[發明專利]一種基于MCEA-KPCA和組合SVR的滾動軸承剩余使用壽命預測方法

有效

• 申請號: 201710144702.0
• 申請日: 2017-03-10
• 公開（公告）號: CN106769051B
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 謝金寶;王玉靜;葉立強;康守強;于春雨;柳長源
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

1.一種基于MCEA-KPCA和組合SVR的滾動軸承剩余使用壽命預測方法，其特征在于：所述方法的實現過程為：

訓練過程

步驟一、在對滾動軸承原始振動信號去除直流分量后，利用滑移平均對去除直流分量后的信號進行平滑處理，然后提取出多個特征，再對每個特征進一步進行滑移平均處理得到特征趨勢項，對其進行歸一化，構造特征矩陣；

步驟二、構建MCEA-KPCA以進行特征約簡：多評價標準有效性分析(MCEA)所用到的標準包括5個評價標準：Pearson相關系數、Fisher判別率、散度矩陣、單調性以及魯棒性，采用自適應的方法確定每個評價標準的權重，篩選出有效性總得分大于平均值的L個特征；對于選取的特征之間仍然存在相關性的問題，利用KPCA對其進行信息融合，降低特征之間的信息冗余，其具體過程為：

首先，分別計算5個評價標準的有效性得分e，即計算第k個特征趨勢項與軸承當前使用壽命和全壽命比值p的Pearson相關系數得分e_1k，第k個特征趨勢項的Fisher判別率得分e_2k、散度矩陣得分e_3k、單調性得分e_4k，再利用第k個特征的趨勢項和剩余項計算魯棒性得分e_5k，將這5個評價標準定義為C_i(i＝1，2，…，5)；e_1k至e_5k分別具有不同的數量級，對e_1k至e_5k進行0到1的歸一化；

然后，利用自適應的方法確定每個評價標準的權重ω：利用每個評價標準計算特征的有效性得分，將得分大于平均值的特征選出，并利用KPCA進行降維預測，得到該評價標準對應的平均絕對誤差MAE、平均絕對百分誤差MAPE、歸一化均方誤差NMSE和均方根誤差RMSE；這4種誤差的和可衡量C_iEA-KPCA(i＝1，2，…，5)特征約簡的效果，這里當i等于1時C₁EA-KPCA表示利用第1個評價標準，即采用Pearson相關系數特征有效性分析結合KPCA進行特征約簡，i等于其他值時以此類推；由式(3)計算第i個評價標準的權重：

式中：i＝1，2，…，5；

利用MCEA-KPCA進行特征約簡：

通過式(4)計算每個特征的有效性總得分：

式中：k＝1，2，…，K，K表示特征總數；

基于MCEA在所述特征矩陣中篩選出高于有效性總得分E_k平均值所對應的第k個特征，并記錄其在特征矩陣中所處的位置P_l(l＝1，2，…，L)，作為特征有效性分析的結果；L表示有效性總得分E_k高于平均值的特征個數；

最后，在篩選出的L個有效特征的基礎上，進一步利用KPCA對篩選出的特征進行特征信息融合，消除特征之間的冗余信息，至此完成特征約簡；

步驟三、將某滾動軸承經過步驟二處理后得到的約簡后的特征作為SVR的輸入，將p作為SVR的輸出，將MAE、MAPE、NMSE及RMSE的和作為FOA的適應度函數，對SVR模型的懲罰系數C、徑向基核函數寬度g以及不敏感誤差ε進行尋優，構建SVR模型；利用第1個滾動軸承約簡后的特征作為輸入建立SVR₁模型，利用第2個滾動軸承約簡后的特征作為輸入建立SVR₂模型，同理構建其他模型SVR₃、SVR₄……SVR_J；

步驟四、根據公式(5)求出各SVR模型的權重α_j(j＝1，2，…，J)，再由公式(6)構建CSVR預測模型，至此訓練結束；

式中：j＝1，2，…，J，J表示SVR模型的個數；

在建立SVR_j模型并求出其對應的α_j后，根據公式(6)可構建CSVR預測模型，基于此預測軸承的RUL；

測試過程：

在測試階段，對第J+1個滾動軸承采用與訓練階段相同的數據預處理、特征提取方法；將特征矩陣中處于P_l(l＝1，2，…，L)位置的L個特征篩選出來，并利用KPCA去除信息冗余，建立約簡后特征矩陣；將約簡后特征輸入到CSVR預測模型中預測p值，實現預測滾動軸承的RUL。