滾動(dòng)軸承剩余壽命預(yù)測(cè)的加權(quán)融合相關(guān)向量機(jī)模型的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及滾動(dòng)軸承剩余壽命預(yù)測(cè)技術(shù)領(lǐng)域，具體為滾動(dòng)軸承剩余壽命預(yù)測(cè)的加 權(quán)融合相關(guān)向量機(jī)模型。
【背景技術(shù)】
[0002] 滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中的關(guān)鍵零部件，也是最易損壞的元件。滾動(dòng)軸承本身結(jié)構(gòu) 上的特點(diǎn)、制造和裝配方面的因素以及復(fù)雜的承載狀況，為軸承出現(xiàn)故障甚至失效埋下了 隱患。滾動(dòng)軸承一旦失效，勢(shì)必會(huì)對(duì)旋轉(zhuǎn)機(jī)械的安全服役構(gòu)成嚴(yán)重威脅，輕則造成設(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，所以對(duì)滾動(dòng)軸承的監(jiān)測(cè)診斷意義重大。傳統(tǒng) 的滾動(dòng)軸承定期維修方案雖然能夠有效降低事故率，但需要投入大量的人力物力對(duì)滾動(dòng)軸 承定期檢修，對(duì)有安全隱患的軸承進(jìn)行更換。工程應(yīng)用中發(fā)現(xiàn)，滾動(dòng)軸承從出現(xiàn)故障到完 全失效會(huì)經(jīng)歷一段比較長的衰退期，若采用新型的智能診斷方法，對(duì)滾動(dòng)軸承出現(xiàn)故障后 的剩余壽命進(jìn)行準(zhǔn)確預(yù)測(cè)，就可有效延長滾動(dòng)軸承的服役周期，達(dá)到節(jié)約資源，減低成本， 提高生產(chǎn)效率的目的。人工智能預(yù)測(cè)方法是實(shí)現(xiàn)智能診斷與預(yù)知維修的基礎(chǔ)，相關(guān)向量機(jī) (RelevanceVectorMachine，RVM)是目前的廣泛運(yùn)用的人工智能預(yù)測(cè)方法之一。
[0003] 相關(guān)向量機(jī)是由MichaelE.Tipping在2001年提出的基于稀疏貝葉斯理論的概 率學(xué)習(xí)方法模型。該方法模型是以支持向量機(jī)預(yù)測(cè)模型為基礎(chǔ)，并結(jié)合了馬爾科夫性質(zhì)、貝 葉斯等理論，具有高稀疏性、無需設(shè)定懲罰因子C等優(yōu)點(diǎn)。但是目前的相關(guān)向量機(jī)的選擇主 要憑借經(jīng)驗(yàn)，不同類型相關(guān)向量機(jī)具有不同的特性，反映為相關(guān)向量機(jī)預(yù)測(cè)效果的差異，具 體表現(xiàn)為單一相關(guān)向量機(jī)模型預(yù)測(cè)精度穩(wěn)定性低、魯棒性弱。在實(shí)際應(yīng)用中發(fā)現(xiàn)，不同類型 的相關(guān)向量機(jī)存在一定的互補(bǔ)關(guān)系。

【發(fā)明內(nèi)容】

[0004] 為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提出滾動(dòng)軸承剩余壽命預(yù)測(cè)的 加權(quán)融合相關(guān)向量機(jī)模型，該模型具有預(yù)測(cè)精度更高，預(yù)測(cè)穩(wěn)定性更好，魯棒性更強(qiáng)的優(yōu) 點(diǎn)。
[0005] 為了達(dá)到上述目的，本發(fā)明采取的技術(shù)方案為：
[0006] 滾動(dòng)軸承剩余壽命預(yù)測(cè)的加權(quán)融合相關(guān)向量機(jī)模型，包括以下步驟：
[0007] 1)采集滾動(dòng)軸承運(yùn)行原始振動(dòng)信號(hào)；
[0008] 2)對(duì)原始數(shù)據(jù)預(yù)處理，提取能反映滾動(dòng)軸承壽命衰退過程的性能指標(biāo)并對(duì)指標(biāo)平 滑處理；
[0009] 3)采用m種不同核函數(shù)建立m個(gè)不同類型的單一相關(guān)向量機(jī)，形成相關(guān)向量機(jī)集， 并使用訓(xùn)練樣本集訓(xùn)練；
[0010] 4)從概率密度函數(shù)N(X(I，S2)中進(jìn)行隨機(jī)采樣，產(chǎn)生一組初始數(shù)據(jù)粒子群 ，其中Xu表示初始時(shí)刻第i個(gè)數(shù)據(jù)粒子，Ns代表粒子總數(shù)，在初始化之時(shí)每個(gè)粒 子均等對(duì)待，權(quán)值均為1/NS;
[0011] 5)運(yùn)用訓(xùn)練好的不同單一相關(guān)向量機(jī)模型分別對(duì)每一數(shù)據(jù)粒子迭代預(yù)測(cè)，獲取第 k(k= 1，2,…，K)時(shí)刻的預(yù)測(cè)值矩陣，K為訓(xùn)練樣本長度。
[0012] y，k= [(/J1，（y，k)2，...，（y，k)m]
[0013] 式中，
為第m個(gè)單一相關(guān)向量機(jī)第k時(shí)刻的數(shù)據(jù)粒 子預(yù)測(cè)向量；
[0014] 6)訓(xùn)練集中第k時(shí)刻的真實(shí)數(shù)據(jù)粒子群{)ui1:Ars，其中yi，k表示第k時(shí)刻的第i個(gè) 真實(shí)數(shù)據(jù)粒子，依據(jù)迭代預(yù)測(cè)值矩陣
和真實(shí)數(shù)據(jù)粒子yu，更新 每個(gè)數(shù)據(jù)粒子的權(quán)值j= 1，2,…，m;i= 1，2,…，Ns，更新表達(dá)式為：
[0016] 然后進(jìn)行歸一化：
[0018] 7)在粒子濾波框架下改進(jìn)，取消重采樣，當(dāng)遞推次數(shù)k小于K時(shí)，k=k+1，返回步 驟5)，當(dāng)k=K時(shí)，將各個(gè)數(shù)據(jù)粒子各個(gè)時(shí)刻的權(quán)值求和，即時(shí)刻權(quán)值和：
[0020] 8)選出每個(gè)單一相關(guān)向量機(jī)的數(shù)據(jù)粒子權(quán)值和的最大值，記max[(wsV]為第j個(gè) 單一相關(guān)向量機(jī)的Ns個(gè)粒子權(quán)值和中的最大值，并將其作為對(duì)應(yīng)單一相關(guān)向量機(jī)的代表權(quán) 值，代表權(quán)值越大，表示對(duì)應(yīng)的單一相關(guān)向量機(jī)的預(yù)測(cè)能力越強(qiáng)，記wv_n為代表權(quán)值的平均 值，即：
[0022] 選擇代表權(quán)值大于或等于平均值wMean，即權(quán)值滿足max[ (ws) ^ 3wvmean的為性能優(yōu) 良的單一相關(guān)向量機(jī)，將篩選出來的性能優(yōu)良單一相關(guān)向量機(jī)的代表權(quán)值作為其對(duì)應(yīng)的融 合權(quán)值并記為wh(h= 1，2,…，H)，H為選出的性能優(yōu)良的相關(guān)向量機(jī)總個(gè)數(shù)；
[0023] 9)對(duì)性能優(yōu)良的單一相關(guān)向量機(jī)融合權(quán)值進(jìn)行歸一化：
[0025] 10)建立加權(quán)融合相關(guān)向量機(jī)，根據(jù)融合權(quán)值進(jìn)行組合，利用加權(quán)融合相關(guān)向量機(jī) 的預(yù)測(cè)值為：
[0027] 式中，yh為第h個(gè)性能優(yōu)良的單一相關(guān)向量機(jī)的預(yù)測(cè)值；
[0028] 11)利用加權(quán)融合相關(guān)向量機(jī)模型進(jìn)行預(yù)測(cè)，然后將預(yù)測(cè)的結(jié)果和真實(shí)值進(jìn)行比 較，做出預(yù)測(cè)效果評(píng)估。
[0029] 本發(fā)明將各個(gè)單一相關(guān)向量機(jī)模型特性相互彌補(bǔ)，利用改進(jìn)的粒子濾波框架，降 低甚至消除離群點(diǎn)對(duì)各個(gè)單一相關(guān)向量機(jī)模型預(yù)測(cè)效果的影響，然后基于各個(gè)單一相關(guān)向 量機(jī)模型對(duì)數(shù)據(jù)的泛化能力，篩選出泛化能力強(qiáng)的單一相關(guān)向量機(jī)模型，并對(duì)它們進(jìn)行加 權(quán)融合，獲得加權(quán)融合相關(guān)向量機(jī)模型。試驗(yàn)驗(yàn)證中采用了 2012年IEEEPHM預(yù)測(cè)挑戰(zhàn)賽 中的滾動(dòng)軸承數(shù)據(jù)，通過對(duì)比加權(quán)融合相關(guān)向量機(jī)模型和單一相關(guān)向量機(jī)模型，得出本發(fā) 明提出的相關(guān)向量機(jī)模型預(yù)測(cè)精度更高，預(yù)測(cè)穩(wěn)定性更好，模型的魯棒性更強(qiáng)。
【附圖說明】
[0030] 圖1為滾動(dòng)軸承剩余壽命預(yù)測(cè)的加權(quán)融合相關(guān)向量機(jī)模型流程圖。
[0031] 圖2為PR0N0STIA實(shí)驗(yàn)臺(tái)結(jié)構(gòu)圖。
[0032]圖3中的圖（a)、圖（b)分別是滾動(dòng)軸承時(shí)域水平方向振動(dòng)加速度信號(hào)圖和豎直方 向振動(dòng)加速度信號(hào)圖。
[0033] 圖4為滾動(dòng)軸承的選擇加權(quán)融合指標(biāo)SWF。
[0034] 圖5為從7000s開始預(yù)測(cè)的滾動(dòng)軸承壽命預(yù)測(cè)結(jié)果圖。
[0035] 圖6為從9000s開始預(yù)測(cè)的滾動(dòng)軸承壽命預(yù)測(cè)結(jié)果圖。
【具體實(shí)施方式】
[0036] 下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)描述。
[0037] 如圖1所示，滾動(dòng)軸承剩余壽命預(yù)測(cè)的加權(quán)融合相關(guān)向量機(jī)模型，包括以下步驟：
[0038] 1)采集滾動(dòng)軸承水平和豎直方向的振動(dòng)加速度信號(hào)作為原始數(shù)據(jù)；
[0039] 2)對(duì)原始數(shù)據(jù)預(yù)處理，以減小噪聲影響，采用選擇加權(quán)融合指標(biāo)（Selectionand WeightingFusion,SWF)作為滾動(dòng)軸承剩余壽命預(yù)測(cè)的特征值，并對(duì)指標(biāo)進(jìn)行平滑處理；
[0040] 3)采用m種不同核函數(shù)建立m個(gè)不同類型的單一相關(guān)向量機(jī)，形成相關(guān)向量機(jī)集， 利用預(yù)測(cè)開始前的原始數(shù)據(jù)作為訓(xùn)練樣本集對(duì)相關(guān)向量機(jī)集進(jìn)行訓(xùn)練；
[0041] 4)從概率密度函數(shù)N(X(I，s2)中進(jìn)行隨機(jī)采樣，產(chǎn)生一組初始數(shù)據(jù)粒子群 ，用于降低或消除離群點(diǎn)的影響，其中Xw表示初始時(shí)刻第i個(gè)數(shù)據(jù)粒子，Ns代表 粒子總數(shù)，在初始化之時(shí)每個(gè)粒子均等對(duì)待，權(quán)值均為1/NS;
[0042] 5)運(yùn)用訓(xùn)練好的不同單一相關(guān)向量機(jī)模型分別對(duì)每一數(shù)據(jù)粒子迭代預(yù)測(cè)，獲取第 k(k= 1，2,…，K)時(shí)刻的預(yù)測(cè)值矩陣，K為訓(xùn)練樣本長度。
[0043] y，k= [(/ J1，（y，k)2，...，（y，k)m]
[0044]式中，
為第m個(gè)單一相關(guān)向量機(jī)第k時(shí)刻的數(shù)據(jù)粒 子預(yù)測(cè)向量；
[0045] 6)訓(xùn)練集中第k時(shí)刻的真實(shí)數(shù)據(jù)粒子群，其中yi，k表示第k時(shí)刻的第i 個(gè)真實(shí)數(shù)據(jù)粒子，依據(jù)迭代預(yù)測(cè)值矩陣y'k= [(y'k)1，（y'k)2,…，（y'k)m]和真實(shí)數(shù)據(jù)粒子yi，