[發明專利]一種基于改進型核極限學習機的軸承剩余使用壽命預測方法

在審

• 申請號: 202310407806.1
• 申請日: 2023-04-17
• 公開（公告）號: CN116432531A
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 周萌;蔡暢;王晶;王昶;史運濤;董哲;翟維楓
• 申請（專利權）人: 北方工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01M13/045;G06N20/20;G06F111/06;G06F119/02
• 代理公司: 北京深川專利代理事務所(普通合伙) 16058
• 代理人: 湯鎮宇

1.一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述軸承剩余使用壽命預測方法包括以下步驟：

S1:為充分挖掘多工況下軸承振動信號健康指標，提出了一種改進型自適應連續深度置信網絡(ACDBN)模型，實現對滾動軸承振動信號的特征提取；考慮到深度置信網絡利用二進制機制進行特征提取，更適合離散數據，然而，滾動軸承數據是連續數據，因此在深度置信網絡的基礎上引入高斯噪聲，形成連續深度置信網絡進行特征提取，但是，連續深度置信網絡在訓練過程中會出現無法穩定收斂的情況，因此，在網絡中引入自適應學習率規則，使網絡能根據訓練情況自適應調整學習率大小，形成自適應連續深度置信網絡來提高特征提取的穩定性；

S2:根據自適應連續深度置信網絡提取的深度特征，利用實時退化狀態與初始運行狀態之間的差距構建反映軸承退化狀態的健康指標以便進行后續的剩余使用壽命預測；

S3:在構造健康指標后，根據健康指標來預測軸承剩余使用壽命，用麻雀搜索算法優化核極限學習機方法進行滾動軸承的剩余使用壽命預測；核極限學習機是極限學習機的改進版本，將隱層未知的非線性特征映射用核函數表示。

2.如權利要求1所述的一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述步驟S1中，引入一種自適應機制對網絡學習速率進行調節，以實現穩定的特征提取過程。

3.如權利要求1所述的一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述步驟S1中，滾動軸承數據集利用加速度傳感器測量，即在滾動軸承的橫向和縱向安裝兩個高靈敏度加速度傳感器，分別測量滾動軸承水平方向和垂直方向的振動加速度數值；利用同一型號的滾動軸承在不同工況(不同轉速和負載)下的水平振動信號進行多工況剩余使用壽命預測。

4.如權利要求1所述的一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述步驟S3中，核函數可以增強極限學習機的泛化能力和穩定性；然而，核極限學習機中核參數和正則化系數的選擇對模型預測的精度有很大影響，所以將麻雀搜索算法與核極限學習機相結合來優化核極限學習機的核參數和正則化系數，以提高滾動軸承剩余使用壽命預測精度。

5.如權利要求1所述的一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述步驟S2中，將原始數據引入所提出的自適應連續深度置信網絡來構建健康指標；目標是從原始數據中提取所需的特征來構建健康指標；假設自適應連續深度置信網絡的輸入是一個振動信號的矩陣F∈R^v×m，每一列F_t∈R^v表示一次采樣獲得的振動信號數據。

6.如權利要求1所述的一種基于改進型核極限學習機的軸承剩余使用壽命預測方法，其特征在于：所述步驟S3中，基于構造的健康指標，用麻雀搜索算法優化核極限學習機(SSA-KELM)方法進行滾動軸承的剩余使用壽命預測；與傳統神經網絡相比，KELM方法具有非線性擬合能力和較快的學習速度；輸入為HI，輸出y＝[y₁,…,y_j,…,y_m]是RUL百分比。