[發(fā)明專利]基于支持向量機模型的小樣本機械剩余壽命預測方法

在審

• 申請?zhí)枺?/td>: 202110783436.2
• 申請日: 2021-07-12
• 公開（公告）號: CN113408076A
• 公開（公告）日: 2021-09-17
• 發(fā)明（設計）人: 黃賢振;王樹鳳;李禹雄;丁鵬飛
• 申請（專利權）人: 揚州力創(chuàng)機床有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06K9/62;G06N3/00;G06N20/10;G06F111/06;G06F111/08;G06F119/02
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 任利國

本發(fā)明涉及一種基于支持向量機模型的小樣本機械剩余壽命預測方法，包括如下步驟：從機械產(chǎn)品的運行信號數(shù)據(jù)中選取若干趨勢明顯的測量變量作為描述機械退化過程的特征量，得到各特征量的特征值；對特征值進行預處理：采用巴特沃斯濾波器算法對每個機械退化過程的特征量進行平滑處理；通過歸一化方法使特征值映射到相同的范圍內(nèi)；將現(xiàn)有數(shù)據(jù)中各個時間點的機械剩余壽命轉化為剩余壽命占全壽命的比例，使其歸一化到[0，1]的范圍內(nèi)；劃分多個訓練集和驗證集的組合，每一種組合對應一個支持向量機模型；訓練各支持向量機模型；采用各支持向量機模型進行在線剩余壽命預測。本方法充分利用有限的機械運行數(shù)據(jù)，可實現(xiàn)機械剩余壽命的精確預測。

技術領域

本發(fā)明涉及一種基于支持向量機模型的小樣本機械剩余壽命預測方法，屬于機械產(chǎn)品剩余壽命預測領域。

背景技術

現(xiàn)有技術中機械的剩余壽命定義為機械從當前時間點直至其完全失效所經(jīng)歷的時間長度。剩余壽命預測是故障診斷與健康管理(Prognostics and Health Management，PHM)中的重要環(huán)節(jié)。準確的剩余壽命預測能夠給機械的維修和替換提供有效的建議和方案，從而大幅提高系統(tǒng)的可靠性和穩(wěn)定性。

基于數(shù)據(jù)驅動的機械剩余壽命預測方法是當前研究的主流。數(shù)據(jù)驅動方法采用機器學習算法，建立監(jiān)測數(shù)據(jù)與機械剩余壽命的映射關系。常見的方法包括人工神經(jīng)網(wǎng)絡(Artificial neural network，ANN)，神經(jīng)模糊系統(tǒng)(Neural-fuzzy system，NF system)和深度學習(Deep learning，DL)等等。但當前的機械學習算法需要大量優(yōu)質樣本點對模型進行訓練，當樣本數(shù)量較少或樣本整體質量較差時，最終的預測結果誤差較大。工程實際中，機械從正常運轉到完全失效往往要經(jīng)歷數(shù)天甚至數(shù)月之久，因此獲得全壽命的機械運行信號數(shù)據(jù)采集往往花費高昂。此外，環(huán)境噪聲及機械的制造誤差會給觀測信號帶來大量干擾，降低數(shù)據(jù)的質量。支持向量機(Support vector machine，SVM)是一種當前適用于小樣本條件的機器學習算法，在機械剩余壽命中有著一定程度的應用。

其不足之處在于：由于模型參數(shù)的選擇不當以及不同元件信號的差異性較大，基于SVM的預測方法會產(chǎn)生過擬合和欠擬合問題，降低預測準確度。

發(fā)明內(nèi)容

本發(fā)明的目的在于，克服現(xiàn)有技術中存在的問題，提供一種基于支持向量機模型的小樣本機械剩余壽命預測方法，充分利用有限的機械運行數(shù)據(jù)，建立多個SVM模型，并通過優(yōu)化算法計算最優(yōu)模型參數(shù)，引入權值自動更新算法分配模型比重，從而實現(xiàn)機械剩余壽命的精確預測。

為解決以上技術問題，本發(fā)明的一種基于支持向量機模型的小樣本機械剩余壽命預測方法，包括如下步驟：

步驟1、分析機械產(chǎn)品的運行信號數(shù)據(jù)，從中選取若干趨勢明顯的測量變量作為描述機械退化過程的特征量，得到各特征量的特征值；

步驟2、對選中的特征值進行預處理：采用巴特沃斯濾波器算法對每個機械退化過程的特征量進行平滑處理，降低隨機噪聲；通過歸一化方法使特征量的特征值映射到相同的范圍內(nèi)，便于對支持向量機模型進行訓練；

步驟3、將現(xiàn)有數(shù)據(jù)中各個時間點的機械剩余壽命轉化為剩余壽命占全壽命的比例，使其歸一化到[0，1]的范圍內(nèi)；

步驟4、根據(jù)現(xiàn)有數(shù)據(jù)的規(guī)模和特征，劃分多個訓練集和驗證集的組合，每一種組合對應一個支持向量機模型；

步驟5、訓練各支持向量機模型；

步驟6、采用各支持向量機模型進行在線剩余壽命預測。

作為本發(fā)明的優(yōu)選方案，步驟2中所述的采用巴特沃斯濾波器算法對每個機械退化過程的特征量進行平滑處理的具體過程為：將原有的特征量進行濾波化處理，公式如下：