CN112069699B - 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法 - Google Patents

一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法 Download PDF

Info

Publication number
CN112069699B
CN112069699B CN202011048055.1A CN202011048055A CN112069699B CN 112069699 B CN112069699 B CN 112069699B CN 202011048055 A CN202011048055 A CN 202011048055A CN 112069699 B CN112069699 B CN 112069699B
Authority
CN
China
Prior art keywords
prediction model
sequence
difference prediction
iterative difference
trend
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.)
Active
Application number
CN202011048055.1A
Other languages
English (en)
Other versions
CN112069699A (zh
Inventor
刘鹤
宋万清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202011048055.1A priority Critical patent/CN112069699B/zh
Publication of CN112069699A publication Critical patent/CN112069699A/zh
Application granted granted Critical
Publication of CN112069699B publication Critical patent/CN112069699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明公开了一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法，包括如下步骤：S1、将齿轮箱的健康状态退化数据作为预测输入序列；S2、提取具有明显退化特征的趋势序列；S3、将提取的趋势序列分解为确定项序列和随机项序列；S4、建立混合迭代差分预测模型；S5、利用分数阶Lévy稳定迭代差分预测模型对随机项序列建模；S6、利用灰色迭代差分预测模型对确定项序列建模；S7、利用步骤S4的混合迭代差分预测模型修正步骤S5和步骤S6的预测结果；S8、将新陈代谢法与混合迭代差分预测模型相结合并建模，预测出齿轮箱健康状态的长期退化趋势。本发明所述方法能够精确预测齿轮箱健康状态的退化趋势。

Description

一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法
技术领域
本发明涉及一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法，属于齿轮箱健康状态退化趋势预测技术领域。
背景技术
齿轮箱健康状态趋势预测是以齿轮箱退化数据为对象进行的一系列预测工作。齿轮箱健康状态的发展趋势是一个随时间逐渐退化的过程，该过程在一定程度上反映了齿轮箱的状态变化规律，蕴含着丰富的故障特征，有助于进行故障趋势预测。由于齿轮箱的内部结构复杂，一旦发生故障，容易导致整个机械系统停机时间和维修成本过高，甚至会造成安全事故和社会经济损失。因此，有效的齿轮箱健康状态趋势预测可以揭示设备退化过程中健康状态的变化，有利于实现齿轮箱早期故障预警，进而避免齿轮箱和整个机械设备系统严重事故的发生。
长期以来，科研人员对齿轮箱健康状态趋势的提取和预测进行了大量的研究，提出了许多有效的方法。比如时间序列法、粒子滤波法、支持向量机法、深度学习法、马尔科夫模型法和分数布朗运动模型法等。但是齿轮箱的工作环境十分复杂，容易受到诸如噪声等很多不确定的干扰因素，使得齿轮箱健康状态的原始信号的退化特征不明显，也使得齿轮箱健康状态退化序列具有非高斯性、长相关性、单调性等复杂的特性，导致目前的预测方法均无法较好的拟合齿轮箱健康状态退化序列的复杂特性，预测精度与预测范围受到限制而不能推广使用。
发明内容
针对现有技术存在的上述问题，本发明的目的是提供一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法。
为实现上述发明目的，本发明采用的技术方案如下：
一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法，包括如下步骤：
S1、将齿轮箱的健康状态退化数据作为预测输入序列xi,i＝1,2,…,n；
S2、利用相似性因子提取法提取具有明显退化特征的趋势序列
Figure BDA0002708622470000011
S3、利用最小二乘法将提取的趋势序列
Figure BDA0002708622470000021
分解为确定项序列
Figure BDA0002708622470000022
和随机项序列
Figure BDA0002708622470000023
S4、利用分数阶Lévy稳定迭代差分预测模型和灰色迭代差分预测模型建立混合迭代差分预测模型；
S5、利用分数阶Lévy稳定迭代差分预测模型对随机项序列
Figure BDA0002708622470000024
建模；
S6、利用灰色迭代差分预测模型对确定项序列
Figure BDA0002708622470000025
建模；
S7、利用步骤S4的混合迭代差分预测模型修正步骤S5和步骤S6的预测结果；
S8、将新陈代谢法与混合迭代差分预测模型相结合并建模，预测出齿轮箱健康状态的长期退化趋势。
一种实施方案，步骤S2的具体操作为：
S21、将预测输入序列标准化，标准化公式如下：
Figure BDA0002708622470000026
其中：K是比例放大因子，K＞1；x’i是标准化后的预测输入序列；xmax是预测输入序列中的最大值；
S22、对标准化的预测输入序列x’i计算分形维数：
Figure BDA0002708622470000027
其中：F是Rn中任一非空有界子集，H()表示最大直径为v且能覆盖F集合的最小数；
S23、将相似性因子定义为：
S＝dimBF，
S24、将相似性因子作为特征指标提取具有明显退化特征的趋势序列。
一种实施方案，步骤S4中建立的混合迭代差分预测模型为：
y(t+1)＝X0(n+1)+LH,α(t+1)，
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，X0(n+1)是灰色迭代差分预测模型。
一种实施方案，步骤S5中分数阶Lévy稳定迭代差分预测模型的建模过程如下：
S51、计算自相似参数H：
Figure BDA0002708622470000031
其中：A是将样本输入序列划分为A个子区间，S(n)为子区间的输入标准差，X(i,n)为随机序列
Figure BDA0002708622470000032
中第i个子区间，c为常数，
Figure BDA0002708622470000033
是Hurst指数的估计值；
S52、计算稳定性指数α：
Figure BDA0002708622470000034
其中：θ0是由
Figure BDA0002708622470000035
的绝对值和
Figure BDA0002708622470000036
的绝对值之间的最大距离确定的假设值，
Figure BDA0002708622470000037
和
Figure BDA0002708622470000038
分别是指α为1和2时的特征函数
Figure BDA0002708622470000039
的值；β是对称参数，μ是位置参数，δ是扩散参数，N为预测样本数据序列中的元素个数，j是虚部的表达符号，
Figure BDA00027086224700000310
是稳定性指数α的估计值；
S53、判断H与α的关系，若αH＞1，则进行继续进行S54，否则重新返回步骤S1；
S54、建立分数阶Lévy稳定迭代差分预测模型：
Figure BDA00027086224700000311
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，LH,α(t)是分数Lévy稳定模型，Δt是时间增量，wα(t)是Lévy稳定白噪声，
Figure BDA00027086224700000312
是特征函数的估计值，
Figure BDA00027086224700000313
是θ为1时特征函数的估计值，||表示绝对值。
一种实施方案，步骤S6中灰色迭代差分预测模型的建模过程如下：
S61、对确定项序列
Figure BDA00027086224700000314
进行累加：
Figure BDA00027086224700000315
其中：
Figure BDA00027086224700000316
和
Figure BDA00027086224700000317
分别是原始确定项序列和一次累加生成序列；
S62、用下式对累加生成序列分析：
Figure BDA00027086224700000318
其中：a是发展系数，b是灰色作用量，
Figure BDA0002708622470000041
是预测序列的一次累加序列；
S63、利用累减生成因子对
Figure BDA0002708622470000042
进行处理，得到灰色迭代差分预测模型：
Figure BDA0002708622470000043
与现有技术相比，本发明具有如下显著性有益效果：
本发明通过对齿轮箱健康状态的退化数据进行预处理得到确定项序列和随机项序列，然后利用混合迭代差分预测模型对确定项序列和随机项序列的预测结果修正，最后利用新陈代谢法去预测更长期的退化趋势，根据预测未来退化趋势，可以对齿轮箱的可靠性进行分析，及时对齿轮箱进行维修或调换，可有效减少事故的产生，为企业与社会带来更大的经济效益，所述方法可精确拟合齿轮箱健康状态退化序列的非高斯性、长相关性、单调性等复杂特性，使得所述方法具有范围广泛、预测结果精确度高的优点，相较于现有技术，取得了显著性进步和出乎意料的效果。
附图说明
图1是本发明中齿轮箱健康状态的原始退化信号；
图2是本发明中经相似因子提取后的退化趋势序列图；
图3是本发明中经过最小二乘法分解后的确定项序列和随机项序列；
图4是本发明中分数阶Lévy稳定迭代差分预测模型的预测结果；
图5是本发明中灰色迭代差分预测模型的预测结果；
图6是本发明中混合迭代差分预测模型修正的预测结果；
图7是本发明中混合迭代差分预测模型结合新陈代谢法的预测结果和单一分数阶Lévy稳定迭代差分预测模型的预测结果的比较。
具体实施方式
下面结合具体的实施例对本发明技术方案做进一步详细、完整地说明。
实施例
本发明提供的一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法，包括如下步骤：
S1、将齿轮箱的健康状态退化数据作为预测输入序列xi,i＝1,2,…,n(如图1所示)；
S2、利用相似性因子提取法提取具有明显退化特征的趋势序列
Figure BDA0002708622470000044
(如图2所示)，具体操作为：
S21、将预测输入序列标准化，标准化公式如下：
Figure BDA0002708622470000051
其中：K是比例放大因子，K＞1；xi'是标准化后的预测输入序列；xmax是预测输入序列中的最大值；
S22、对标准化的预测输入序列xi'计算分形维数：
Figure BDA0002708622470000052
其中：F是Rn中任一非空有界子集，H()表示最大直径为v且能覆盖F集合的最小数；
S23、将相似性因子定义为：
S＝dimBF，
S24、将相似性因子作为特征指标提取具有明显退化特征的趋势序列。
一种实施方案，步骤S4中建立的混合迭代差分预测模型为：
y(t+1)＝X0(n+1)+LH,α(t+1)，
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，X0(n+1)是灰色迭代差分预测模型；
S3、利用最小二乘法将提取的趋势序列
Figure BDA0002708622470000053
分解为确定项序列
Figure BDA0002708622470000054
和随机项序列
Figure BDA0002708622470000055
(如图3所示)；
S4、利用分数阶Lévy稳定迭代差分预测模型和灰色迭代差分预测模型建立混合迭代差分预测模型：
y(t+1)＝X0(n+1)+LH,α(t+1)，
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，X0(n+1)是灰色迭代差分预测模型；
S5、利用分数阶Lévy稳定迭代差分预测模型对随机项序列
Figure BDA0002708622470000056
建模(如图4所示)，其中，分数阶Lévy稳定迭代差分预测模型的建模过程如下：
S51、计算自相似参数H：
Figure BDA0002708622470000061
其中：A是将样本输入序列划分为A个子区间，S(n)为子区间的输入标准差，X(i,n)为随机序列
Figure BDA0002708622470000062
中第i个子区间，c为常数，
Figure BDA0002708622470000063
是Hurst指数的估计值；
S52、计算稳定性指数α：
Figure BDA0002708622470000064
其中：θ0是由
Figure BDA0002708622470000065
的绝对值和
Figure BDA0002708622470000066
的绝对值之间的最大距离确定的假设值，
Figure BDA0002708622470000067
和
Figure BDA0002708622470000068
分别是指α为1和2时的特征函数
Figure BDA0002708622470000069
的值；β是对称参数，μ是位置参数，δ是扩散参数，N为预测样本数据序列中的元素个数，j是虚部的表达符号，
Figure BDA00027086224700000610
是稳定性指数α的估计值；
S53、判断H与α的关系，若αH＞1，则进行继续进行S54，否则重新返回步骤S1；
S54、建立分数阶Lévy稳定迭代差分预测模型：
Figure BDA00027086224700000611
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，LH,α(t)是分数Lévy稳定模型，Δt是时间增量，wα(t)是Lévy稳定白噪声，
Figure BDA00027086224700000612
是特征函数的估计值，
Figure BDA00027086224700000613
是θ为1时特征函数的估计值，| |表示绝对值；
S6、利用灰色迭代差分预测模型对确定项序列
Figure BDA00027086224700000614
建模(如图5所示)，其中，灰色迭代差分预测模型的建模过程如下：
S61、对确定项序列
Figure BDA00027086224700000615
进行累加：
Figure BDA00027086224700000616
其中：
Figure BDA00027086224700000617
和
Figure BDA00027086224700000618
分别是原始确定项序列和一次累加生成序列；
S62、用下式对累加生成序列分析：
Figure BDA0002708622470000071
其中：a是发展系数，b是灰色作用量，
Figure BDA0002708622470000072
是预测序列的一次累加序列；
S63、利用累减生成因子对
Figure BDA0002708622470000073
进行处理，得到灰色迭代差分预测模型：
Figure BDA0002708622470000074
S7、利用步骤S4的混合迭代差分预测模型修正步骤S5和步骤S6的预测结果(如图6所示)；
S8、将新陈代谢法与混合迭代差分预测模型相结合并建模，预测出齿轮箱健康状态的长期退化趋势，从而获得较高的预测精度(如图7所示)，根据预测未来退化趋势，可以对齿轮箱的可靠性进行分析，及时的齿轮箱进行维修或调换。
最后需要在此指出的是：以上仅是本发明的部分优选实施例，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明的上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。

Claims (1)

1.一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法，其特征在于，包括如下步骤：
S1、将齿轮箱的健康状态退化数据作为预测输入序列xi,i＝1,2,…,n；
S2、利用相似性因子提取法提取具有明显退化特征的趋势序列
Figure FDA0003722975090000011
具体操作为：
S21、将预测输入序列标准化，标准化公式如下：
Figure FDA0003722975090000012
其中：K是比例放大因子，K＞1；x′i是标准化后的预测输入序列；xmax是预测输入序列中的最大值；
S22、对标准化的预测输入序列x′i计算分形维数：
Figure FDA0003722975090000013
其中：F是Rn中任一非空有界子集，H()表示最大直径为v且能覆盖F集合的最小数；
S23、将相似性因子定义为：
S＝dimBF，
S24、将相似性因子作为特征指标提取具有明显退化特征的趋势序列；
S3、利用最小二乘法将提取的趋势序列
Figure FDA0003722975090000016
分解为确定项序列
Figure FDA0003722975090000017
和随机项序列
Figure FDA0003722975090000018
S4、利用分数阶Lévy稳定迭代差分预测模型和灰色迭代差分预测模型建立混合迭代差分预测模型；建立的混合迭代差分预测模型为：
y(t+1)＝X0(n+1)+LH,α(t+1)，
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，X0(n+1)是灰色迭代差分预测模型；
S5、利用分数阶Lévy稳定迭代差分预测模型对随机项序列
Figure FDA0003722975090000014
建模；分数阶Lévy稳定迭代差分预测模型的建模过程如下：
S51、计算自相似参数H：
Figure FDA0003722975090000015
其中：A是将样本输入序列划分为A个子区间，S(n)为子区间的输入标准差，X(i,n)为随机序列
Figure FDA0003722975090000021
中第i个子区间，c为常数，
Figure FDA0003722975090000022
是Hurst指数的估计值；
S52、计算稳定性指数α：
Figure FDA0003722975090000023
其中：θ0是由
Figure FDA0003722975090000024
的绝对值和
Figure FDA0003722975090000025
的绝对值之间的最大距离确定的假设值，
Figure FDA0003722975090000026
和
Figure FDA0003722975090000027
分别是指α为1和2时的特征函数
Figure FDA0003722975090000028
的值；β是对称参数，μ是位置参数，δ是扩散参数，N为预测样本数据序列中的元素个数，j是虚部的表达符号，
Figure FDA0003722975090000029
是稳定性指数α的估计值；
S53、判断H与α的关系，若αH＞1，则进行继续进行S54，否则重新返回步骤S1；
S54、建立分数阶Lévy稳定迭代差分预测模型：
Figure FDA00037229750900000210
其中：LH,α(t+1)是分数阶Lévy稳定迭代差分预测模型，LH,α(t)是分数Lévy稳定模型，Δt是时间增量，wα(t)是Lévy稳定白噪声，
Figure FDA00037229750900000211
是特征函数的估计值，
Figure FDA00037229750900000212
是θ为1时特征函数的估计值，| |表示绝对值；
S6、利用灰色迭代差分预测模型对确定项序列
Figure FDA00037229750900000213
建模；灰色迭代差分预测模型的建模过程如下：
S61、对确定项序列
Figure FDA00037229750900000214
进行累加：
Figure FDA00037229750900000215
其中：
Figure FDA00037229750900000216
和
Figure FDA00037229750900000217
分别是原始确定项序列和一次累加生成序列；
S62、用下式对累加生成序列分析：
Figure FDA00037229750900000218
其中：a是发展系数，b是灰色作用量，
Figure FDA00037229750900000219
是预测序列的一次累加序列；
S63、利用累减生成因子对
Figure FDA00037229750900000220
进行处理，得到灰色迭代差分预测模型：
Figure FDA0003722975090000031
S7、利用步骤S4的混合迭代差分预测模型修正步骤S5和步骤S6的预测结果；
S8、将新陈代谢法与混合迭代差分预测模型相结合并建模，预测出齿轮箱健康状态的长期退化趋势。
CN202011048055.1A 2020-09-29 2020-09-29 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法 Active CN112069699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011048055.1A CN112069699B (zh) 2020-09-29 2020-09-29 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011048055.1A CN112069699B (zh) 2020-09-29 2020-09-29 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法

Publications (2)

Publication Number Publication Date
CN112069699A CN112069699A (zh) 2020-12-11
CN112069699B true CN112069699B (zh) 2022-08-23

Family

ID=73683745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011048055.1A Active CN112069699B (zh) 2020-09-29 2020-09-29 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法

Country Status (1)

Country Link
CN (1) CN112069699B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102901651B (zh) * 2012-10-16 2015-12-16 南京航空航天大学 电子产品分数阶神经网络性能退化模型及寿命预测方法
CN102867132B (zh) * 2012-10-16 2015-10-21 南京航空航天大学 基于分数阶小波变换的航空直流变换器在线故障组合预测方法
CN108959676B (zh) * 2017-12-22 2019-09-20 北京航空航天大学 一种考虑有效冲击的退化建模与寿命预测方法
WO2019144384A1 (zh) * 2018-01-26 2019-08-01 大连理工大学 一种航空发动机启动过程排气温度预测方法
CN109992895B (zh) * 2019-04-03 2020-07-10 中国水利水电科学研究院 一种设备性能退化趋势提取及预测方法
CN110689169B (zh) * 2019-09-04 2023-05-30 上海工程技术大学 一种基于分数Levy稳定运动模型的短期电力负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置

Also Published As

Publication number Publication date
CN112069699A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN107316046B (zh) 一种基于增量补偿动态自适应增强的故障诊断方法
CN111461431B (zh) 一种基于手机制造中锁螺丝工艺的优化方法和系统
CN106842922B (zh) 一种数控加工误差优化方法
Su et al. A novel multi‐hidden semi‐Markov model for degradation state identification and remaining useful life estimation
CN111709454A (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN112069699B (zh) 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法
CN112906157A (zh) 一种主轴轴承健康状态评估及剩余寿命预测方法及装置
CN116702612A (zh) 一种多维指标融合的cvt健康状态预测方法及系统
CN117633446A (zh) 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及系统
CN106647274B (zh) 一种连续生产过程中运行工况稳态判别方法
CN111861121A (zh) 基于用户电量波动与线损波动分析的异常用电判定方法
CN116629686A (zh) 一种评估企业能耗数据的方法及装置
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
Cui et al. SARIMA‐Orthogonal Polynomial Curve Fitting Model for Medium‐Term Load Forecasting
CN111259340A (zh) 一种基于logistic回归的饱和负荷预测方法
CN112801363B (zh) 一种电力负荷损失预测方法、介质、电子设备和系统
CN104850711A (zh) 一种机电产品设计标准选择方法
CN100371938C (zh) 一种极少新钢种数据样本下的质量设计方法
Deng et al. Application of improved grey GM (1, 1) model in power prediction of wind farm
Kundu et al. PCA-ANN based approach for remaining useful life prediction for roller ball bearings
CN112070303A (zh) 参数自适应的光伏功率爬坡事件的分级概率性预测方法
CN117697464B (zh) 一种高精度数控机床的控制方法及系统
CN112491038B (zh) 一种配电网设备寿命的概率分布估计方法及系统
Qiao et al. New degradation feature extraction method of planetary gearbox based on alpha stable distribution
CN115587230B (zh) 结合行业文本和用电负荷的高耗能企业识别方法及系统

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
GR01 Patent grant
GR01 Patent grant