[發(fā)明專利]平穩(wěn)子空間外源矢量自回歸的旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010010925.X
• 申請日: 2020-01-06
• 公開（公告）號: CN111291918B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計）人: 賈民平;丁鵬;趙孝禮;楊誠;佘道明;許飛云;胡建中;黃鵬
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/2135;G06F18/25
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 郭微

本發(fā)明公開了一種平穩(wěn)子空間外源矢量自回歸的旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測方法，包括步驟如下：首先，對去噪后的多通道信號進(jìn)行第一次平穩(wěn)子空間分解提取振動平穩(wěn)分量；接著提取時、頻域退化特征量并通過特征融合得到高維退化指標(biāo)向量組；再將時、頻域下高維退化指標(biāo)向量組進(jìn)行第二次平穩(wěn)子空間分解以及差分運(yùn)算提取退化指標(biāo)中的弱平穩(wěn)成分作為旋轉(zhuǎn)機(jī)械退化指標(biāo)；將退化指標(biāo)進(jìn)行平穩(wěn)性檢驗、脈沖響應(yīng)分析并確定內(nèi)源、外源變量以及模型階數(shù)，通過最大似然估計確定矢量自回歸模型參數(shù)，最后對旋轉(zhuǎn)機(jī)械進(jìn)行不同預(yù)測起始點(diǎn)下的退化趨勢估計。本發(fā)明得到的退化趨勢預(yù)測模型不僅在小樣本學(xué)習(xí)下?lián)碛辛己梅夯芰Γ矣嬎阊杆伲舍屝詮?qiáng)。

技術(shù)領(lǐng)域

本發(fā)明涉及旋轉(zhuǎn)機(jī)械設(shè)備中的退化趨勢預(yù)測技術(shù)領(lǐng)域，是一種基于平穩(wěn)子空間外源矢量自回歸的旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測方法，具體說是通過二次平穩(wěn)子空間分解以及差分運(yùn)算提取弱平穩(wěn)振動退化指標(biāo)并通過外源矢量自回歸進(jìn)行退化趨勢預(yù)測的方法。

背景技術(shù)

旋轉(zhuǎn)機(jī)械運(yùn)行中的持續(xù)老化和需求量不斷增長呼喚更加先進(jìn)的故障預(yù)測和健康管理技術(shù)，其中退化趨勢預(yù)測在裝配旋轉(zhuǎn)機(jī)械的復(fù)雜工程系統(tǒng)中起著至關(guān)重要的作用。準(zhǔn)確的退化趨勢預(yù)測方法可以預(yù)先提供機(jī)器的狀態(tài)信息和健康狀況以進(jìn)行預(yù)測性維護(hù)，從而避免突發(fā)的停機(jī)風(fēng)險以及設(shè)備故障，提高工業(yè)生產(chǎn)環(huán)節(jié)的整體收益。

為有效解決旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測問題，基于物理、力學(xué)模型的方法已被廣泛研究，但該類方法需要完善的先驗知識作為支持，而這在某些復(fù)雜的系統(tǒng)中很難滿足和發(fā)展。數(shù)據(jù)驅(qū)動解決方法作為另一種新興技術(shù)，廣泛用于鋰離子電池的故障預(yù)測和健康管理技術(shù)，大規(guī)模工業(yè)過程監(jiān)測和旋轉(zhuǎn)機(jī)械故障預(yù)測和健康管理技術(shù)中，能夠通過采樣數(shù)據(jù)直接生成退化或壽命模型無需事先知識即可靈活地對未知對象進(jìn)行建模。它提供了在復(fù)雜情況下(例如可變工作條件和系統(tǒng)級預(yù)測)進(jìn)行準(zhǔn)確預(yù)測和評估的可能性。以深度學(xué)習(xí)為首的人工智能技術(shù)近年來發(fā)展迅猛，這極大地推動了數(shù)據(jù)驅(qū)動方法在旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測領(lǐng)域中的推廣，此類技術(shù)具有出色的特征學(xué)習(xí)和表示能力，并且大多數(shù)預(yù)測任務(wù)在充裕且完整的標(biāo)記數(shù)據(jù)下表現(xiàn)良好。但是不幸的是，這種基于“學(xué)習(xí)—生成模型”的預(yù)測架構(gòu)或多或少取決于學(xué)習(xí)樣本的質(zhì)量與數(shù)量，并且預(yù)測結(jié)果受限于學(xué)習(xí)和測試數(shù)據(jù)集間的相似性。也就是說，該方法對于某些“數(shù)據(jù)不足”的高端應(yīng)用場景可能失效。盡管遷移學(xué)習(xí)技術(shù)可以在一定程度上緩解這一問題，但是缺乏可釋的建模過程和完善數(shù)學(xué)統(tǒng)計學(xué)基礎(chǔ)作為支持仍然是一個棘手的問題。

除了上述基于人工智能技術(shù)的數(shù)據(jù)驅(qū)動研究外，基于回歸分析的數(shù)據(jù)驅(qū)動預(yù)測方法在旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測領(lǐng)域也得到了廣泛研究，該類方法能夠提供完善的數(shù)學(xué)、統(tǒng)計學(xué)基礎(chǔ)，具有良好可釋性。但大多數(shù)回歸分析數(shù)據(jù)驅(qū)動預(yù)測方法內(nèi)部屬于靜態(tài)結(jié)構(gòu)，這極大限制了從時刻t到時刻t+n的外推與泛化。自回歸理論作為具有天然外推結(jié)構(gòu)與完善數(shù)學(xué)理論依據(jù)的預(yù)測、預(yù)報模型廣泛應(yīng)用于河流、地理、經(jīng)濟(jì)等領(lǐng)域建模。這類問題通常具有一定周期性且數(shù)據(jù)較平穩(wěn)，利于自回歸分析，旋轉(zhuǎn)機(jī)械退化過程包含大量非平穩(wěn)以及非線性分量，這極大阻礙了該理論在這個領(lǐng)域的應(yīng)用與推廣，同時也鮮有相關(guān)文獻(xiàn)報道出現(xiàn)。

鑒于自回歸預(yù)測、預(yù)報模型的優(yōu)點(diǎn)，及其應(yīng)用于旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測中存在的缺陷，如何處理振動非平穩(wěn)信號使其滿足自回歸理論對于弱平穩(wěn)性的要求是需要解決的問題。我們從子空間分解理論出發(fā)，對具有非平穩(wěn)、非線性的振動退化信號進(jìn)行信號處理，并通過外源矢量自回歸模型進(jìn)行退化趨勢預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于提出一種平穩(wěn)子空間外源矢量自回歸(stationarysubspaces-vector?autoregressive?with?exogenous?terms,SSVARX)的旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測方法。運(yùn)用兩次平穩(wěn)子空間分解方法以及差分運(yùn)算分別提取時域、頻域退化指標(biāo)中的弱平穩(wěn)成分作為旋轉(zhuǎn)機(jī)械退化指標(biāo)；隨后對其進(jìn)行平穩(wěn)性檢驗、脈沖響應(yīng)分析并確定內(nèi)源、外源變量以及模型階數(shù)，接著通過最大似然估計確定矢量自回歸模型參數(shù)，最后對旋轉(zhuǎn)機(jī)械進(jìn)行不同預(yù)測起始點(diǎn)下的退化趨勢估計。有效克服了目前小樣本下旋轉(zhuǎn)機(jī)械退化趨勢預(yù)測泛化能力弱、計算時間長以及“黑箱效應(yīng)”等問題，具有重要經(jīng)濟(jì)與社會價值。