CN113642407B - 一种适用于轴承剩余使用寿命预测的特征提取优化方法 - Google Patents

Abstract

本发明公开一种适用于轴承剩余使用寿命(Remaining Useful Life,RUL)预测的特征提取优化方法，包括以下步骤：1)对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪；2)计算出常用的轴承RUL预测统计特征；3)利用Savitzky‑Golay滤波器对统计特征进行平滑处理；4)对平滑处理后的统计特征进行累积变换；5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征。本发明显著改善了特征的单调性和趋势性，优化后的特征有利于提高轴承剩余使用寿命的预测精度。

Description

一种适用于轴承剩余使用寿命预测的特征提取优化方法

技术领域

本发明涉及机械信号处理领域，尤其涉及一种适用于轴承剩余使用寿命预测的特征提取优化方法。

背景技术

随着当今社会迈入以智能制造为主导的工业4.0时代，机械设备日益朝着大型化、自动化、集成化、智能化的方向发展。为了保证设备的正常运转及便利维修，开展针对设备的在线监测和健康管理显得尤为重要。由于机械设备内部结构复杂，各子部件之间存在强耦合性，导致难以通过建立精确的物理模型用于监控和预测。因此，在传感器、存储、大数据等新技术快速发展的背景下，基于数据驱动的剩余使用寿命预测(remaining usefullife，RUL)技术近些年受到诸多关注。

滚动轴承被称为“工业的关节”，是旋转机械设备的关键零件，其性能与质量直接影响了机械设备的安全性与可靠性。因此，准确、及时地预测轴承的剩余使用寿命对工业生产安全而言具有重大研究意义。通过安装在机械设备内部的传感器实时采集数据，并提取反映轴承退化信息的特征，对于实现精确的RUL预测至关重要。特征提取是实现基于数据驱动的轴承RUL预测的前提，目的是提取出符合轴承退化趋势的特征用于表征退化过程。传统的特征提取方法是计算原始振动信号的统计特征，包括均方根、峭度、峰峰值等。近年来，深度学习凭借其出色的非线性映射能力在滚动轴承特征提取领域得到广泛应用。但是时间卷积网络、深度信念网络等深度学习方法往往需要大量标签数据进行有监督微调，标签数据的缺乏与难以获取严重制约了运用深度学习方法提取特征，而传统统计特征在单调性与趋势性上相比于轴承退化趋势往往不尽人意。因此，本发明提出一种适用于轴承剩余使用寿命预测的特征提取优化方法，通过对传统特征采用累积变换的方式优化其单调性与趋势性，使其在表征轴承退化过程中有更好的表现。

发明内容

本发明的目的在于采用一种适用于轴承剩余使用寿命预测的特征提取优化方法，通过将提取的特征变换为相应的累积形式，达到优化特征单调性与趋势性的效果，具有提高特征表征轴承退化过程能力的意义。

本发明的目的可通过以下的技术步骤来实现：

一种适用于轴承剩余使用寿命预测的特征提取优化方法，分以下步骤：

1)首先对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪，包在消除异常的噪声信号的同时保留有用的退化信息；

2)在经过步骤1)信号去噪处理后得到的重构信号上，计算出常用的轴承RUL预测统计特征，包括峰峰值、标准差、均方根、三角特征等；

3)利用Savitzky-Golay滤波器对步骤2)所得的统计特征进行平滑处理，以减少提取特征的波动和进一步滤除不需要的噪声；

4)对步骤3)平滑处理后的统计特征进行累积变换，具体计算公式如下：

式中，c_mn表示第m个特征y_m ⁽ⁱ⁾在n个样本中的累积变换结果。

5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征。单调性公式计算方法如下：

式中：n表示总观测值。趋势性公式计算方法如下：

式中：x_i和y_i分别代表时间和特征的值，N为时间序列的长度。

本发明采用了一种有效的特征变换方法，即将提取的特征变换为相应的累积形式，通过累积函数对时间序列逐点执行累加操作和缩放操作，使用累积特征来表征退化的趋势。试验验证部分采用了2012年IEEE PHM预测挑战赛中的滚动轴承监测数据，通过对比各特征在累积变换前后的单调性、趋势性变化，得出本发明提出的特征提取优化方法可以提高特征的单调性和趋势性，有利于轴承剩余使用寿命的准确预测。

附图说明

图1为本发明提供的一种适用于轴承剩余使用寿命预测的特征提取优化方法的流程图；

图2为本发明提供的三角特征与传统特征对比图；

图3(a)为本发明提供的轴承偏度特征对比图；

图3(b)为本发明提供的轴承偏度特征累积值对比图；

图3(c)为本发明提供的轴承上边界特征对比图；

图3(d)为本发明提供的轴承上边界累积值特征对比图。

具体实施方式

以下结合附图和实施例对本发明技术方案展开完整详细的说明。

如图1所示，本发明提供一种适用于轴承剩余使用寿命预测的特征提取优化方法，包括以下步骤：

1)首先对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪，包在消除异常的噪声信号的同时保留有用的退化信息；

2)在经过步骤1)信号去噪处理后得到的重构信号上，计算出常用的轴承RUL预测统计特征，包括峰峰值、标准差、均方根、三角特征等；

3)利用Savitzky-Golay滤波器对步骤2)所得的统计特征进行平滑处理，以减少提取特征的波动和进一步滤除不需要的噪声；

4)对步骤3)平滑处理后的统计特征进行累积变换，具体计算公式如下：

式中，c_mn表示第m个特征y_m ⁽ⁱ⁾在n个样本中的累积变换结果。

5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征。单调性公式计算方法如下：

式中：n表示总观测值。趋势性公式计算方法如下：

式中：x_i和y_i分别代表时间和特征的值，N为时间序列的长度。

进一步的优化方案，所述步骤1)的离散小波变换采用多贝西四阶小波(db4)为母小波，分解层数为4层，细节分量阈值处理中采用软阈值函数和最大最小阈值，最后通过小波重构得到去噪后的信号。

进一步的优化方案，所述步骤2)中的统计特征详见表1所示。

表1特征和相应的计算公式

进一步的优化方案，步骤3)中的Savitzky-Golay滤波器基于线性最小二乘法，通过采用低次多项式拟合相邻数据点的连续子集的方式实现平滑过程。

为了方便观察本发明提供的三角特征与传统特征之间的差异，选取反双曲正弦标准差、反正切值标准差两种三角特征和上边界、峰值两种传统特征为例进行对比。从图2可以看出，传统的统计特征表现出较低的单调性与趋势性，这不利于RUL预测模型学习轴承的退化趋势，同时较高的尺度也不利于预测模型的训练过程。而结合了标准差与三角函数的三角特征(提取方案见表1)具有更高的单调性与趋势性以及更低的尺度，有利于预测模型的训练过程。

传统的统计特征往往无法很好地表征轴承的退化趋势，如图3的(a)和(c)所示，仅经过步骤3)平滑处理后的特征单调性与趋势性各不相同，单调性较差。而从图3的(b)和(d)不难看出，累积变换后的特征表现出了更好的单调性与趋势性，说明采用的累积变换对于传统的统计特征的趋势性与单调性具有很好的优化作用。

进一步的优化方案，为了全面地说明累积变换的优势与必要性，采用步骤5)中的衡量特征单调性和趋势性的公式量化计算每种统计特征累积变化前后的单调性与趋势性，表2显示了统计特征累积变化前后的单调性与趋势性平均值，从表中可以看出，累积变化对本发明选取的统计特征的单调性与趋势性具有非常明显的改进作用。由于在滚动轴承RUL预测中，特征的单调性与趋势性越好，越能表征轴承的退化趋势，RUL预测的精度就越高。基于以上要求，舍弃经过累积变换后单调性和趋势性仍然较差的平均绝对值，保留剩余12个累积变换后的统计特征。

表2累积变换前后比较

综上所述，本发明提出一种适用于轴承剩余使用寿命预测的特征提取优化方法。首先，采用离散小波变换对滚动轴承原始振动信号进行信号去噪；其次，从去噪后的信号中提取统计特征；再次，利用Savitzky-Golay滤波器对统计特征进行平滑处理；然后，采用累积变换对统计特征进行改进，从而优化特征的单调性与趋势性；最后，筛选出单调性与趋势性效果显著的统计特征。本发明提出的适用于轴承剩余使用寿命预测的特征提取优化方法可解释性更强，优化后的特征有利于提高轴承剩余使用寿命的预测精度。该特征提取优化方法不仅能处理轴承的振动信号，还可以应用到其他机械设备关键零部件，具有良好的可扩展性。

Claims (1)

1.一种适用于轴承剩余寿命预测的特征提取优化方法，其特征在于，包括以下步骤：

1)首先对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪，包在消除异常的噪声信号的同时保留有用的退化信息；

2)在经过步骤1)信号去噪处理后得到的重构信号上，计算出常用的轴承RUL预测统计特征，包括峰峰值、标准差、均方根、三角特征；

3)利用Savitzky-Golay滤波器对步骤2)所得的统计特征进行平滑处理，以减少提取特征的波动和进一步滤除不需要的噪声；

4)对步骤3)平滑处理后的统计特征进行累积变换，具体计算公式如下：

式中，c_mn表示第m个特征y_m(i)在n个样本中的累积变换结果，

5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征，单调性公式计算方法如下：

式中：n表示总观测值，趋势性公式计算方法如下：

式中：x_i和y_i分别代表时间和特征的值，N为时间序列的长度。

Images