CN110967188A - 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 - Google Patents
基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 Download PDFInfo
- Publication number
- CN110967188A CN110967188A CN201911086634.2A CN201911086634A CN110967188A CN 110967188 A CN110967188 A CN 110967188A CN 201911086634 A CN201911086634 A CN 201911086634A CN 110967188 A CN110967188 A CN 110967188A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- model
- iterative
- rvm
- 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.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于机械检测技术领域，公开了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法及系统，在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM0(F；σ0)；通过迭代残差优化，训练一组RVM模型。相比神经网络等方法，所需的样本更少，计算速度更快。相比原始相关向量机模型，本发明提供的方法准确率更高。
Description
技术领域
本发明属于机械检测技术领域，尤其涉及一种基于迭代相关向量机的滚动轴承剩余寿命预测方法及系统。
背景技术
目前，业内常用的现有技术是这样的：滚动轴承作为旋转机械设备中最重要的零部件之一，其性能状态的好坏直接影响整台设备的运行状态。寿命是衡量滚动轴承性能的重要指标之一，但实际数据显示滚动轴承的使用寿命具有很大的离散性，同批次同工况下，最低寿命与最高寿命差距达数十倍，因此对运行中的滚动轴承健康监测和残余寿命预测极为必要。准确的残余寿命预测可以尽早发现滚动轴承损伤和劣化趋势，为制定经济合理的检修策略提供数据支持，尽可能减少生产事故，提高经济效益。
现有的寿命预测方法主要分为两类，一类是基于物理模型，通过在失效机理或损伤原理的基础上建立数学模型来描述机械设备的退化过程。然而对于复杂的机械系统，想要建立准确的模型很困难。二类是基于数据驱动的模型，通过实时获取轴承的振动，温度等物理特性，依靠经验知识建立随机模型或模糊映射来预测剩余寿命，缺点在于需要大量的历史数据，预测误差较大。
综上所述，现有技术存在的问题是：
(1)基于物理模型预测寿命的方法，建立准确的模型很困难
(2)基于数据驱动的模型预测寿命的方法，需要大量的历史数据，预测误差较大。
发明内容
针对现有技术存在的问题，本发明提供了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法。
本发明是这样实现的，一种基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；
使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM0(F；σ0)；
通过迭代残差优化，训练一组RVM模型。
进一步，所述向量机预测模型的优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。
进一步，所述向量机模型通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据，对振动数据进行预处理，剔除缺失，重复，异常等数据。
进一步，通过时域，频域，时频域提取能全面反映轴承状态的特征。
进一步，所述训练一组RVM模型的步骤如下：
假设给定训练数据集(F,T)，其中特征集
T＝(t1,t2,…,tn)T，m为特征子集的维数，n是样本个数,集成模型为
其中RVM0(F；σ0)是第4步得到的模型，RVMi是基学习器,σi是基学习器的参数，β是固定权重，在给定误差函数为L(T,g(F))的条件下，集成模型g(F)成为经验风险极小化即误差函数极小化的问题：
进一步，每轮优化的目标函数如下：
假设经过i-1轮迭代后，已经得到gi-1(F)：
则在第i轮，首先计算当前的残差ri:
ri＝T-gi-1(F) (5)
然后将(fi,ri)输入RVM中训练RVMi：
优化得到RVMi的参数σi后，即可得到gi(F)：
gi(F)＝gi-1(F)+β·RVMi(fi；σi) (7)
得到最终的模型
后，只需将待测轴承的振动特征输入，即可得到其剩余寿命预测值及其置信区间。
本发的另一目的在于提供一种基于迭代相关向量机的滚动轴承剩余寿命预测系统，所述系统包括：
数据采集模块，用于采集滚动轴承剩余寿命的相关数据；
数据预处理模块，用于将采集的数据进行预处理；
特征提取模块，用于通过时域，频域，时频域提取，全面反映轴承状态的特征；
数据归一化模块，用于将提取的特征数据归一化；
模型训练模块，用于通过迭代残差优化，训练RVM模型。
本发的另一目的在于提供一种安装有上述系统的基于迭代相关向量机的滚动轴承剩余寿命预测系统。
本发的另一目的在于提供一种实现上述基于迭代相关向量机的滚动轴承剩余寿命预测方法的信息数据处理终端。
本发的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于迭代相关向量机的滚动轴承剩余寿命预测方法。
综上所述，本发明的优点及积极效果为：
本发明提供的方法相比原始相关向量机模型，准确率更高。表1示出了具体的对比结果。
表1两种模型评价指标
预测结果通过4个指标评价，均方根误差(RMSE)，绝对平均误差(MAE)，平均相对误差(MARE)，累积相对准确度(CRA)。四个评价指标的公式分别为：
从图和表中可以看出，迭代RVM均方根误差为9.877，相比RVM模型的23.133降低57.3％，绝对平均误差为7.859，相比RVM模型的17.257，降低54.46％，平均相对误差为16.9％，相比RVM模型的24.7％，降低7.8％，累积相对准确率为75.3％，相比RVM模型的70.6％，增加了4.7％。总体来看，等权重迭代残差优化RVM模型比原始RVM模型有比较明显的提升。
附图说明
图1是本发明实施例提供的基于迭代相关向量机的滚动轴承剩余寿命预测方法算法流程图。
图2是本发明实施例提供的实验预测结果图。
a.原始相关向量机预测结果；b.迭代相关向量机预测结果。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
针对现有技术存在的问题，本发明提供了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法，下面结合附图1、图2对本发明作详细的描述。
该基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型，其优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。
通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据。对振动数据进行预处理，剔除缺失，重复，异常等数据。通过时域，频域，时频域提取能全面反映轴承状态的特征，其公式如下表所示。
使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM0(F；σ0)
通过迭代残差优化，训练一组RVM模型，其步骤如下：
假设给定训练数据集(F,T)，其中特征集
T＝(t1,t2,…,tn)T，m为特征子集的维数，n是样本个数,集成模型为
其中RVM0(F；σ0)是第4步得到的模型，RVMi是基学习器,σi是基学习器的参数，β是固定权重，在给定误差函数为L(T,g(F))的条件下，集成模型g(F)成为经验风险极小化即误差函数极小化的问题：
由于参数过多，如果同时优化会导致计算量大增，情况变得复杂。但是式(2)是一个加法模型，假如不同时优化，从右到左，每一轮只对一个基学习器的参数进行寻优，通过多次迭代完成所有参数的优化，那么就能显著降低优化过程的复杂程度。因此，每轮优化的目标函数如下：
假设经过i-1轮迭代后，已经得到gi-1(F)：
则在第i轮，首先计算当前的残差ri:
ri＝T-gi-1(F) (5)
然后将(fi,ri)输入RVM中训练RVMi：
优化得到RVMi的参数σi后，即可得到gi(F)：
gi(F)＝gi-1(F)+β·RVMi(fi；σi) (7)
得到最终的模型
后，只需将待测轴承的振动特征输入，即可得到其剩余寿命预测值及其置信区间。如图2所示，直线代表真实值，直线两侧的数值代表预测值，浅蓝色区域代表95％的置信区间。可以看到真实值全部落在置信区间范围之内，且在中后期预测值在真实值附近波动，说明了模型预测的有效性。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，所述基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；
使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM0(F；σ0)；
通过迭代残差优化，训练RVM模型。
2.如权利要求1所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，所述向量机预测模型的优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。
3.如权利要求1所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，所述向量机模型通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据，对振动数据进行预处理，剔除缺失，重复，异常数据。
4.如权利要求1所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，通过时域，频域，时频域提取，全面反映轴承状态的特征。
5.如权利要求1所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，所述训练一组RVM模型的步骤如下：
假设给定训练数据集(F,T)，其中特征集
T＝(t1,t2,L,tn)T，m为特征子集的维数，n是样本个数,集成模型为
其中RVM0(F；σ0)是第4步得到的模型，RVMi是基学习器,σi是基学习器的参数，β是固定权重，在给定误差函数为L(T,g(F))的条件下，集成模型g(F)成为经验风险极小化即误差函数极小化的问题：
6.如权利要求5所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法，其特征在于，
每轮优化的目标函数如下：
假设经过i-1轮迭代后，已经得到gi-1(F)：
则在第i轮，首先计算当前的残差ri:
ri＝T-gi-1(F) (5)
然后将(fi,ri)输入RVM中训练RVMi：
优化得到RVMi的参数σi后，即可得到gi(F)：
gi(F)＝gi-1(F)+β·RVMi(fi；σi) (7)
得到最终的模型
后，只需将待测轴承的振动特征输入，即可得到其剩余寿命预测值及其置信区间。
7.一种基于迭代相关向量机的滚动轴承剩余寿命预测系统，其特征在于，所述系统包括：
数据采集模块，用于采集滚动轴承剩余寿命的相关数据；
数据预处理模块，用于将采集的数据进行预处理；
特征提取模块，用于通过时域，频域，时频域提取，全面反映轴承状态的特征；
数据归一化模块，用于将提取的特征数据归一化；
模型训练模块，用于通过迭代残差优化，训练RVM模型。
8.一种安装有权利要求7所述系统的基于迭代相关向量机的滚动轴承剩余寿命预测系统。
9.一种实现权利要求1～6任意一项所述基于迭代相关向量机的滚动轴承剩余寿命预测方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1～6任意一项所述的基于迭代相关向量机的滚动轴承剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086634.2A CN110967188B (zh) | 2019-11-08 | 2019-11-08 | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086634.2A CN110967188B (zh) | 2019-11-08 | 2019-11-08 | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110967188A true CN110967188A (zh) | 2020-04-07 |
| CN110967188B CN110967188B (zh) | 2020-11-24 |
Family
ID=70030277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911086634.2A Expired - Fee Related CN110967188B (zh) | 2019-11-08 | 2019-11-08 | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110967188B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
| CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
| US20180204048A1 (en) * | 2015-09-02 | 2018-07-19 | Ventana Medical Systems, Inc. | Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining |
| CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
| CN109376962A (zh) * | 2018-12-06 | 2019-02-22 | 广州机械科学研究院有限公司 | 滚动轴承的实际寿命预测方法、装置及智能终端 |
| CN110348468A (zh) * | 2019-05-10 | 2019-10-18 | 辽宁大学 | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 |
-
2019
- 2019-11-08 CN CN201911086634.2A patent/CN110967188B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
| CN104899608A (zh) * | 2015-06-19 | 2015-09-09 | 西安交通大学 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
| US20180204048A1 (en) * | 2015-09-02 | 2018-07-19 | Ventana Medical Systems, Inc. | Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining |
| CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
| CN109376962A (zh) * | 2018-12-06 | 2019-02-22 | 广州机械科学研究院有限公司 | 滚动轴承的实际寿命预测方法、装置及智能终端 |
| CN110348468A (zh) * | 2019-05-10 | 2019-10-18 | 辽宁大学 | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 燕晨耀: "基于多特征量的滚动轴承退化状态评估和剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 董正: "基于AdaBoost_RVM的滚动轴承剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111947928A (zh) * | 2020-08-10 | 2020-11-17 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
| CN111947928B (zh) * | 2020-08-10 | 2021-11-05 | 山东大学 | 一种多源信息融合的轴承故障预测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110967188B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
| CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| US11860608B2 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN112257530A (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
| CN112949198A (zh) | 光伏组串的故障检测方法、装置及计算机存储介质 | |
| CN110967188B (zh) | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| CN114962390A (zh) | 液压系统故障诊断方法、系统及作业机械 | |
| CN113111572B (zh) | 航空发动机剩余寿命预测方法及系统 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN116108371B (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
| CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |