[發明專利]一種基于FDA和SVDD的旋轉機械剩余壽命預測方法

有效

• 申請號: 201710524963.5
• 申請日: 2017-06-30
• 公開（公告）號: CN107300856B
• 公開（公告）日: 2020-04-17
• 發明（設計）人: 王亞萍;趙強;葛江華;許迪;匡宇麒
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

本發明公開了一種基于FDA和SVDD的旋轉機械剩余壽命預測方法，所述方法使用函數型數據分析(FDA)方法把采集到的離散數據轉化為光滑函數來解決信息量的丟失或模型估計失真等問題，使用SVDD來識別機械運行狀況以減小采集樣本的需求和提供預測的準確性，計算測試樣本的SVDD模型半徑并與全生命周期的時間半徑軌跡比較以得到預測結果。本發明有效地降低了旋轉機械剩余壽命預測所需的采集樣本時間，提高了預測的準確性。

技術領域

本發明涉及一種旋轉機械剩余壽命預測方法，尤其涉及一種基于FDA和SVDD的旋轉機械剩余壽命預測方法。

背景技術

函數型數據分析(Functional DataAnalysis，FDA)方法是統計學中的一個新興分支。函數型數據的概念最早是由加拿大學者J.O.Ramsay首次提出，指出現代精密的數據收集系統可以獲取一系列函數型的數據，觀測數據應看作是一個動態的概念，解決用傳統的數據分析方法進行研究會帶來諸如信息量的丟失或模型估計失真等問題，主要應用于生物醫學和經濟學領域，機械領域很少有涉及。

支持向量數據描述(supportvectordatadescription，SVDD)是由Tax和Duin提出的，以統計學習理論為基礎，建立一個盡量緊湊的高維區域，使得屬于該分類的樣本數據盡可能多的被包含在一個超球體中，而非該分類的樣本不被包含或盡可能少的被包含在該球體區域中，對SVDD的研究主要集中于分類識別的優化上，很少有預測方面的研究。

剩余壽命，也稱為剩余使用壽命(Remaining Useful Life，RUL)，是指己投入使用的研究對象在迄今為止服役條件下能繼續實現其預定功能的剩余時間。數據驅動類的預測方法直接以研究對象以及群體的相關歷史服役信息與在線狀態監測信息為數據來源，通過一定信號處理技術提取相關特征而進行剩余壽命的預測，現已得到越來越多的研究，但需要采集大量的樣本并且壽命預測精度有限。

發明內容

本發明的目的是提供一種基于FDA和SVDD的旋轉機械剩余壽命預測方法，該方法有效地降低了旋轉機械剩余壽命預測所需的采集樣本時間，提高了預測的準確性。

本發明的目的是通過以下技術方案實現的：

一種基于FDA和SVDD的旋轉機械剩余壽命預測方法，包括如下步驟：

(1)采集旋轉機械的運行信號，包括全生命周期和正常運行、不同故障的情況下采集到的振動和溫度信號等；

(2)將步驟(1)采集信號的離散數據通過函數型數據分析(FDA)方法轉化為光滑函數，首先選擇基函數，通過最小二乘法原則和粗糙懲罰方法得到基函數展開的系數向量和函數矩陣，綜合其誤差參數當作一個樣本點；

(3)將步驟(2)轉化得到的樣本點按照機械運行情況區分，分別建立其SVDD模型超球體并通過二次訓練對半徑進行優化；

(4)計算測試樣本到步驟(3)中不同運行情況的超球體中心的距離，比較相應超球體半徑從而識別旋轉機械的運行狀況，比較的優先級按照概率分成正常運行、單一故障、復合故障以提高識別速度；

(5)將不同運行狀況的旋轉機械的全生命周期數據按照時間節點n等分，每個時間節點上生成SVDD模型計算超球半徑，建立全生命周期的時間半徑軌跡，相應地將測試樣本生成SVDD模型計算超球半徑，根據步驟(4)的識別結果與相應運行情況的時間半徑軌跡進行比較，得到旋轉機械剩余壽命。

進一步的，步驟(5)所述的每個時間節點上的SVDD模型只由本時間節點的數據生成，測試樣本的SVDD模型只由測試樣本數據生成。

進一步的，步驟(5)所述的每個時間節點上的SVDD模型由此時間節點和之前時間節點的數據累積生成，確定測試樣本所在的時間節點區間，測試樣本的SVDD模型由測試樣本數據和測試樣本之前時間節點數據生成。