一種軸承健康評估與預測的方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種軸承健康評估與預測的方法及系統(tǒng)，所述方法包括：獲取軸承運行過程中的振動信號并對振動信號進行處理獲取振動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征并根據軸承退化的特性指標，選擇對軸承退化最敏感的特征，組成特征向量并選擇軸承處于正常運行時的特征向量作為輸入向量訓練自組織特征映射網絡并建立自組織特征映射網絡模型，求得所述自組織特征映射網絡模型中每個特征向量所對應的最小量化誤差，并利用最小量化誤差構建反應軸承退化性能的健康指標；利用極限學習機預測方法和健康指標對所述軸承退化的趨勢進行預測。本發(fā)明可以準確刻畫軸承退化過程中的退化程度，并且精確地預測軸承退化的趨勢。
【專利說明】
一種軸承健康評估與預測的方法及系統(tǒng)
技術領域
[0001] 本發(fā)明涉及機械設備的故障預測技術領域，特別為涉及軸承的性能評估預測技術 領域，具體為一種軸承健康評估與預測的方法及系統(tǒng)。
【背景技術】
[0002] 隨著科技的進步和工業(yè)的發(fā)展，為了提高生產效率，降低生產成本，工業(yè)機械設備 日益向大型化，系統(tǒng)化和自動化方向發(fā)展，工業(yè)生產系統(tǒng)的規(guī)模越來越大，各級生產環(huán)節(jié)的 關聯(lián)頁越來越緊密;為了滿足生產要求，關鍵設備的結構功能也越來越復雜，由于其工作環(huán) 境惡劣多變，在長期運行過程中會逐漸老化，發(fā)生潛在的故障可能性也隨之增加，一旦關鍵 設備零部件發(fā)生故障，可能造成整個生產系統(tǒng)停機，影響生產效率，造成經濟損失。對機械 設備關鍵零部件的運行狀態(tài)進行實時監(jiān)測和通過數據分析進行性能評估和預測可及時發(fā) 現問題并制定相應維修策略，避免惡性突發(fā)事件的發(fā)生。
[0003] 軸承作為機械設備最重要的關鍵零部件之一，在實際使用過程中會出現性能退化 到最后失效。目前，在對軸承性能評估和預測的方法中，主要有基于退化過程的物理模型方 法和基于數據的神經網絡方法?；谖锢砟Ｐ偷姆椒m然精確度比較高，但退化過程較為 復雜，物理模型難以準確獲得，基于數據的方法在模型復雜度和精確度方面取得了折中，是 目前應用較多的方法，主要存在的問題是評估退化性能和趨勢預測準確度不高。
[0004] 經過對現有技術的公開文獻檢索發(fā)現，文獻Zhang X，Kang J，Jin T.Degradation modeling and maintenance decisions based on Bayesian belief networks[J] ? Reliability, IEEE Transactions on, 2014,63(2) :620-633.(基于貝葉斯信念網絡的退 化過程建模和維護決策，期刊:RELIABILITY第63卷，620-633)的作者基于貝葉斯網絡提出 了一種離散狀態(tài)的退化評估模型，主要是自適應的識別退化過程狀態(tài)的數目，然后根據歷 史數據針對每個退化狀態(tài)建立貝葉斯模型，但作者沒有考慮特征的冗余性進行特征篩選。
【發(fā)明內容】
[0005] 鑒于以上所述現有技術的缺點，本發(fā)明的目的在于提供一種軸承健康評估與預測 的方法及系統(tǒng)，用于解決現有技術中對軸承評估退化性能和趨勢預測準確度不高的問題。
[0006] 為實現上述目的及其他相關目的，本發(fā)明提供一種軸承健康評估與預測的方法， 包括以下:獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取所述振動信號 的時域統(tǒng)計特征，時頻域能量特征及三角函數特征并根據軸承退化的特性指標，從所述振 動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征中選擇對軸承退化最敏感的特 征，組成特征向量將軸承處于正常運行時的特征向量作為輸入向量訓練自組織特征映射網 絡并建立自組織特征映射網絡模型，利用訓練好的所述自組織特征映射網絡模型求得每個 所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸承退化性能的 健康指標;利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢進行預測。
[0007] 于本發(fā)明的一實施例中，獲取所述時頻域能量特征包括:采用小波包分解將所述 振動信號分解成η個子信號，分別計算每個所述子信號的能量和原始所述振動信號的總能 量，并將每個所述子信號的能量所占總能量的百分比和原始所述振動信號的讓能量熵作為 時-頻域特征。
[0008] 于本發(fā)明的一實施例中，所述健康指標為
；其 中:HI表示根據最小量化誤差構造的反映軸承退化程度的健康指標;WBMN表示訓練好的自組 織特征映射網絡對一個輸入特征向量所對應輸出神經元的權重向量;MQE表示輸入和輸出 的最小量化誤差，表示軸承退化的程度;X表示輸入特征向量;c表示與MQE關聯(lián)的尺度參數。
[0009] 于本發(fā)明的一實施例中，HI的取值范圍為[0，1];其中，0表示軸承嚴重失效，1表示 軸承運行在正常狀態(tài)時的理想情況。
[0010] 于本發(fā)明的一實施例中，利用極限學習機預測方法和所述健康指標對所述軸承退 化的趨勢進行預測具體包括:利用粒子群優(yōu)化算法確定極限學習機預測方法中隱含層神經 元的輸入權重和偏置，設置隱含層神經元的激活函數，取激活函數的平均值作為隱含層神 經元的輸出，然后依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸 承退化的趨勢進行預測的隱含層神經元的輸出權重。
[0011]于本發(fā)明的一實施例中，所述激活函數分別為
x= coXi+b;x表示隱含層神經元的輸入，是輸入向量Xi的線性組合，ω表示輸入權重向量，b 表示輸入偏置;依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承 退化的趨勢進行預測的隱含層神經元的輸出權重具體為：
[0012]
[0013]
[0014] 式中，Η( ω1; ω2, · · ·，〇l，xi，X2, · · ·，XN，bi，b2, · · ·，bL)表示隱含層神經元的輸出；
[0015] ω1; ω2, · · ·，c〇l，xi，X2, · · ·，XN，bi，b2, · · ·，k分別表示隱含層神經元的輸入權重 向量，網絡的輸入向量及隱含層神經元的偏置;m表示輸出神經元數目，是目標向量的維數， T表示N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目，L表示隱含層神經元的 數目，β是輸出權重組成的矩陣；對'...vf分別表示每個隱含層神經元對應的輸出權重向 量，好，之間的?是廣義逆符號。
[0016] 為實現上述目的，本發(fā)明還提供一種軸承健康評估與預測的系統(tǒng)，包括:特征向量 獲取模塊，獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取所述振動信號 的時域統(tǒng)計特征，時頻域能量特征及三角函數特征并根據軸承退化的特性指標，從所述振 動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征中選擇對軸承退化最敏感的特 征，組成特征向量;健康指標獲取模塊，將軸承處于正常狀態(tài)時的特征向量作為輸入向量訓 練自組織特征映射網絡并建立自組織特征映射網絡模型，利用訓練好的自組織特征映射網 絡模型求得每個所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應 軸承退化性能的健康指標;預測模塊，利用極限學習機預測方法和所述健康指標對所述軸 承退化的趨勢進行預測。
[0017] 于本發(fā)明的一實施例中，所述特征向量獲取模塊獲取所述時頻域能量特征包括： 采用小波包分解將所述振動信號分解成η個子信號，分別計算每個所述子信號的能量和原 始所述振動信號的總能量，并將每個所述子信號的能量所占總能量的百分比和原始所述振 動信號的讓能量熵作為時-頻域特征。
[0018] 于本發(fā)明的一實施例中，所述健康指標為
；其 中:HI表示根據最小量化誤差構造的反映軸承退化程度的健康指標;WBMN表示訓練好的自組 織特征映射網絡對一個輸入特征向量所對應輸出神經元的權重向量;MQE表示輸入和輸出 的最小量化誤差，表示軸承退化的程度;X表示輸入特征向量;c表示與MQE關聯(lián)的尺度參數。
[0019] 于本發(fā)明的一實施例中，所述預測模塊利包括:設置單元，利用粒子群優(yōu)化算法確 定極限學習機預測方法中隱含層神經元的輸入權重和偏置，設置隱含層神經元的激活函數， 取激活函數的平均值作為隱含層神經元的輸出；輸出權重計算單元，用于依據所述健康指 標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨勢進行預測的隱含層 神經元的輸出權重;其中，所述激活函數分別為
c =coXi+b;x表示隱含層神經元的輸入，是輸入向量Xi的線性組合，ω表示輸入權重向量，b表 示輸入偏置;依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退 化的趨勢進行預測的隱含層神經元的輸出權重具體為：
[0020]
[0021]
[0022] 式中，Η( ω1; c〇2, · · ·，· · ·，XN，bi，b2, · · ·，bL)表示隱含層神經元的輸出；
[0023] ω1; c〇2, · · ·，〇l，xi，X2, · · ·，XN，bi，b2, · · ·，bL分別表不隱含層神經兀的輸入權重 向量，網絡的輸入向量及隱含層神經元的偏置;m表示輸出神經元數目，是目標向量的維數， T表示N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目，L表示隱含層神經元的 數目，β是輸出權重組成的矩陣；.允分別表示每個隱含層神經元對應的輸出權重向 量，i^T之間的t是廣義逆符號。
[0024]如上所述，本發(fā)明的一種軸承健康評估與預測的方法及系統(tǒng)，具有以下有益效果： [0025]本發(fā)明通過獲取軸承運行過程中的振動信號并對所述振動信號進行處理，提取所 述振動信號的特征，選擇對退化過程敏感的特征進行特征評估和預測，可以準確刻畫軸承 退化過程中的退化程度，并且精確地預測軸承退化的趨勢，達到準確刻畫軸承退化過程的 漸進性和提高預測的準確性的目的。
【附圖說明】
[0026]圖1顯示為本發(fā)明的一種軸承健康評估與預測的方法的流程圖。
[0027]圖2顯示為本發(fā)明的一種軸承健康評估與預測的方法的具體評估與預測過程示意 圖。
[0028]圖3顯示為本發(fā)明的一種軸承健康評估與預測的方法中軸承退化過程的健康指標 的變化不意圖。
[0029]圖4顯示為本發(fā)明的一種軸承健康評估與預測的方法中利用極限學習機預測方法 對軸承退化的趨勢進行預測的示意圖。
[0030]圖5顯示為本發(fā)明的一種軸承健康評估與預測的系統(tǒng)的原理框圖。
[0031] 元件標號說明
[0032] 1 軸承健康評估與預測的系統(tǒng)
[0033] 11 特征向量獲取模塊
[0034] 12 健康指標獲取模塊
[0035] 13 預測模塊
[0036] 131 設置單元
[0037] 132 輸出權重計算單元
[0038] S1 ~S3 步驟
【具體實施方式】
[0039]以下通過特定的具體實例說明本發(fā)明的實施方式，本領域技術人員可由本說明書 所揭露的內容輕易地了解本發(fā)明的其他優(yōu)點與功效。本發(fā)明還可以通過另外不同的具體實 施方式加以實施或應用，本說明書中的各項細節(jié)也可以基于不同觀點與應用，在沒有背離 本發(fā)明的精神下進行各種修飾或改變。
[0040] 本發(fā)明的目的在于提供一種軸承健康評估與預測的方法及系統(tǒng)，用于解決現有技 術中對軸承評估退化性能和趨勢預測準確度不高的問題。以下將詳細說明本發(fā)明的一種軸 承健康評估與預測的方法及系統(tǒng)的原理及實施方式，使本領域技術人員不需要創(chuàng)造性勞動 即可理解本發(fā)明的一種軸承健康評估與預測的方法及系統(tǒng)。
[0041] 本發(fā)明利用軸承運行過程中振動傳感器檢測到的振動信號提取相關特征并結合 一定特征性能標篩選對軸承退化過程敏感的特征構成特征向量，并基于自組織神經網絡 (S0M)和最小量化誤差評估軸承退化性能，利用當前時刻和歷史時刻的退化性能指標基于 改進的極限學習機方法(ELM)預測未來退化趨勢。
[0042]請參閱圖1，顯示為本發(fā)明的一種軸承健康評估與預測的方法的流程圖。如圖1所 示，本發(fā)明的方法具體包括以下步驟：
[0043] 步驟S1，獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取所述振 動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征并根據軸承退化的特性指標，從 所述振動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征中選擇對軸承退化最敏感 的特征，組成特征向量。
[0044] 步驟S2,將軸承處于正常運行時的特征向量作為輸入向量訓練自組織特征映射網 絡并建立自組織特征映射網絡模型，利用訓練好的所述自組織特征映射網絡模型求得每個 所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸承退化性能的 健康指標。
[0045] 步驟S3,利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢進行預 測。
[0046] 以下對步驟S1~步驟S3進行詳細說明。
[0047] 步驟S1，獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取所述振 動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征并根據軸承退化的特性指標，從 所述振動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征中選擇對軸承退化最敏感 的特征，組成特征向量。
[0048] 于本實施例中，如圖2所示，是基于原始振動信號分別提取時域特征，時頻域特征 以及三角函數特征并進行特征選擇構成特征向量。時域特征時域及三角函數特征分別見表 1和表2。
[0049] 表1時域特征
[0050]
[0051]
[0052] 表2三角函數特征
[0053]
[0054] 其中，表1最后兩行時兩個組合特征，XRMS(init)是軸承未退化時米樣時刻RMS的平均 值，本發(fā)明米用前五十個米樣時刻的RMS平均值作為XRMS(init)的值;表2中表不先將每個米樣 時刻的振動信號進行相應的三角函數變換，然后將變換后的信號的標準差作為一個特征。 考慮到軸承的退化過程是一個單調過程，本實施例中分別采用的雙曲正弦函數，雙曲正切 函數和反雙曲正切函數。
[0055] 于本實施例中，獲取所述時頻域能量特征包括:采用小波包分解將所述振動信號 分解成η個子信號，分別計算每個所述子信號的能量和原始所述振動信號的總能量，并將每 個所述子信號的能量所占總能量的百分比和原始所述振動信號的讓能量熵作為時-頻域特 征。
[0056] 具體地，提取時頻域能量特征的步驟如下:將原始信號經過小波包分解，獲得η個子信 號。計算每個子信號的能量
，然后計算所有分量信號的能量總和￡ 乓。 計算每個分量信號的能量百分比和原始信號的能量熵
寸頻 域特征提?。篬Hen ,ρ?, ...，ρη]，在提取的特征基礎上進行特征選擇，選擇出對退化過程敏感 的特征組成特征向量用于性能評估，具體的特征選擇方法如下：
y Η * ' " U ... η .-. fi
[0057] 將提取的特征利用平滑方法分解均值趨勢部分和隨機部分:X(ti)=XT(ti)+XR (U);式中，Χτ表示特征的均值趨勢部分，XR表示特征的隨機部分;根據軸承退化的實際過 程，特征應滿足二 1個特件指標，i+筧每個特征符合二 1個特件的倌：
[0058]
[0059]
[0060]
1：述三個特性分別表示的是在軸承退化過程中特 征應該符合單調性，與時間的相關性以及魯棒性(對隨機信號的抗干擾能力），然后計算每 個特征三個特性值的加權和作為評價該特征是否對退化敏感的綜合指標值J:
[0061 ] J= ω ιΜοη(Χ)+ ω 2Corr(X)+ ω 3Rob(X);
[0062]
[0063] 步驟S2,將軸承處于正常運行時的特征向量作為輸入向量訓練自組織特征映射網 絡并建立自組織特征映射網絡模型，利用訓練好的所述自組織特征映射網絡模型求得每個 所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸承退化性能的 健康指標 HI (Healthy Index)。
[0064] 于本實施例中，即利用軸承處于正常狀態(tài)時的特征向量訓練自組織特征映射網絡 S0M，建立S0M模型;根據步驟S1中所獲得特征向量，將軸承退化過程中的特征向量作為輸入 向量輸入訓練好的S0M模型，求得每個輸入所對應的最小量化誤差MQE，利用最小量化誤差 構建反應軸承退化性能的健康指標HI (Healthy Index)。
[0065] 于本實施例中，所述健康指標為
；其中：HI表示 根據最小量化誤差構造的反映軸承退化程度的健康指標;WBMN表示訓練好的自組織特征映 射網絡對一個輸入特征向量所對應輸出神經元的權重向量;MQE表示輸入和輸出的最小量 化誤差，表示軸承退化的程度;X表示輸入特征向量;c表示與MQE關聯(lián)的尺度參數，由軸承處 于正常運行時特征向量所對應的MQE決定，本文取軸承正常運行時前五十個采樣時刻的MQE 平均值。
[0066] 如圖3所示，為健康指標的變化示意圖。于本實施例中，HI的取值范圍為[0，1];其 中，〇表示軸承嚴重失效，1表示軸承運行在正常狀態(tài)時的理想情況。
[0067] 步驟S3,利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢進行預 測。
[0068] 于本實施例中，利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢 進行預測具體包括:利用粒子群優(yōu)化算法確定極限學習機預測方法中隱含層神經元的輸入 權重和偏置，設置隱含層神經元的激活函數，取激活函數的平均值作為隱含層神經元的輸 出，然后依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的 趨勢進行預測的隱含層神經元的輸出權重。
[0069] 如圖4所示，也就是說，于本實施例中，在完成對軸承性能評估的基礎上，利用改進 的ELM方法對軸承退化趨勢進行預測，改進的極限學習機(ELM)主要包括兩個部分：
[0070] 1)利用粒子群優(yōu)化算法(PS0)確定ELM的隱含層神經元的輸入權重W和偏置b;因原 始ELM的輸入權重和偏置任意賦值造成該方法的不穩(wěn)定性，在實際應用中造成結果的不穩(wěn) 定，為克服這一不足，本發(fā)明采用PS0方法依據訓練數據確定最優(yōu)的ELM輸入權重和偏置。 [0071 ] 2)確定好ELM的輸入權重和偏置之后，即在（1)的基礎上，設置隱含層神經元的激 活函數為f(x)和g(x)，取兩個激活函數的平均值作為隱含層單元的輸出，然后依據訓練數 據和確定的輸入權重W和偏置b利用Moore-Penrose廣義逆計算輸出權重β，這一方法主要是 為了提高ELM的預測精度。
[0072] 其中，所述激活函數分別為
表不隱含層神經元的輸入，是輸入向量X i的線性組合，ω表不輸入權重向量，b表不輸入偏 置。依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨勢 進行預測的隱含層神經元的輸出權重具體為：
[0073]
[0074]
[0075] 式中，Η( ω1; c〇2, · · ·，· · ·，XN，bi，b2, · · ·，bL)表示隱含層神經元的輸出。
[0076] ω1; c〇2, · · ·，〇l，xi，X2, · · ·，XN，bi，b2, · · ·，bL分別表不隱含層神經兀的輸入權重 向量，網絡的輸入向量及隱含層神經元的偏置，其中ω j = [ ω ω j2, . . .，ω >]τ，Χ? = [χη, Xi2, . . . ,Xis]T，S表示輸入層神經元數目，網絡的輸入向量Xi是由所獲得健康指標HI按照窗 口滑動的方式組成，由前s個健康指標值預測之后的m個健康指標值;m表示輸出神經元數 目，是目標向量的維數，T表示N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目， L表示隱含層神經元的數目，β是輸出權重組成的矩陣；及,,成分別表示每個隱含層神經 元對應的輸出權重向量，?/?之間的+是求moore-penrose廣義逆符號。
[0077] 此外，如圖5所示，本實施例還提供一種軸承健康評估與預測的系統(tǒng)1，所述軸承健 康評估與預測的系統(tǒng)1包括:特征向量獲取模塊11，健康指標獲取模塊12以及預測模塊13。 由于軸承健康評估與預測的系統(tǒng)1與軸承健康評估與預測的方法間原理相似，因此通用的 技術細節(jié)不作重復贅述。
[0078] 于本實施例中，所述特征向量獲取模塊11獲取軸承運行過程中的振動信號并對所 述振動信號進行處理獲取所述振動信號的時域統(tǒng)計特征，時頻域能量特征及三角函數特征 并根據軸承退化的特性指標，從所述振動信號的時域統(tǒng)計特征，時頻域能量特征及三角函 數特征中選擇對軸承退化最敏感的特征，組成特征向量。
[0079] 于本實施例中，所述特征向量獲取模塊11獲取所述時頻域能量特征包括:采用小 波包分解將所述振動信號分解成η個子信號，分別計算每個所述子信號的能量和原始所述 振動信號的總能量，并將每個所述子信號的能量所占總能量的百分比和原始所述振動信號 的讓能量熵作為時-頻域特征。
[0080] 所述健康指標獲取模塊12將軸承處于正常狀態(tài)時的特征向量作為輸入向量訓練 自組織特征映射網絡并建立自組織特征映射網絡模型，利用訓練好的自組織特征映射網絡 模型求得每個所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸 承退化性能的健康指標。
[0081] 于本實施例中，所述健康指標為
其中：HI表示 根據最小量化誤差構造的反映軸承退化程度的健康指標;WBMN表示訓練好的自組織特征映 射網絡對一個輸入特征向量所對應輸出神經元的權重向量;MQE表示輸入和輸出的最小量 化誤差，表示軸承退化的程度;X表示輸入特征向量;c表示與MQE關聯(lián)的尺度參數，由軸承處 于正常運行時特征向量所對應的MQE決定，本文取軸承正常運行時前五十個采樣時刻的MQE 平均值。
[0082] 于本實施例中，所述預測模塊13利用極限學習機預測方法和所述健康指標對所述 軸承退化的趨勢進行預測。
[0083]于本實施例中，所述預測模塊13利包括:設置單元131，利用粒子群優(yōu)化算法確定 極限學習機預測方法中隱含層神經元的輸入權重和偏置，設置隱含層神經元的激活函數，取 激活函數的平均值作為隱含層神經元的輸出；輸出權重計算單元132,用于依據所述健康指 標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨勢進行預測的隱含層 神經元的輸出權重;其中，所述激活函數分別為
： =coXi+b;x表示隱含層神經元的輸入，是輸入向量Xi的線性組合，ω表示輸入權重向量，b表 示輸入偏置。依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退 化的趨勢
[0084] 進行預測的隱含層神經元的輸出權重具體為：
[0085]
[0086]
[0087] 式中，Η( ω1; ω2,…，〇l，xi，X2, ...，XN，bi，b2, ...，bL)表不隱含層神經兀的輸出。
[0088] ω1; c〇2, · · ·，〇l，xi，X2, · · ·，XN，bi，b2, · · ·，bL分別表不隱含層神經兀的輸入權重 向量，網絡的輸入向量及隱含層神經元的偏置，其中ω j = [ ω ω j2, . . .，ω >]τ，Χ? = [χη, Xi2, . . . ,Xis]T，S表示輸入層神經元數目，網絡的輸入向量Xi是由所獲得健康指標HI按照窗 口滑動的方式組成，由前s個健康指標值預測之后的m個健康指標值;m表示輸出神經元數 目，是目標向量的維數，T表示N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目， L表示隱含層神經元的數目，β是輸出權重組成的矩陣；. [分別表示每個隱含層神經 元對應的輸出權重向量，之間的t是求moore-penrose廣義逆符號。
[0089] 表3是本發(fā)明提出的方法與常用的幾種方法預測結果的比較，數據是預測的絕對 誤差。通過表1可以清晰地看出，本發(fā)明所提出的方法極大地提高了預測精度，對退化趨勢 把握會更加精確。
[0090] 表 3
[0091]
[0092] 綜上所述，本發(fā)明的一種軸承健康評估與預測的方法及系統(tǒng)，達到了以下有益效 果：
[0093]本發(fā)明通過獲取軸承運行過程中的振動信號并對所述振動信號進行處理，提取所 述振動信號的特征，選擇對退化過程敏感的特征進行特征評估和預測，可以準確刻畫軸承 退化過程中的退化程度，并且精確地預測軸承退化的趨勢，達到準確刻畫軸承退化過程的 漸進性和提高預測的準確性的目的。所以本發(fā)明有效克服了現有技術中的種種缺點而具高 度產業(yè)利用價值。
[0094]上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟 悉此技術的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾或改變。因 此，舉凡所屬技術領域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術思想下所完 成的一切等效修飾或改變，仍應由本發(fā)明的權利要求所涵蓋。
【主權項】
1. 一種軸承健康評估與預測的方法，其特征在于，包括： 獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取所述振動信號的時 域統(tǒng)計特征，時頻域能量特征及Ξ角函數特征并根據軸承退化的特性指標，從所述振動信 號的時域統(tǒng)計特征，時頻域能量特征及Ξ角函數特征中選擇對軸承退化最敏感的特征，組 成特征向量； 將軸承處于正常運行時的特征向量作為輸入向量訓練自組織特征映射網絡并建立自 組織特征映射網絡模型，利用訓練好的所述自組織特征映射網絡模型求得每個所述特征向 量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸承退化性能的健康指標； 利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢進行預測。2. 根據權利要求1所述的軸承健康評估與預測的方法，其特征在于，獲取所述時頻域能 量特征包括:采用小波包分解將所述振動信號分解成η個子信號，分別計算每個所述子信號 的能量和原始所述振動信號的總能量，并將每個所述子信號的能量所占總能量的百分比和 原始所述振動信號的讓能量賭作為時-頻域特征。3. 根據權利要求1所述的軸承健康評估與預測的方法，其特征在于，所述健康指標為：其中：HI表示根據最小量化誤差構造的反映軸承退化程度的健康指標;Wbmn表示訓練好 的自組織特征映射網絡對一個輸入特征向量所對應輸出神經元的權重向量;Μ犯表示輸入 和輸出的最小量化誤差，表示軸承退化的程度;X表示輸入特征向量;C表示與Μ犯關聯(lián)的尺 度參數。4. 根據權利要求3所述的軸承健康評估與預測的方法，其特征在于，HI的取值范圍為 [0，1 ];其中，0表示軸承嚴重失效，1表示軸承運行在正常狀態(tài)時的理想情況。5. 根據權利要求3所述的軸承健康評估與預測的方法，其特征在于，利用極限學習機預 測方法和所述健康指標對所述軸承退化的趨勢進行預測具體包括： 利用粒子群優(yōu)化算法確定極限學習機預測方法中隱含層神經元的輸入權重和偏置，設 置隱含層神經元的激活函數，取激活函數的平均值作為隱含層神經元的輸出，然后依據所 述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨勢進行預測 的隱含層神經元的輸出權重。6. 根據權利要求5所述的軸承健康評估與預測的方法，其特征在于，所述激活函數分別 為：? = WXi+b;X表示隱含層神經元的輸入，是輸 入向量XI的線性組合，ω表示輸入權重向量，b表示輸入偏置； 依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨 勢進行預測的隱含層神經元的輸出權重具體為：式中，H( ωι, 〇2, . . . , Wl,X1,X2, . . .，XN，bl,b2, . . .，t)L)表示隱含層神經元的輸出； ωι, 〇2, . . .，Wl，X1，X2, . . .，XN，bl，b2, . . .，bL分別表示隱含層神經元的輸入權重向量， 網絡的輸入向量及隱含層神經元的偏置;m表示輸出神經元數目，是目標向量的維數，T表示 N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目，L表示隱含層神經元的數目，β 是輸出權重組成的矩陣；仿...仿分別表示每個隱含層神經元對應的輸出權重向量，巧呼 之間的t是廣義逆符號。7. -種軸承健康評估與預測的系統(tǒng)，其特征在于，包括： 特征向量獲取模塊，獲取軸承運行過程中的振動信號并對所述振動信號進行處理獲取 所述振動信號的時域統(tǒng)計特征，時頻域能量特征及Ξ角函數特征并根據軸承退化的特性指 標，從所述振動信號的時域統(tǒng)計特征，時頻域能量特征及Ξ角函數特征中選擇對軸承退化 最敏感的特征，組成特征向量； 健康指標獲取模塊，將軸承處于正常狀態(tài)時的特征向量作為輸入向量訓練自組織特征 映射網絡并建立自組織特征映射網絡模型，利用訓練好的自組織特征映射網絡模型求得每 個所述特征向量所對應的最小量化誤差，并利用所述最小量化誤差構建反應軸承退化性能 的健康指標； 預測模塊，利用極限學習機預測方法和所述健康指標對所述軸承退化的趨勢進行預 測。8. 根據權利要求7所述的軸承健康評估與預測的系統(tǒng)，其特征在于，所述特征向量獲取 模塊獲取所述時頻域能量特征包括:采用小波包分解將所述振動信號分解成η個子信號，分 別計算每個所述子信號的能量和原始所述振動信號的總能量，并將每個所述子信號的能量 所占總能量的百分比和原始所述振動信號的讓能量賭作為時-頻域特征。9. 根據權利要求7所述的軸承健康評估與預測的系統(tǒng)，其特征在于，所述健康指標為：其中：HI表示根據最小量化誤差構造的反映軸承退化程度的健康指標;Wbmn表示訓練好 的自組織特征映射網絡對一個輸入特征向量所對應輸出神經元的權重向量;Μ犯表示輸入 和輸出的最小量化誤差，表示軸承退化的程度;X表示輸入特征向量;C表示與Μ犯關聯(lián)的尺 度參數。10.根據權利要求9所述的軸承健康評估與預測的系統(tǒng)，其特征在于，所述預測模塊利 包括： 設置單元，利用粒子群優(yōu)化算法確定極限學習機預測方法中隱含層神經元的輸入權重 和偏置，設置隱含層神經元的激活函數，取激活函數的平均值作為隱含層神經元的輸出； 輸出權重計算單元，用于依據所述健康指標和確定的所述輸入權重和所述偏置計算用 于對所述軸承退化的趨勢進行預測的隱含層神經元的輸出權重； 其中，所述激活函數分別為：；X= WXi+b;X表示 隱含層神經元的輸入，是輸入向量XI的線性組合，ω表示輸入權重向量，b表示輸入偏置； 依據所述健康指標和確定的所述輸入權重和所述偏置計算用于對所述軸承退化的趨 勢進行預測的隱含層神經元的輸出權重具體為： 式中，H( ω 1, ω 2, . . . , wl,xi,X2, . . .,XN,bi,b2, . . . ,t)L)表不隱含層神經兀的輸出； ωι, C〇2, . . . , Wl,X1,X2, . . . ,XN,bl,b2, . . . ,t)L分別表不隱含層神經兀的輸入權重向量， 網絡的輸入向量及隱含層神經元的偏置;m表示輸出神經元數目，是目標向量的維數，T表示 N組訓練數據的目標向量組成的矩陣，N表示訓練數據的數目，L表示隱含層神經元的數目，β 是輸出權重組成的矩陣；ySf...應分別表示每個隱含層神經元對應的輸出權重向量，巧呼 之間的t是廣義逆符號。
【文檔編號】G06F19/00GK105975749SQ201610273465
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】李惠柯, 李檸, 李少遠
【申請人】上海交通大學