，可以得到某一时刻的轴承健康量化值，进而可有效地评估轴承的健康状态，降低了灾难性事故的发生概率。

参见图3所示的一种轴承健康量化建模的结构示意图，图中输入节点相当于上述轴承健康特征的输入序列，输出节点相当于上述轴承健康量化模型输出的健康量化值。

首先在输入节点中输入待测轴承的健康特征，并将该健康特征输入至隐层节点的各个节点中，得到每个隐层节点的输出，将该输出整合成隐层输出向量；将该隐层输出向量输入至各个强化节点中，得到每个强化节点的输出，将该输出整合成强化输出向量。

假设轴承在当前时刻的健康状态不好于在当前时刻之前的时刻的健康状态，那么不同时刻轴承健康量化差值可表示为：

通过上述不同时刻的健康量化差值、不同时刻的隐层输出向量和不同时刻的强化输出向量，确定轴承健康量化模型中的健康量化值。

本实施例提供的健康量化模型，在输入轴承的健康特征后可得到轴承间健康量化值，从而可以准确的判断当前轴承的健康状态，有助于安排未来时刻对轴承的有关行动，避免因机器突然故障导致的意外事故和灾难性事故的发生。

参见图4所示的一种轴承健康量化建模装置的结构示意图，该装置包括：

特征获取模块40，用于获取轴承的健康特征；

对比模块41，用于根据任意两个时刻的健康特征，得到健康值比较结果；

成对样本形成模块42，用于将每两个时刻的健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本；

隐层向量输出模块43，用于将健康特征输入至预设的隐层节点，利用隐层函数得到隐层节点的输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到隐层函数；

强化向量输出模块44，用于将隐层输出向量输入至预设的强化节点，利用强化函数得到强化节点的输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到强化函数；

权重确定模块45，用于根据多组成对比较样本、成对比较样本对应的隐层输出向量和成对比较样本对应强化输出向量，得到输出节点连接权重；

模型建立模块46，用于根据输出节点连接权重、隐层函数和强化函数，得到轴承健康量化模型。

进一步地，将轴承的健康特征输入至轴承健康量化模型，输出得到该轴承的健康量化值。

本发明实施例提供的一种轴承健康量化建模装置，与上述实施例提供的一种轴承健康量化建模方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本实施例还提供了一种服务器，该服务器包括存储器和处理器；该存储器用于存储支持处理器执行权利要求上述轴承健康量化建模方法的程序，该处理器被配置为用于执行存储器中存储的程序。

本发明实施例所提供的一种轴承健康量化建模装置的方法、装置和服务器的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种轴承健康量化建模方法，其特征在于，所述方法包括：

获取轴承的健康特征；

根据任意两个时刻的所述健康特征，得到健康值比较结果；

将每两个时刻的所述健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本；

将所述健康特征输入至预设的隐层节点，利用隐层函数得到隐层输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到所述隐层函数；

将所述隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到所述强化函数；

根据多组所述成对比较样本、所述成对比较样本对应的隐层输出向量和所述成对比较样本对应的强化输出向量，得到输出节点连接权重；

根据所述输出节点连接权重、所述隐层函数和所述强化函数，得到轴承健康量化模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：将待测轴承的健康特征输入至所述轴承健康量化模型，输出得到所述待测轴承的健康量化值。

3.根据权利要求1所述的方法，其特征在于，所述一组成对比较样本，通过下述方式获得：

采集所述轴承任意两个时刻的所述健康特征X_i和X_j，X_i表示t_i时刻的所述健康特征，X_j表示t_j时刻的所述健康特征，其中，所述轴承在当前时刻的健康特征的健康值小于所述当前时刻的之前任意时刻的健康值；

当t_i时刻小于t_j时刻时，轴承t_i时刻的所述健康特征的健康值F(X_i)与t_j时刻的所述健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝1；

当t_i时刻等于t_j时刻时，轴承t_i时刻的所述健康特征的健康值F(X_i)与t_j时刻的所述健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝0；

当t_i时刻大于t_j时刻时，轴承t_i时刻的所述健康特征的健康值F(X_i)与t_j时刻的所述健康特征的健康值F(X_j)的比较结果Y＝F(X_i)-F(X_j)＝-1；

根据所述健康值的比较结果，得到一组成对比较样本(X_i,X_j,Y)。

4.根据权利要求1所述的方法，其特征在于，所述隐层输出向量，通过下述方式获得：

将轴承的所述健康特征X＝[X₁,X₂,...,X_n]输入至第k个隐层节点，利用隐层函数得到所述第k个隐层节点的输出其中，X_n表示第n维的健康特征，k＝1,2,...,NH表示隐层节点的序号，其中NH表示隐层节点的总数，g表示隐层节点激活函数，和分别表示随机生成的连接权重向量和偏置参数；

将所有隐层节点的输出H_k进行整合，得到隐层输出向量H＝[H₁,H₂,...,H_NH]。

5.根据权利要求1所述的方法，其特征在于，所述强化输出向量，通过下述方式获得：

将隐层输出向量H＝[H₁,H₂,...,H_NH]输入至第m个强化节点，利用强化函数得到第m个强化节点的输出其中，m＝1,2,...,NE表示强化节点序号，NE表示强化节点的总数，表示强化节点激活函数，和分别表示随机生成的连接权重向量和偏置参数；

将所有强化节点的输出E_m进行整合，得到强化输出向量E＝[E₁,E₂,...,E_NE]。

6.根据权利要求1所述的方法，其特征在于，所述根据多组所述成对比较样本、所述成对比较样本对应的隐层输出向量和所述成对比较样本对应的强化输出向量，得到输出节点连接权重的步骤包括：

获取多组所述成对比较样本中的健康值比较结果Y＝[Y₁,Y₂,...,Y_k,...,Y_K]，其中，k＝1,2,...,K表示成对比较样本的组号，K表示对比较样本的总数；

获取每组所述成对比较样本对应的隐层输出向量H_ik和H_jk，其中，i和j表示每组成对比较样本中的两个时刻；

获取每组所述成对比较样本对应的强化输出向量E_ik和E_jk，得到矩阵

计算所述矩阵A的广义逆矩阵A⁺，得到所述输出节点连接权重β＝A⁺Y。

7.根据权利要求1所述的方法，其特征在于，所述根据所述输出节点连接权重、所述隐层函数和所述强化函数，得到轴承健康量化模型的步骤，包括：

获取所述输出节点连接权重β、所述隐层函数H(X)和所述强化函数E(H(X))；

确定轴承健康量化模型F(X)＝[H(X)|E(H(X))]β。

8.一种轴承健康量化建模装置，其特征在于，所述装置包括：

特征获取模块，用于获取轴承的健康特征；

对比模块，用于根据任意两个时刻的所述健康特征，得到健康值比较结果；

成对样本形成模块，用于将每两个时刻的所述健康特征和相对应的健康值比较结果，组合成一组成对比较样本，以得到多组成对比较样本；

隐层向量输出模块，用于将所述健康特征输入至预设的隐层节点，利用隐层函数得到所述隐层输出向量，其中，利用隐层节点的激活函数、随机生成的连接权重向量和偏置参数得到所述隐层函数；

强化向量输出模块，用于将所述隐层输出向量输入至预设的强化节点，利用强化函数得到强化输出向量，其中，利用强化节点的激活函数、随机生成的连接权重向量和偏置参数得到所述强化函数；

权重确定模块，用于根据多组所述成对比较样本、所述成对比较样本对应的隐层输出向量和所述成对比较样本对应的强化输出向量，得到输出节点连接权重；

模型建立模块，用于根据所述输出节点连接权重、所述隐层函数和所述强化函数，得到轴承健康量化模型。

9.根据权利要求8所述的装置，其特征在于，将所述轴承的健康特征输入至所述轴承健康量化模型，输出得到所述轴承的健康量化值。

10.一种服务器，其特征在于，所述服务器包括存储器和处理器；所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。