CN111950757A - 旋转机械关键零部件退化状态趋势预测方法 - Google Patents
旋转机械关键零部件退化状态趋势预测方法 Download PDFInfo
- Publication number
- CN111950757A CN111950757A CN201910409484.8A CN201910409484A CN111950757A CN 111950757 A CN111950757 A CN 111950757A CN 201910409484 A CN201910409484 A CN 201910409484A CN 111950757 A CN111950757 A CN 111950757A
- Authority
- CN
- China
- Prior art keywords
- model
- time
- time series
- sequence
- vibration
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种旋转机械关键零部件退化状态趋势预测方法,包括步骤:S1、在旋转机械以一定转速下,基于相等间隔时间采集一定时间段的振动信号并去噪;S2、根据获得的振动信号序列计算其平均排列熵和非线性度,并组成复合指数时间序列;S3、采用非线性指数函数对复合指数时间序列进行拟合,提取得到拟合函数模型;S4、将复合指数时间序列减去拟合函数模型上对应取值,得到残差时间序列,并采用极限学习机模型对残差时间序列进行辨识和残差预测;S5、结合拟合函数模型和极限学习机组成混合极限学习机预测模型,实现旋转机械退化趋势预测。本发明能够实现旋转机械关键零部件退化状态预测,计算速度快且预测效果好。
Description
技术领域
本发明属于机械系统状态监测与寿命评估的技术领域,具体涉及一种旋转 机械关键零部件退化状态趋势预测方法。
背景技术
目前,现阶段我国很多机械系统退化状态识别与评估方法主要通过在线监 测方法,可更好地在安全性和经济性上达到一种平衡。在众多机械系统状态监 测中,振动分析法具有诊断速度快、能实现在线监测等特点,已广泛地应用于 旋转机械的状态监测与故障诊断之中。现有的振动信号复杂度测量方法具有较 好的计算效率和能够从振动时间序列中快速感知对象系统动力学行为的迅速 变化,但是其值会产生较为剧烈的变化,不利于对机械系统长期退化过程趋势 的预测。而基于振动信号非线性程度评估的方法采用积分形式计算时间序列非 线性度,具有较好的稳定性,适宜于机械系统长期退化过程趋势的预测。然后, 在很多应用场合,工程师们既需要掌握机械系统退化的长期趋势,又需要查看机械系统在某一局部的变化情况,才能够检测出机械系统某一时刻的异常状 态。
发明内容
为解决上述技术问题,本发明提出一种旋转机械关键零部件退化状态趋势 预测方法。
本发明的目的通过以下技术方案实现:
提供一种旋转机械关键零部件退化状态趋势预测方法,包括以下步骤:S1、 在旋转机械以一定工作转速稳定状态下,基于相等间隔时间采集一定时间段的 振动信号并去噪;S2、根据每个时间段获得的振动信号序列计算其平均排列熵 和非线性度并相加,组成一复合指数时间序列;S3、采用非线性指数函数对复 合指数时间序列进行拟合,提取得到非线性指数拟合函数模型;S4、将复合指 数时间序列减去拟合函数模型上对应取值,得到残差时间序列,并采用极限学 习机模型对残差时间序列进行辨识和残差预测;S5、结合非线性指数拟合函数 模型和极限学习机模型组成混合极限学习机预测模型,实现旋转机械退化趋势 预测。
作为进一步的改进,在所述步骤S2中,振动信号序列平均排列熵的计算 具体包括:
对于第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t},以n为长度进行等分取样:{xk(i),i=1,2,L,n},{xk(i),i=n+1,2,L,2n},…,其中t表示采样时间点的长度,表示长度t, 对长度n取整数;
其中,针对第一个n长度取样{xk(i),i=1,2,L,n},进行相空间重构得到:
其中n表示振动时间序列长度,m为嵌入维数,τ是时间延迟;
将(1)中的每个序列xk(i)按照大小进行升序排列如下:
{xk(i+(j1-1)τ)≤xk(i+(j2-1)τ)≤L≤xk(i+(jm-1)τ)} (2)
并投影到符号序列(j1,j2,L,jm);假定共出现l个不同的排列,统计每个出现 的排列出现的次数,并基于总的符号排列数为m!,可以计算得到l个概率分布则振动信号序列{xk(i),i=1,2,L,n}的排列熵为:
则信号{xk(i),i=1,2,L,t}的平均排列熵为:
作为进一步的改进,在所述步骤S2中,振动信号序列非线性度计算方法 为:
假定第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t}由某一名义上的非线性时间序列模型所代表,利用如下的线性自回归时间序列模型对该振动信 号序列进行逼近:
yk(t)=[-a1,-a2,L,-ana,b1,b2,L bnb]*[y(t-1),y(t-2),L,y(t-na),u(t),u(t-1),L,u(t-nb+1)]T
(5)
其中y(t)表示去噪后的振动时间序列信号,yl(t)表示线性自回归时间序列 模型输出信号,u(t)表示去噪后的输入时间序列信号,na表示输出时间序列回 归量的个数,nb表示输入时间序列回归量的个数,a1,a2,L,ana,b1,b2,L,bnb表示常数 系数,e(t)表示误差函数,则非线性度可以估计为该振动信号序列与线性自回 归时间序列模型(5)轨迹的最小二乘误差值,计算公式如下:
其中δi表示非线性度,yk(i)表示线性自回归时间序列模型在对应序列xk(i) 的采样时间的值。
作为进一步的改进,在所述步骤S2中,假定第k个时间点测试得到的振动 时间序列{xk(i),i=1,2,L,t}复合指数的计算方法为排列熵与非线性度之和:
λk=Hk(m)+δk (7)。
作为进一步的改进,在所述步骤S3中,非线性指数拟合函数模型为:
f(t)=aebt+cedt (8)
其中t表示振动信号采样时间点,f(t)表示在t时刻对应的归一化机械系统 状态退化复合指数,a,b,c,d表示常数系数。
作为进一步的改进,在所述步骤S4中,复合指数时间序列减去拟合函数 模型上对应取值公式为:
εi=xk(i)-f(ti) (9)
其中εi表示振动信号采样时间点ti时获得的残差。
作为进一步的改进,在所述步骤S4中,所述极限学习机模型的结构为:
f2(t)=βg(ωt+b) (10)
其中β表示隐含层与输出层之间的连接权值,ω表示输入层与隐含层之间 的连接权值,b表示隐含层神经元的阈值,g(g)表示非线性激活函数。
作为进一步的改进,在所述步骤S5中,所述混合极限学习机预测模型为:
y(t)=aebt+cedt+βg(ωt+b) (11)。
作为进一步的改进,在所述步骤S2中,所述非线性度为非线性程度估计 值。
本发明提供的旋转机械关键零部件退化状态趋势预测方法,包括以下步 骤:S1、在旋转机械以一定工作转速稳定状态下,基于相等间隔时间采集一定 时间段的振动信号并去噪;S2、根据每个时间段获得的振动信号序列计算其平 均排列熵和非线性度相加,并组成一复合指数时间序列;S3、采用非线性指数 函数对复合指数时间序列进行拟合,提取得到非线性指数拟合函数模型;S4、 将复合指数时间序列减去拟合函数模型上对应取值,得到残差时间序列,并采 用极限学习机模型对残差时间序列进行辨识和残差预测;S5、结合非线性指数 拟合函数模型和极限学习机模型组成混合极限学习机预测模型,实现旋转机械 退化趋势预测。本发明结合符号动力学中的排列熵和非线性程度估计值的优势 组成复合指数,采用混合极限学习机方法来对复合函数进行辨识,预测机械系 统退化过程的状态。利用排列熵能较好的感知机械系统状态突变的能力和非线 性度能够较好的预测旋转机械长期趋势的能力,建立既能预测系统长期趋势又 能反映状态突变的复合指数,利用混合极限学习机较好的非线性系统结构辨识 和预测能力,能够实现旋转机械关键零部件退化状态预测,计算速度快且预测 效果好。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任 何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以 根据以下附图获得其它的附图。
图1为本发明方法的计算流程图。
图2为本发明中实例的机械退化过程复合指数结果图。
图3为本发明中实例的机械退化过程指数模型拟合图。
图4为本发明中实例的机械退化过程复合指数残差图。
图5为本发明中实例的机械退化过程复合指数残差极限学习机训练结果 图。
图6为本发明中实例的机械退化过程复合指数残差极限学习机预测结果 图。
图7为本发明中实例的复合指数混合极限学习机机械退化趋势预测图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和 具体实施例对本发明作进一步详细的描述,需要说明的是,在不冲突的情况下, 本申请的实施例及实施例中的特征可以相互组合。
本发明的核心在于提供一种旋转机械关键零部件退化状态趋势预测方法, 其通过采集机械系统振动加速度信号,根据每个时刻获得的振动信号序列计算 其平均排列熵和非线性度并相加,组成一复合指数时间序列;对复合指数时间 序列采用非线性指数函数进行拟合得到非线性指数模型;将复合指数时间序列 减去拟合函数上对应取值得到残差时间序列,并采用极限学习机进行辨识和残 差预测;结合非线性指数拟合函数模型和极限学习机模型组成混合极限学习机 预测模型,实现旋转机械退化趋势预测。
如图1所示,本发明实施例提供的一种旋转机械关键零部件退化状态趋势 预测方法,包括以下步骤:
S1、在旋转机械以一定工作转速稳定状态下,基于相等间隔时间采集一定 时间段的振动信号并去噪;
S2、根据每个时间段获得的振动信号序列计算其平均排列熵和非线性度并 相加,组成一复合指数时间序列,其中,所述非线性度为非线性程度估计值。
S3、采用非线性指数函数对复合指数时间序列进行拟合,提取得到非线性 指数拟合函数模型;
S4、将复合指数时间序列减去拟合函数模型上对应取值,得到残差时间序 列,并采用极限学习机模型对残差时间序列进行辨识和残差预测;
S5、结合非线性指数拟合函数模型和极限学习机模型组成混合极限学习机 预测模型,实现旋转机械退化趋势预测。
作为进一步优选的实施方式,在所述步骤S2中,振动信号序列平均排列 熵的计算具体包括:
对于第k个时间点测试得到的振动时间序列}xk(i),i=1,2,L,t},以n为长度进行等分取样:{xk(i),i=1,2,L,n},{xk(i),i=n+1,2,L,2n},…,其中t表示采样时间点的长度,表示长度t, 对长度n取整数;
其中,针对第一个n长度取样{xk(i),i=1,2,L,n},进行相空间重构得到:
其中n表示振动时间序列长度,m为嵌入维数,τ是时间延迟;
将(1)中的每个序列xk(i)按照大小进行升序排列如下:
{xk(i+(j1-1)τ)≤xk(i+(j2-1)τ)≤L≤xk(i+(jm-1)τ)} (2)
并投影到符号序列(j1,j2,L,jm);假定共出现l个不同的排列,统计每个出现 的排列出现的次数,并基于总的符号排列数为m!,可以计算得到l个概率分布 则振动信号序列{xk(i),i=1,2,L,n}的排列熵为:
则信号{xk(i),i=1,2,L,t}的平均排列熵为:
作为进一步优选的实施方式,在所述步骤S2中,振动信号序列非线性度 计算方法为:
假定第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t}由某一名义上的非线性时间序列模型所代表,利用如下的线性自回归时间序列模型对该振动信 号序列进行逼近:
yk(t)=[-a1,-a2,L,-ana,b1,b2,L bnb]*[y(t-1),y(t-2),L,y(t-na),u(t),u(t-1),L,u(t-nb+1)]T
(5)
其中y(t)表示去噪后的振动时间序列信号,yl(t)表示线性自回归时间序列 模型输出信号,u(t)表示去噪后的输入时间序列信号,na表示输出时间序列回 归量的个数,nb表示输入时间序列回归量的个数,a1,a2,L,ana,b1,b2,L,bnb表示常数 系数,e(t)表示误差函数,则非线性度可以估计为该振动信号序列与线性自回 归时间序列模型(5)轨迹的最小二乘误差值,计算公式如下:
其中δi表示非线性度,yk(i)表示线性自回归时间序列模型在对应序列xk(i) 的采样时间的值。
作为进一步优选的实施方式,在所述步骤S2中,假定第k个时间点测试得 到的振动时间序列{xk(i),i=1,2,L,t}复合指数的计算方法为排列熵与非线性度之 和:
λk=Hk(m)+δk (7)。
作为进一步优选的实施方式,在所述步骤S3中,非线性指数拟合函数模 型为:
f(t)=aebt+cedt (8)
其中t表示振动信号采样时间点,f(t)表示在t时刻对应的归一化机械系统 状态退化复合指数,a,b,c,d表示常数系数。
作为进一步优选的实施方式,在所述步骤S4中,复合指数时间序列减去 拟合函数模型上对应取值公式为:
εi=xk(i)-f(ti) (9)
其中εi表示振动信号采样时间点ti时获得的残差。
在所述步骤S4中,所述极限学习机模型的结构为:
f2(t)=βg(ωt+b) (10)
其中β表示隐含层与输出层之间的连接权值,ω表示输入层与隐含层之间 的连接权值,b表示隐含层神经元的阈值,g(g)表示非线性激活函数。
作为进一步优选的实施方式,在所述步骤S5中,所述混合极限学习机预 测模型为:
y(t)=aebt+cedt+βg(ωt+b) (11)。
为说明本发明方法能够实现对机械系统退化状态趋势预测的可行性,本发 明实施例进行了如下实验验证:
1、机械系统振动加速度时间序列信号采集与处理
以旋转机械关键零部件:滚动轴承全寿命周期实验为基础,每隔2分钟采 集一组振动加速度时间序列信号,每组时间序列信号的长度为4096,共采集 455组时间序列信号,将上述信号采集以后形成mat文件,在Matlab里面采用 小波方法进行去噪处理。
2、振动时间序列排列熵计算
针对第k个时刻测量得到的振动加速度时间序列信号xk(1),xk(2),L,xk(4096) 采用小波方法进行去噪处理,设定该序列分段长度为1024,则 xk(1),xk(2),L,xk(4096)共分为4分序列段。针对每个分段信号进行相空间重构,其 中嵌入维数为6,时间延迟系数为3。根据方程(1)-(3)对分段信号的排列熵进行 计算,然后经过平均得到振动加速度时间序列信号xk(1),xk(2),L,xk(4096)的平均排 列熵。
3、振动时间序列非线性程度估值计算
(1)对采集的振动加速度时间序列信号xk(1),xk(2),L,xk(4096)采用小波方法 进行去噪处理
(2)令时间序列信号xk(2),xk(3),L,xk(4096)为输出时间序列y(t),时间序列信号xk(1),xk(2),L,xk(4095)为输入时间序列u(t);
(3)选择输出时间序列回归量的个数3,输入时间序列回归量的个数2;
(4)建立线性自回归时间序列模型结构如下:
yk(t)=[a1,-a2,L,-ana,b1,b2,L bnb]*[y(t-1),y(t-2),L,y(t-na),u(t),u(t-1),L,u(t-nb+1)]T(12)
其中y(t)表示去噪后的输出振动时间序列信号,u(t)表示去噪后的输入时间 序列信号,a1,a2,…,a3,b1,b2表示常数系数,e(t)表示误差函数。
(5)非线性程度可以估计为该振动信号序列xk(1),xk(2),L,xk(4096)与线性自 回归时间序列模型(4)轨迹的最小二乘误差值,计算公式如下:
4、振动时间序列复合指数计算
假定第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,4096}复合指数的计算结果如图2所示。
λk=Hk(6)+δk (14)
其中k=1,2,L,455。
5、非线性指数拟合函数模型
对退化指标时间序列λ1,λ2,L,λ455,采用指数模型对退化指标序列进行拟合, 非线性指数拟合函数模型的表达式为:
f(t)=aebt+cedt (15)
其中t表示振动信号采样时间点,f(t)表示在t时刻对应的归一化机械系统 状态退化指标,a,b,c,d表示常数系数。在本例中,a=0.3008,b=-0.00243,c= 0.0005117,d=0.01757(置信度95%),具体结果见图3。
6、求解残差序列
复合指数减去拟合函数上对应取值得到残差方法为:
εi=xk(i)-f(ti) (16)
其中εi表示振动信号采样时间点i时获得的残差,具体结果见图4。
7、极限学习机辨识
利用残差序列ε1,ε2,L,ε463的前350个数值对极限学习机进行训练,利用后面 105个数值对极限学习机进行测试,得到极限学习机模型的结构为:
f2(t)=βg(ωt+b) (17)
其中matlab中极限学习机函数如下:
elm(TrainingData,TestingData,0,325,'hardlim');
其中隐含层与输出层之间的连接权值β,输入层与隐含层之间的连接权值 ω,隐含层神经元的阈值b均有函数elm中根据数据自动随机选取,非线性激 活函数g(g)选择为hardlim,隐含层神经元个数选择为325。具体训练结果和残 差测试结果如图5和图6所示。
8、混合极限学习机模型建立
结合非线性指数拟合函数模型(15)和极限学习机模型(17)可组成混合 极限学习机预测模型为:
y(t)=aebt+cedt+βg(ωt+b) (18)
具体的退化趋势预测结果如图7所示。
本发明实施例提供的旋转机械关键零部件退化状态趋势预测方法,其基于 旋转机械系统工作状态退化过程中相同间隔条件下时刻点采集的振动加速度 时间序列信号,利用排列熵能较好的感知机械系统状态突变的能力和非线性度 能够较好的预测旋转机械长期趋势的能力,建立既能预测系统长期趋势又能反 映状态突变的复合指数,利用混合极限学习机较好的系统辨识能力,能够实现 旋转机械关键零部件退化状态预测,计算速度快且预测效果好。
上面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明 还可以采用其他不同于在此描述的其他方式来实施,因此,不能理解为对本发 明保护范围的限制。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域 的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的 范围,否则都应该包括在本发明的保护范围内。
Claims (9)
1.一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,包括以下步骤:
S1、在旋转机械以一定工作转速稳定状态下,基于相等间隔时间采集一定时间段的振动信号并去噪;
S2、根据每个时间段获得的振动信号序列计算其平均排列熵和非线性度并相加,组成一复合指数时间序列;
S3、采用非线性指数函数对复合指数时间序列进行拟合,提取得到非线性指数拟合函数模型;
S4、将复合指数时间序列减去拟合函数模型上对应取值,得到残差时间序列,并采用极限学习机模型对残差时间序列进行辨识和残差预测;
S5、结合非线性指数拟合函数模型和极限学习机模型组成混合极限学习机预测模型,实现旋转机械退化趋势预测。
2.根据权利要求1所述的旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S2中,振动信号序列平均排列熵的计算具体包括:
对于第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t},以n为长度进行等分取样:{xk(i),i=1,2,L,n},{xk(i),i=n+1,2,L,2n},…,其中t表示采样时间点的长度,表示长度t,对长度n取整数;
其中,针对第一个n长度取样{xk(i),i=1,2,L,n},进行相空间重构得到:
其中n表示振动时间序列长度,m为嵌入维数,τ是时间延迟;
将(1)中的每个序列xk(i)按照大小进行升序排列如下:
{xk(i+(j1-1)τ)≤xk(i+(j2-1)τ)≤L≤xk(i+(jm-1)τ)} (2)
并投影到符号序列(j1,j2,L,jm);假定共出现l个不同的排列,统计每个出现的排列出现的次数,并基于总的符号排列数为m!,可以计算得到l个概率分布P1,P2,L,Pl,则振动信号序列{xk(i),i=1,2,L,n}的排列熵为:
则信号{xk(i),i=1,2,L,t}的平均排列熵为:
3.根据权利要求2所述的旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S2中,振动信号序列非线性度计算方法为:
假定第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t}由某一名义上的非线性时间序列模型所代表,利用如下的线性自回归时间序列模型对该振动信号序列进行逼近:
yk(t)=[-a1,-a2,L,-ana,b1,b2,L bnb]*[y(t-1),y(t-2),L,y(t-na),u(t),u(t-1),L,u(t-nb+1)]T
(5)
其中y(r)表示去噪后的振动时间序列信号,yl(t)表示线性自回归时间序列模型输出信号,u(t)表示去噪后的输入时间序列信号,na表示输出时间序列回归量的个数,nb表示输入时间序列回归量的个数,a1,a2,L,ana,b1,b2,L,bnb表示常数系数,e(t)表示误差函数,则非线性度可以估计为该振动信号序列与线性自回归时间序列模型(5)轨迹的最小二乘误差值,计算公式如下:
其中δi表示非线性度,yk(i)表示线性自回归时间序列模型在对应序列xk(i)的采样时间的值。
4.根据权利要求3所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S2中,假定第k个时间点测试得到的振动时间序列{xk(i),i=1,2,L,t}复合指数的计算方法为排列熵与非线性度之和:
λk=Hk(m)+δk (7)。
5.根据权利要求4所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S3中,非线性指数拟合函数模型为:
f(t)=aebt+cedt (8)
其中t表示振动信号采样时间点,f(t)表示在t时刻对应的归一化机械系统状态退化复合指数,a,b,c,d表示常数系数。
6.根据权利要求5所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S4中,复合指数时间序列减去拟合函数模型上对应取值公式为:
εi=xk(i)-f(ti) (9)
其中εi表示振动信号采样时间点ti时获得的残差。
7.根据权利要求6所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S4中,所述极限学习机模型的结构为:
f2(t)=βg(ωt+b) (10)
其中β表示隐含层与输出层之间的连接权值,ω表示输入层与隐含层之间的连接权值,b表示隐含层神经元的阈值,g(g)表示非线性激活函数。
8.根据权利要求7所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S5中,所述混合极限学习机预测模型为:
y(t)=aebt+cedt+βg(ωt+b) (11)。
9.根据权利要求1至8所述的一种旋转机械关键零部件退化状态趋势预测方法,其特征在于,在所述步骤S2中,所述非线性度为非线性程度估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409484.8A CN111950757A (zh) | 2019-05-17 | 2019-05-17 | 旋转机械关键零部件退化状态趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409484.8A CN111950757A (zh) | 2019-05-17 | 2019-05-17 | 旋转机械关键零部件退化状态趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950757A true CN111950757A (zh) | 2020-11-17 |
Family
ID=73335920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409484.8A Withdrawn CN111950757A (zh) | 2019-05-17 | 2019-05-17 | 旋转机械关键零部件退化状态趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870458A (zh) * | 2021-10-26 | 2021-12-31 | 中冶赛迪工程技术股份有限公司 | 结晶器振动装置振动性能退化数据构建方法 |
CN113910247A (zh) * | 2021-11-19 | 2022-01-11 | 佛山科学技术学院 | 考虑关节间隙演化的工业机器人末端轨迹控制方法及系统 |
-
2019
- 2019-05-17 CN CN201910409484.8A patent/CN111950757A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870458A (zh) * | 2021-10-26 | 2021-12-31 | 中冶赛迪工程技术股份有限公司 | 结晶器振动装置振动性能退化数据构建方法 |
CN113870458B (zh) * | 2021-10-26 | 2023-05-30 | 中冶赛迪工程技术股份有限公司 | 结晶器振动装置振动性能退化数据构建方法 |
CN113910247A (zh) * | 2021-11-19 | 2022-01-11 | 佛山科学技术学院 | 考虑关节间隙演化的工业机器人末端轨迹控制方法及系统 |
CN113910247B (zh) * | 2021-11-19 | 2023-01-06 | 佛山科学技术学院 | 考虑关节间隙演化的工业机器人末端轨迹控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CN107423414B (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
CN106934126B (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN109186971B (zh) | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 | |
CN112683535B (zh) | 基于多阶段维纳过程的轴承寿命预测方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN101915234A (zh) | 一种基于贝叶斯网络的压缩机关联故障诊断方法 | |
CN111581892B (zh) | 基于gdau神经网络的轴承剩余寿命的预测方法 | |
CN103310051A (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN111950757A (zh) | 旋转机械关键零部件退化状态趋势预测方法 | |
CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN108955855B (zh) | 面向旋转机械的振动信号特征提取方法、监测方法及装置 | |
Lei et al. | A nonlinear degradation model based method for remaining useful life prediction of rolling element bearings | |
CN110889077B (zh) | 一种加速贮存与自然贮存退化数据一致性检验方法 | |
CN109359791B (zh) | 一种机械系统退化趋势预测方法及系统 | |
CN110895624B (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
CN105631238A (zh) | 一种滚动轴承振动性能变异的检测方法及系统 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN110889083B (zh) | 基于窗谱估计的退化数据一致性检验法 | |
CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201117 |
|
WW01 | Invention patent application withdrawn after publication |