[發(fā)明專利]基于集成GMDH框架的旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910630036.0
• 申請(qǐng)日: 2019-07-12
• 公開(kāi)（公告）號(hào): CN110555230B
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 辛格;程強(qiáng);秦勇;賈利民;王豫澤;張順捷;趙雪軍;程曉卿;王莉
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06F30/17
• 分類號(hào): G06F30/17;G06F30/20;G06N3/08;G06N3/04;G06F119/04
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 鄒芳德

1.一種基于集成GMDH框架的旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測(cè)方法，其特征在于，主要包括以下步驟：

S1.選取多個(gè)同一種類旋轉(zhuǎn)機(jī)械，分別采集從正常運(yùn)行到故障失效過(guò)程中的多個(gè)傳感器數(shù)據(jù)，構(gòu)造歷史數(shù)據(jù)集{X，Y}，其中X為M×N矩陣，每行x_t∈R^N為t時(shí)刻N(yùn)個(gè)傳感器的讀數(shù)，M為不同時(shí)間采集的樣本總數(shù)，Y為M×1向量，每行y_t∈R為t時(shí)刻設(shè)備真實(shí)剩余壽命，通過(guò)數(shù)據(jù)處理得到訓(xùn)練數(shù)據(jù)集W；具體包括：

S11，對(duì)無(wú)效特征的識(shí)別方法為找出每個(gè)傳感器測(cè)量值序列的最大值和最小值，判斷它們是否相等，若它們相等，則該傳感器的數(shù)據(jù)對(duì)訓(xùn)練過(guò)程不提供有效信息，為無(wú)效特征，將其剔除；

S12，將傳感器測(cè)量值歸一化，即具有零均值和單位方差：

其中，x_j為矩陣X的第j列，是第j個(gè)傳感器測(cè)量值的時(shí)間序列，mean(x_j)和std(x_j)分別是序列x_j的均值和標(biāo)準(zhǔn)差，是歸一化后的傳感器測(cè)量值；

S13，以某一恒定的剩余壽命值對(duì)響應(yīng)Y進(jìn)行裁剪，使用的目標(biāo)剩余壽命函數(shù)為分段線性退化模型，當(dāng)系統(tǒng)相對(duì)較新時(shí)，將RUL建模為常數(shù)值，隨著時(shí)間的推移它會(huì)線性降低；

S2.將訓(xùn)練數(shù)據(jù)集W進(jìn)行有效劃分，分別用于構(gòu)建三個(gè)具有差異性的GMDH預(yù)測(cè)網(wǎng)絡(luò)；

S3.將歷史數(shù)據(jù)集的所有x_t同時(shí)輸入三個(gè)GMDH網(wǎng)絡(luò)，得到的三個(gè)預(yù)測(cè)值組合成一個(gè)向量作為三層BP神經(jīng)網(wǎng)絡(luò)的輸入，y_t作為BP神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到一個(gè)由三個(gè)GMDH網(wǎng)絡(luò)和一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)組合而成的集成GMDH框架；

S4.利用所述集成GMDH框架對(duì)旋轉(zhuǎn)機(jī)械剩余壽命進(jìn)行預(yù)測(cè)，計(jì)算并輸出剩余壽命預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的基于集成GMDH框架的旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測(cè)方法，其特征在于，所述S2具體步驟如下：

S21.將訓(xùn)練數(shù)據(jù)集W平均劃分為3部分T_a，T_b和T_c，W＝T_a∪T_b∪T_c；

S22.其中一部分作為選擇集合，另外兩部分作為構(gòu)造集合，分別構(gòu)建3個(gè)GMDH預(yù)測(cè)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的基于集成GMDH框架的旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測(cè)方法，其特征在于，

所述S22中單個(gè)GMDH網(wǎng)絡(luò)的構(gòu)造過(guò)程如下：

S221，對(duì)輸入變量進(jìn)行兩兩組合產(chǎn)生k個(gè)中間模型，參考函數(shù)采用如下形式：

式中，i≠j，i,j＝1,2,…,m，系數(shù)A、B、C、D、E、F由構(gòu)造集合的數(shù)據(jù)根據(jù)最小二乘法估計(jì)；

S222，用選擇集合的數(shù)據(jù)按選定的外準(zhǔn)則對(duì)得到的所有中間模型進(jìn)行評(píng)估，這里采用均方根誤差判據(jù)：

其中，y_i與分別為第i個(gè)數(shù)據(jù)點(diǎn)的真實(shí)剩余壽命值和預(yù)測(cè)剩余壽命值，n_s為選擇集合中的樣本數(shù)；在所得到的k個(gè)中間模型中篩選留下r_k值最小的m₁個(gè)，其輸出作為下一層的輸入，并記下該下一層最小的r_k值，記為R_min，m₁取輸入變量個(gè)數(shù)；

S223，重復(fù)S221和S222，求出R_min，如果產(chǎn)生的R_min比上一次產(chǎn)生的R_min小，再重復(fù)S221和S222的過(guò)程，直到產(chǎn)生的R_min比上一次產(chǎn)生的要大，停止迭代；

S224，根據(jù)最優(yōu)復(fù)雜度原理找到最優(yōu)復(fù)雜度模型，即將上一層中R_min值最小的中間模型作為輸出單元，然后將與輸出單元相關(guān)的下層中間模型逐層連接，以完成GMDH網(wǎng)絡(luò)的建立。

4.根據(jù)權(quán)利要求1所述的基于集成GMDH框架的旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測(cè)方法，其特征在于，所述S3中三層BP神經(jīng)網(wǎng)絡(luò)的隱層中神經(jīng)元都使用tanh激活函數(shù)，輸出層有1個(gè)神經(jīng)元并使用整流線性單元激活函數(shù)；訓(xùn)練BP網(wǎng)絡(luò)時(shí)采用的成本函數(shù)為均方誤差：

其中，M是訓(xùn)練數(shù)據(jù)集的總數(shù)，y_i與分別為第i個(gè)數(shù)據(jù)點(diǎn)的真實(shí)剩余壽命值和預(yù)測(cè)剩余壽命值。