[發明專利]一種小樣本裝備故障在線預測方法

在審

• 申請號: 202310356001.9
• 申請日: 2023-04-06
• 公開（公告）號: CN116383608A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 張保山;郭基聯;周峰;周章文;張明亮;李波;魏圣軍;顧金玲
• 申請（專利權）人: 中國人民解放軍空軍工程大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/20;G06F18/214;G06F18/21
• 代理公司: 北京成高專利代理事務所(普通合伙) 16047
• 代理人: 姚燕春

1.一種小樣本裝備故障在線預測方法，其特征在于：包括如下預測步驟：

S1、數據處理：通過WTD降噪算法中的閾值函數優化以及引入BIC評估分解層數對WTD復雜度的影響，提出一種改進WTD算法用于在線濾除故障信號中的噪聲；

S2、故障程度識別：通過MEST構建系統或裝備的非參數模型，通過對觀測向量與歷史記憶矩陣的最優重構估計獲得估計向量，利用估計向量和觀測向量之間的差異性來反應故障程度，并引入CSFI進行平滑處理；

S3、故障在線預測：通過TSFM非統計性分析方法，消除數據的偶然變動，并引入梯度下降在線更新平滑因子，引入自適應滑動時間窗動態截取時間序列數據，提升TSFM的擬合能力；

S4、實驗分析：驗證小樣本條件下裝備故障預測模型的有效性和可行性；

S5、數據處理分析：通過預設BIC對不同分解層數的改進WTD算法復雜性進行評估；

S6、故障程度識別分析：以改進WTD得到各小波分解系數作為改進MEST的觀測變量，設置采樣頻率、健康狀態和退化狀態進行故障程度的識別分析，采用雙重CSFI處理數據，消除曲線中導數不存在的“尖點”，得平滑后故障程度點；

S7、故障在線測試分析：預設自適應滑動時間窗、自適應平滑因子、學習因子、最大訓練迭代次數、最小允許誤差，將平滑后的軸承故障程度值輸入故障在線預測模型中，得自適應平滑因子變化趨勢、自適應滑動時間窗長度變化趨勢、預測誤差變化趨勢。

S8、預測結果總結：對在線預測模型故障預測的效果進行總結。

2.根據權利要求1所述的一種小樣本裝備故障在線預測方法，其特征在于，所述S1中，通過改進WTD算法用于在線濾除故障信號中的噪聲，其原理如下：

式中，λ為閾值；

ω_j,k為故障信號小波系數；

為預估小波系數；

j為分解尺度，且1≤j≤J，J為最大尺度；

sgn()為符號函數；

此閾值函數在小波域內具有連續性，當ω_j,k→λ^-時，當ω_j,k→λ⁺時，

閾值λ的選擇應滿足：

式中，N表示信號長度；

σ_j表示第j層高斯白噪聲標準差，其表達式為：

式中，Cd_j,k為第j層小波分解的高頻部分；

p為該尺度下小波系數的個數；

WTD認為故障信號存在于低頻部分Ad_j,k中，噪聲存在于高頻部分Cd_j,k中；

由于噪聲的振幅服從高斯分布，以最大分解層數高頻部分Cd_j,k為評估模型復雜性的數據，引入BIC對模型的復雜性進行評估：

BIC＝qln(N)-2ln(L)

式中，q為模型參數個數；

N為樣本數量；

L為服從高斯分布的最大似然函數，即：