[發明專利]基于集成GMDH框架的旋轉機械剩余壽命預測方法

有效

• 申請號: 201910630036.0
• 申請日: 2019-07-12
• 公開（公告）號: CN110555230B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 辛格;程強;秦勇;賈利民;王豫澤;張順捷;趙雪軍;程曉卿;王莉
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/20;G06N3/08;G06N3/04;G06F119/04
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 鄒芳德

本發明公開了一種基于集成GMDH框架的旋轉機械剩余壽命預測方法，所述方法包括以下步驟：S1，采集多個同一種類旋轉機械從正常運行到故障失效過程中的多個傳感器數據，通過數據處理，得到訓練數據集合W；S2，將數據集通過不同的劃分，分別用于構建三個具有差異性的GMDH預測網絡；S3，將三個GMDH網絡在訓練樣本上的預測輸出作為三層BP神經網絡的輸入對BP神經網絡進行訓練，該BP神經網絡用于對三個GMDH網絡的預測結果進行集成；S4，利用所述集成GMDH框架對旋轉機械剩余壽命進行預測，計算并輸出剩余壽命預測值。本發明與經典的LSTM網絡和單個GMDH網絡相比，能有效提高預測精度和泛化能力，具有更大的實際指導意義。

技術領域

本發明屬于旋轉機械剩余壽命預測技術領域，具體涉及一種基于集成GMDH框架的旋轉機械剩余壽命預測方法。

背景技術

在機械工業領域中，旋轉機械設備是最常用的設備，常常工作于重載荷、高強度等惡劣工作環境，也因此容易產生各類故障而影響其正常運行，甚至中斷生產，嚴重地影響生產質量和工作效率。一旦故障發生而不能被及時發現和妥善處置，故障點可能快速蔓延，從而造成連鎖反應，使整個生產線上的成套設備都癱瘓，同時極易引發災難事故，威脅到人們的生命財產安全。因此，為了保障設備長期穩定地安全運行，實現旋轉機械設備的早期故障預報，研究旋轉機械剩余壽命預測技術顯得尤為迫切和必要。

目前常用的預測方法是基于數據驅動的預測方法，該方法主要利用機器學習算法，通過歷史數據建立系統的狀態數據與剩余壽命之間的關聯，從而預測設備的剩余壽命。基于數據驅動的預測方法主要有LSTM網絡和GMDH網絡，其中LSTM(Long Short-TermMemory，長短時記憶)網絡主要分為兩步：第一步進行特征提取，對數據進行經驗模態分解，并以分解得到的IMF能量熵之和作為機械狀態特征，第二步設計LSTM網絡的結構并進行仿真驗證，從而有效避免參數選取的難題，但是它通過調整窗口寬度等步驟具有的結構上的優勢并不能帶來綜合不同維度參數后的最優解。Ivakhnenko提出的GMDH網絡能夠根據訓練數據自組織生成擬合精度與泛化能力達到平衡的最優網絡結構，避免模型結構的過擬合與不足擬合，減少建模者主觀因素的影響。因此，GMDH模型廣泛應用于各種領域的預測，并取得了很好的預測效果。但是GMDH網絡的建模過程基于對訓練樣本的劃分，不同的樣本劃分將產生不同的模型，這些模型是在當前樣本劃分下記憶能力與泛化能力達到最優平衡的模型，但是并不能確保這些模型的全局最優性。因此，運用單一GMDH網絡建立的預測模型易陷入局部最優，泛化能力不強。

發明內容

本發明的目的是解決目前旋轉機械剩余壽命的預測方法泛化能力不強、模型適用條件單一等問題，提出了一種基于集成GMDH框架的旋轉機械剩余壽命預測方法，主要包括如下步驟：

S1.選取多個同一種類旋轉機械，分別采集從正常運行到故障失效過程中的多個傳感器數據，構造歷史數據集{X，Y}，其中X為M×N矩陣，每行x_t∈R^N為t時刻N個傳感器的讀數，M為不同時間采集的樣本總數，Y為M×1向量，每行y_t∈R為t時刻設備真實剩余壽命，通過數據處理得到訓練數據集W；

S2.將訓練數據集W進行有效劃分，分別用于構建三個具有差異性的GMDH預測網絡；

S3.將歷史數據集的所有x_t同時輸入三個GMDH網絡，得到的三個預測值組合成一個向量作為三層BP神經網絡的輸入，y_t作為BP神經網絡的輸出，對三層BP神經網絡進行訓練，得到一個由三個GMDH網絡和一個三層BP神經網絡組合而成的集成GMDH框架；

S4.利用所述集成GMDH框架對旋轉機械剩余壽命進行預測，計算并輸出剩余壽命預測值。

進一步地，所述S1中的數據處理過程如下：