[發明專利]一種基于梯度提升方法的趨勢預測方法

有效

• 申請號: 201810746308.9
• 申請日: 2018-07-09
• 公開（公告）號: CN108984893B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 洪晟;李煌;段小川
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/20
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

本發明提供一種基于梯度提升方法的趨勢預測方法，步驟如下：一：設定梯度提升模型參數，對預測模型進行初始化；二：定期采集軸承振動信號，提取特征參數；三：對特征參數進行判斷，判斷是否有故障跡象；四：利用訓練集數據訓練梯度提升模型，通過驗證集數據對模型進行性能評估；五：調整梯度提升模型參數；六：利用預測模型進行軸承趨勢預測；通過以上步驟訓練得到的最終模型即可實現對軸承的趨勢預測，通過得到的預測結果可及時對軸承進行維護，降低因軸承損害而造成的危害，節約維修時間，提高裝備的可靠性。

技術領域：

本發明提出了一種基于梯度提升方法的趨勢預測方法，屬于趨勢預測技術領域。

背景技術：

軸承是當代機械設備中一種重要的零部件。在支撐機械軸承降低其運動過程中的摩擦的同時保證其回旋精度。在運輸車輛、艦船、動車、飛機等重要裝備中，軸承都扮演著不可替代的角色。但由于其受工作狀態、環境等的影響極易損壞導致裝備產生故障，故能夠實時監測軸承的健康狀態，準確快速地進行故障診斷與定位，預測故障和剩余壽命，為維修人員提供輔助決策支持，從而減少維護和修理的停機時間，提高復雜裝備的任務完好性和綜合保障性具有非常重要的意義。

在進行趨勢預測時，最重要的一步就是故障特征的提取。目前故障特征提取的方法主要有時域和頻域特征參數提取、基于時頻分析的能量特征參數提取和基于非線性參數的特征提取。對信號的幅域進行統計分析可以得到的參數指標有：均方根值、峰值、峰值因子、峭度、脈沖因子、裕度因子和波形因子等，這些指標對故障和缺陷足夠敏感，對信號的幅值和頻率不敏感，即與機器的運行工況無關，只依賴于信號的幅值概率密度函數，能直觀的反應出機械設備的故障特征。

從目前主流的技術和應用研究工作綜合來看，主要可以分為：基于模型的預測技術，基于數據驅動的預測技術，基于知識的預測技術。基于模型的預測技術以系統的數學模型為基礎，需建立系統的狀態方程和觀測方程；基于知識的預測技術不需要對象系統的精確數學模型，同時能夠有效表達對象系統相關領域專家的經驗知識，適用于在實際工程應用中；基于數據的預測方法基本思想就是通過對歷史數據進行學習得到一定數學模型關系，逼近對象數據中所隱含的映射機制，從而利用該數學模型進行預測。由于傳統的灰色理論、神經網絡在軸承趨勢預測方面精度表現不盡如人意，所以急需尋找一種新的方法。

發明內容：

為彌補傳統方法中的不足，本發明提出了一種基于梯度提升方法的趨勢預測方法。本發明的目的是利用梯度提升方法進行趨勢預測，可以有效的防止因零部件故障導致的裝備故障，提高裝備的可靠性。

本發明提出一種基于梯度提升方法的趨勢預測方法，該方法的具體步驟如下：

步驟一：設定梯度提升模型參數(如判定是否出現故障跡象的閥值1和判定軸承故障的閥值2以及采樣周期)，對預測模型進行初始化；

步驟二：定期采集軸承振動信號，提取特征參數；

根據設定的采樣周期采集軸承的振動信號，并對采集的信號提取特征參數；對振動信號進行特征提取常用的有量綱指標包括均方根植和峰值，無量綱指標高擴波形因子、峰值因子、脈沖因子、裕度因子、峭度指標等；

步驟三：對特征參數進行判斷，判斷是否有故障跡象；

當軸承出現故障跡象后可以適當減小采樣周期，運用梯度提升模型進行趨勢預測，繼續下一步；當軸承未出現故障跡象時可以保持當前狀態返回上一步繼續監控振動信號；

步驟四：將數據分為訓練集和驗證集，利用訓練集數據訓練梯度提升模型，通過驗證集數據對模型進行性能評估；

將計算好的均方根值進行數據預處理，將處理好的特征參數分為訓練數集和檢驗數集；

步驟五：調整梯度提升模型參數，通過不斷訓練模型，選取性能評估最優的預測模型；

步驟六：利用預測模型進行軸承趨勢預測；