[發(fā)明專(zhuān)利]一種基于鯨魚(yú)算法優(yōu)化的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010364838.4
• 申請(qǐng)日: 2020-04-30
• 公開(kāi)（公告）號(hào): CN111428318A
• 公開(kāi)（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 廖愛(ài)華;范強(qiáng)飛;丁亞琦;周炯;余佑民
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海工程技術(shù)大學(xué)
• 主分類(lèi)號(hào): G06F30/17
• 分類(lèi)號(hào): G06F30/17;G06F30/20;G01M13/045;G06N3/00
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 楊宏泰

本發(fā)明涉及一種基于鯨魚(yú)算法優(yōu)化的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)方法，包括以下步驟：S1：通過(guò)滾動(dòng)軸承的振動(dòng)信號(hào)，獲取退化特征指標(biāo)作為訓(xùn)練樣本；S2：利用退化特征指標(biāo)，基于鯨魚(yú)算法優(yōu)化多核組合相關(guān)向量機(jī)模型，得到WOA?MKRVM模型；S3：將訓(xùn)練樣本輸入WOA?MKRVM模型進(jìn)行模型訓(xùn)練，得到預(yù)測(cè)模型；S4：采集滾動(dòng)軸承振動(dòng)信號(hào)，利用預(yù)測(cè)模型進(jìn)行滾動(dòng)軸承的退化趨勢(shì)預(yù)測(cè)。與現(xiàn)有技術(shù)相比，本發(fā)明能夠避免單一核函數(shù)RVM的局限，也避免核參數(shù)對(duì)RVM預(yù)測(cè)精度的影響，具有提高模型的預(yù)測(cè)精度和魯棒性、預(yù)測(cè)結(jié)果與真實(shí)值差異小、應(yīng)用效果較好等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)技術(shù)領(lǐng)域，尤其是涉及一種基于鯨魚(yú)算法優(yōu)化的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)方法。

背景技術(shù)

滾動(dòng)軸承在旋轉(zhuǎn)機(jī)械中廣泛應(yīng)用，是機(jī)械設(shè)備的關(guān)鍵部件之一，其性能的退化直接影響設(shè)備的運(yùn)行安全。由于滾動(dòng)軸承經(jīng)常在高速重載的惡劣環(huán)境下工作，磨損，疲勞點(diǎn)蝕等故障時(shí)有發(fā)生，一旦軸承出現(xiàn)故障，勢(shì)必會(huì)對(duì)設(shè)備的安全運(yùn)行造成嚴(yán)重威脅，輕則引起設(shè)備停機(jī)的生產(chǎn)事故，重則導(dǎo)致機(jī)毀人亡的重大災(zāi)難，如果能夠盡早預(yù)測(cè)出滾動(dòng)軸承性能退化的趨勢(shì)，在軸承失效前對(duì)其進(jìn)行維修或者更換，對(duì)保障設(shè)備的安全運(yùn)行具有重大意義。

采用有效的預(yù)測(cè)方法及建立合適的預(yù)測(cè)模型是滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)需要解決的關(guān)鍵問(wèn)題，由于各滾動(dòng)軸承的有效壽命差異極大，傳統(tǒng)的定期維修策略不僅費(fèi)時(shí)費(fèi)力，而且可靠性不高，無(wú)法滿(mǎn)足工程的實(shí)際需求。預(yù)防性維修策略可以對(duì)滾動(dòng)軸承的健康狀況進(jìn)行準(zhǔn)確評(píng)估，并對(duì)其退化趨勢(shì)進(jìn)行有效預(yù)測(cè)，保證在最小的維修成本下實(shí)現(xiàn)最大化的生產(chǎn)效率，因此越來(lái)越受到人們的關(guān)注。對(duì)滾動(dòng)軸承的性能退化趨勢(shì)進(jìn)行有效預(yù)測(cè)可為維修決策提供關(guān)鍵依據(jù)，是預(yù)防性維修的基礎(chǔ)和前提。

退化趨勢(shì)預(yù)測(cè)的兩個(gè)關(guān)鍵技術(shù)環(huán)節(jié)就是退化特征指標(biāo)提取和性能退化趨勢(shì)預(yù)測(cè)：

(1)退化特征指標(biāo)提取是從軸承的振動(dòng)信號(hào)中提取出包含故障信息的特征指標(biāo)，對(duì)軸承的健康狀況進(jìn)行評(píng)估。常用的特征指標(biāo)有RMS、峰值、峭度、波形指標(biāo)以及小波包能量指標(biāo)等。這些特征指標(biāo)往往對(duì)故障的某個(gè)階段較為敏感，例如RMS只在故障嚴(yán)重階段才會(huì)呈現(xiàn)出明顯的變化趨勢(shì)，而峭度和波形指標(biāo)在故障初期波動(dòng)較大，隨著故障的發(fā)展會(huì)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(wú)法對(duì)軸承的健康狀況進(jìn)行全面描述。

(2)性能退化趨勢(shì)預(yù)測(cè)是采用已知數(shù)據(jù)序列訓(xùn)練預(yù)測(cè)模型，對(duì)其參數(shù)進(jìn)行迭代更新，使其能夠包含指標(biāo)的趨勢(shì)信息，然后對(duì)退化趨勢(shì)進(jìn)行預(yù)測(cè)。

相關(guān)向量機(jī)(Relevance Vector Machine，RVM)在處理小樣本和非線(xiàn)性問(wèn)題方面具有泛化能力好、預(yù)測(cè)精度高和魯棒性強(qiáng)，且其核函數(shù)的選擇無(wú)需考慮Mercer條件的優(yōu)點(diǎn)，在趨勢(shì)預(yù)測(cè)領(lǐng)域得到一定的應(yīng)用，但是目前預(yù)測(cè)模型訓(xùn)練時(shí)初始參數(shù)由人為設(shè)定，無(wú)法滿(mǎn)足工程應(yīng)用需求，且造成核參數(shù)選擇盲目等問(wèn)題，對(duì)預(yù)測(cè)精度造成一定的影響。

RVM是運(yùn)用核映射實(shí)現(xiàn)高維特征空間中的非線(xiàn)性變換，核函數(shù)是實(shí)現(xiàn)核映射的關(guān)鍵，也是決定RVM預(yù)測(cè)精度的重要因素之一。線(xiàn)性核、RBF核及多項(xiàng)式核是在機(jī)械故障診斷與預(yù)測(cè)中常用的核函數(shù)，基于線(xiàn)性核的RVM預(yù)測(cè)模型參數(shù)少，計(jì)算復(fù)雜度低，但主要適用于線(xiàn)性可分的情形。RBF核具有相對(duì)較寬的收斂域，在高維數(shù)、小樣本情況下表現(xiàn)較好，且RBF核為局部性強(qiáng)的核函數(shù)，具有良好的學(xué)習(xí)能力，但其學(xué)習(xí)能力一般隨核寬度的增大而減小。多項(xiàng)式核屬于全局核函數(shù)，具有較強(qiáng)的泛化能力但學(xué)習(xí)能力相對(duì)較弱。

又因核函數(shù)是影響RVM預(yù)測(cè)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(shù)，這增加了預(yù)測(cè)精度對(duì)參數(shù)的依賴(lài)。由于每個(gè)核函數(shù)對(duì)不同的數(shù)據(jù)預(yù)測(cè)敏感度也不相同，因此選用單一的核函數(shù)所建立的預(yù)測(cè)模型，精度較低且魯棒性也較弱。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種預(yù)測(cè)精度和魯棒性、預(yù)測(cè)結(jié)果與真實(shí)值差異小提高預(yù)測(cè)精度、降低預(yù)測(cè)誤差的基于鯨魚(yú)算法優(yōu)化的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)方法。