[發(fā)明專利]一種小樣本裝備故障在線預測方法

在審

• 申請?zhí)枺?/td>: 202310356001.9
• 申請日: 2023-04-06
• 公開（公告）號: CN116383608A
• 公開（公告）日: 2023-07-04
• 發(fā)明（設計）人: 張保山;郭基聯(lián);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

本發(fā)明公開了一種小樣本裝備故障在線預測方法，包括如下預測步驟：S1、數(shù)據(jù)處理：通過WTD降噪算法中的閾值函數(shù)優(yōu)化以及引入BIC評估分解層數(shù)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，本發(fā)明通過提出小樣本裝備故障在線預測模型，并通過滾動軸承生命周期振動數(shù)據(jù)驗證了本模型的有效性和可靠性，BIC能夠準確找出WTD算法的最佳分解層數(shù)，為改進WTD模型參數(shù)設置提供依據(jù)，改進WTD算法降噪效果優(yōu)異，保證了故障數(shù)據(jù)的可靠性，MD改進的MEST算法和雙重CSFI算法能有效將故障信號轉化為故障程度指標，為后續(xù)故障預測提供了高質量的數(shù)據(jù)保障。

技術領域

本發(fā)明涉及裝備故障預測技術領域，具體為一種小樣本裝備故障在線預測方法。

背景技術

故障預測技術能夠立足于故障機理分析，假定故障發(fā)生模式，利用歷史退化數(shù)據(jù)，深度挖掘潛在故障信息，構建基于物理或數(shù)據(jù)驅動的預測模型，實現(xiàn)對故障程度的預測，是裝備健康狀態(tài)判斷，剩余使用壽命分析，以及基于狀態(tài)維修的基礎，裝備退化呈現(xiàn)較大差異，前期故障難以提取特征，后期故障難以反應當前裝備健康狀態(tài)，較近時刻故障數(shù)據(jù)的量又難以滿足擬合精度的需求，增加了故障預測的難度，小樣本、快收斂、高精度的故障在線預測技術已成為故障預測領域研究的熱點；

但是當前的故障預測技術的適應能力差，對故障復雜性高、樣本數(shù)據(jù)量少、預測時效性強的裝備的故障預測效果差。

發(fā)明內容

本發(fā)明提供一種小樣本裝備故障在線預測方法，可以有效解決上述背景技術中提出當前的故障預測技術的適應能力差，對故障復雜性高、樣本數(shù)據(jù)量少、預測時效性強的裝備的故障預測效果差的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種小樣本裝備故障在線預測方法，包括如下預測步驟：

S1、數(shù)據(jù)處理：通過WTD降噪算法中的閾值函數(shù)優(yōu)化以及引入BIC評估分解層數(shù)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(tǒng)或裝備的非參數(shù)模型，通過對觀測向量與歷史記憶矩陣的最優(yōu)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(tǒng)計性分析方法，消除數(shù)據(jù)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(tài)截取時間序列數(shù)據(jù)，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(shù)據(jù)處理分析：通過預設BIC對不同分解層數(shù)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(shù)作為改進MEST的觀測變量，設置采樣頻率、健康狀態(tài)和退化狀態(tài)進行故障程度的識別分析，采用雙重CSFI處理數(shù)據(jù)，消除曲線中導數(shù)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(shù)、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(jù)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(shù)；

為預估小波系數(shù)；

j為分解尺度，且1≤j≤J，J為最大尺度；