[發明專利]一種自適應多核組合相關向量機的滾動軸承壽命預測模型

有效

• 申請號: 201510035488.6
• 申請日: 2015-01-22
• 公開（公告）號: CN104598736B
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 雷亞國;林京;陳吳;李乃鵬
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 西安智大知識產權代理事務所61215
• 代理人: 賀建斌

技術領域

本發明涉及滾動軸承的運行狀態、壽命預測技術領域，具體涉及一種自適應多核組合相關向量機的滾動軸承壽命預測模型。

背景技術

滾動軸承廣泛應用于旋轉機械等設備中，其健康狀況直接關系到機械設備的安全運行。由于滾動軸承常處于高速重載等惡劣環境下工作，易出現故障甚至失效。滾動軸承一旦出現故障或者失效，勢必會對機械設備的安全服役構成嚴重威脅，輕則造成機械設備停機的生產事故，重則導致機毀人亡的重大災難。由于各滾動軸承的有效壽命差異非常大，傳統的定期維修策略不僅費時費力，而且可靠性不高，無法滿足工程的實際需求。取而代之的，是一種新型的維修體系—智能診斷與預知維修系統，它可準確地評估出滾動軸承的運行狀態，預測出剩余壽命，以提高設備運行效率。人工智能預測方法是實現智能診斷與預知維修的基礎，相關向量機(Relevance Vector Machine，RVM)是目前的廣泛運用的人工智能預測方法之一。

相關向量機是Michael E.Tipping提出的一種建立在貝葉斯框架下訓練的稀疏概率模型，由于其相對于支持向量機來說具有相關向量少、核函數無須滿足Mercer定理、無需設定懲罰因子C、提供概率輸出等優點，因此被廣泛關注。但是目前的相關向量機核函數選擇主要憑借經驗，且多采用單一核函數，這導致相關向量機模型的預測精度對參數的依賴性大大增加。同樣，由于不同單一核函具有不同特性，對不同趨勢數據的敏感性不同，因此，運用單一核函數建立的單一核函數相關向量機模型預測精度穩定性低、魯棒性不強。即使在少數的組合核函數研究中，也存在缺點，即人為選擇兩個核函數進行組合，不能自動選擇組合核函數數量，融合的核函數性能有限。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提供一種自適應多核組合相關向量機的滾動軸承壽命預測模型，提高預測的穩定性和預測精度，增強模型的魯棒性。

為了達到上述目的，本發明采取的技術方案為：

一種自適應多核組合相關向量機的滾動軸承壽命預測模型，包括以下步驟：

1)利用加速度傳感器采集滾動軸承運行原始信號；

2)從原始信號中提取特征指標并進行預處理；

3)依據特征指標的趨勢特性，初步選擇或構建m個單一核函數，形成單一核函數集，用于構建組合核函數；

4)運用粒子濾波產生組合核函數權重粒子，形成組合核函數權重矩陣其中每一個組合核函數權重向量w_i：

式中，為第i個組合核函數中第j個單一核函數的權重，然后將每一個組合核函數權重向量w_i歸一化：

將歸一化后的組合核函數權重矩陣和和單一核函數集相乘，得到組合核函數集：

式中，K_i,i＝1,2,…,n為第i個組合核函數核矩陣，K^j,j＝1,2,…,m為單一核函數核矩陣；

5)運用組合核函數集建立多核組合相關向量機模型集，并使用訓練集數據訓練各個模型，每一組合核函數相關向量模型即為一個模型粒子，每個模型粒子初始權值均為為第1次遞推時第i個多核組合相關向量機模型的權值；

6)使用訓練好多核組合相關向量機模型集中每一模型分別對訓練集中的每一個點進行迭代預測，獲取第h(h＝1,2,……,H)次遞推時的預測值向量：

7)依據第h次遞推時的迭代預測值向量和真實值y_h，使用概率密度函數更新每個多核組合相關向量機模型的權值然后進行歸一化：

8)根據步驟7)獲得歸一化后的模型粒子權值大小，對所有模型粒子進行重采樣，保留權值較大的模型粒子；當遞推次數h小于H之時，H為訓練樣本長度，h＝h+1，返回步驟6)，直至h＝H，則進行下一步；

9)經過不斷地遞推預測、更新模型粒子權值、重采樣模型粒子，模型粒子種類數目不斷減少，若最后只剩下一個模型粒子，即為篩選出來的最優多核組合相關向量機模型，若最后剩余模型粒子超過一個，則選擇權值最大的為最優組合函數相關向量機模型；

10)使用篩選出來的最優多核組合相關向量機模型進行預測，然后將預測的結果和真實值進行比較，做出預測效果評估。

所述的步驟7)中的權值更新公式為：