[發明專利]一種基于鯨魚算法優化的滾動軸承退化趨勢預測方法

在審

• 申請號: 202010364838.4
• 申請日: 2020-04-30
• 公開（公告）號: CN111428318A
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 廖愛華;范強飛;丁亞琦;周炯;余佑民
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/20;G01M13/045;G06N3/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 楊宏泰

本發明涉及一種基于鯨魚算法優化的滾動軸承退化趨勢預測方法，包括以下步驟：S1：通過滾動軸承的振動信號，獲取退化特征指標作為訓練樣本；S2：利用退化特征指標，基于鯨魚算法優化多核組合相關向量機模型，得到WOA?MKRVM模型；S3：將訓練樣本輸入WOA?MKRVM模型進行模型訓練，得到預測模型；S4：采集滾動軸承振動信號，利用預測模型進行滾動軸承的退化趨勢預測。與現有技術相比，本發明能夠避免單一核函數RVM的局限，也避免核參數對RVM預測精度的影響，具有提高模型的預測精度和魯棒性、預測結果與真實值差異小、應用效果較好等優點。

技術領域

本發明涉及滾動軸承退化趨勢預測技術領域，尤其是涉及一種基于鯨魚算法優化的滾動軸承退化趨勢預測方法。

背景技術

滾動軸承在旋轉機械中廣泛應用，是機械設備的關鍵部件之一，其性能的退化直接影響設備的運行安全。由于滾動軸承經常在高速重載的惡劣環境下工作，磨損，疲勞點蝕等故障時有發生，一旦軸承出現故障，勢必會對設備的安全運行造成嚴重威脅，輕則引起設備停機的生產事故，重則導致機毀人亡的重大災難，如果能夠盡早預測出滾動軸承性能退化的趨勢，在軸承失效前對其進行維修或者更換，對保障設備的安全運行具有重大意義。

采用有效的預測方法及建立合適的預測模型是滾動軸承性能退化趨勢預測需要解決的關鍵問題，由于各滾動軸承的有效壽命差異極大，傳統的定期維修策略不僅費時費力，而且可靠性不高，無法滿足工程的實際需求。預防性維修策略可以對滾動軸承的健康狀況進行準確評估，并對其退化趨勢進行有效預測，保證在最小的維修成本下實現最大化的生產效率，因此越來越受到人們的關注。對滾動軸承的性能退化趨勢進行有效預測可為維修決策提供關鍵依據，是預防性維修的基礎和前提。

退化趨勢預測的兩個關鍵技術環節就是退化特征指標提取和性能退化趨勢預測：

(1)退化特征指標提取是從軸承的振動信號中提取出包含故障信息的特征指標，對軸承的健康狀況進行評估。常用的特征指標有RMS、峰值、峭度、波形指標以及小波包能量指標等。這些特征指標往往對故障的某個階段較為敏感，例如RMS只在故障嚴重階段才會呈現出明顯的變化趨勢，而峭度和波形指標在故障初期波動較大，隨著故障的發展會逐漸趨于平緩。這些特征只能片面地反映故障的局部信息，無法對軸承的健康狀況進行全面描述。

(2)性能退化趨勢預測是采用已知數據序列訓練預測模型，對其參數進行迭代更新，使其能夠包含指標的趨勢信息，然后對退化趨勢進行預測。

相關向量機(Relevance Vector Machine，RVM)在處理小樣本和非線性問題方面具有泛化能力好、預測精度高和魯棒性強，且其核函數的選擇無需考慮Mercer條件的優點，在趨勢預測領域得到一定的應用，但是目前預測模型訓練時初始參數由人為設定，無法滿足工程應用需求，且造成核參數選擇盲目等問題，對預測精度造成一定的影響。

RVM是運用核映射實現高維特征空間中的非線性變換，核函數是實現核映射的關鍵，也是決定RVM預測精度的重要因素之一。線性核、RBF核及多項式核是在機械故障診斷與預測中常用的核函數，基于線性核的RVM預測模型參數少，計算復雜度低，但主要適用于線性可分的情形。RBF核具有相對較寬的收斂域，在高維數、小樣本情況下表現較好，且RBF核為局部性強的核函數，具有良好的學習能力，但其學習能力一般隨核寬度的增大而減小。多項式核屬于全局核函數，具有較強的泛化能力但學習能力相對較弱。

又因核函數是影響RVM預測效果的主要影響因素之一，但是目前的研究中，通常人為選擇單一核函數，這增加了預測精度對參數的依賴。由于每個核函數對不同的數據預測敏感度也不相同，因此選用單一的核函數所建立的預測模型，精度較低且魯棒性也較弱。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種預測精度和魯棒性、預測結果與真實值差異小提高預測精度、降低預測誤差的基于鯨魚算法優化的滾動軸承退化趨勢預測方法。