[发明专利]一种自适应多核组合相关向量机的滚动轴承寿命预测模型

说明书

技术领域

本发明涉及滚动轴承的运行状态、寿命预测技术领域，具体涉及一种自适应多核组合相关向量机的滚动轴承寿命预测模型。

背景技术

滚动轴承广泛应用于旋转机械等设备中，其健康状况直接关系到机械设备的安全运行。由于滚动轴承常处于高速重载等恶劣环境下工作，易出现故障甚至失效。滚动轴承一旦出现故障或者失效，势必会对机械设备的安全服役构成严重威胁，轻则造成机械设备停机的生产事故，重则导致机毁人亡的重大灾难。由于各滚动轴承的有效寿命差异非常大，传统的定期维修策略不仅费时费力，而且可靠性不高，无法满足工程的实际需求。取而代之的，是一种新型的维修体系—智能诊断与预知维修系统，它可准确地评估出滚动轴承的运行状态，预测出剩余寿命，以提高设备运行效率。人工智能预测方法是实现智能诊断与预知维修的基础，相关向量机(Relevance Vector Machine，RVM)是目前的广泛运用的人工智能预测方法之一。

相关向量机是Michael E.Tipping提出的一种建立在贝叶斯框架下训练的稀疏概率模型，由于其相对于支持向量机来说具有相关向量少、核函数无须满足Mercer定理、无需设定惩罚因子C、提供概率输出等优点，因此被广泛关注。但是目前的相关向量机核函数选择主要凭借经验，且多采用单一核函数，这导致相关向量机模型的预测精度对参数的依赖性大大增加。同样，由于不同单一核函具有不同特性，对不同趋势数据的敏感性不同，因此，运用单一核函数建立的单一核函数相关向量机模型预测精度稳定性低、鲁棒性不强。即使在少数的组合核函数研究中，也存在缺点，即人为选择两个核函数进行组合，不能自动选择组合核函数数量，融合的核函数性能有限。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种自适应多核组合相关向量机的滚动轴承寿命预测模型，提高预测的稳定性和预测精度，增强模型的鲁棒性。

为了达到上述目的，本发明采取的技术方案为：

一种自适应多核组合相关向量机的滚动轴承寿命预测模型，包括以下步骤：

1)利用加速度传感器采集滚动轴承运行原始信号；

2)从原始信号中提取特征指标并进行预处理；

3)依据特征指标的趋势特性，初步选择或构建m个单一核函数，形成单一核函数集，用于构建组合核函数；

4)运用粒子滤波产生组合核函数权重粒子，形成组合核函数权重矩阵其中每一个组合核函数权重向量w_i：

式中，为第i个组合核函数中第j个单一核函数的权重，然后将每一个组合核函数权重向量w_i归一化：

将归一化后的组合核函数权重矩阵和和单一核函数集相乘，得到组合核函数集：

式中，K_i,i＝1,2,…,n为第i个组合核函数核矩阵，K^j,j＝1,2,…,m为单一核函数核矩阵；

5)运用组合核函数集建立多核组合相关向量机模型集，并使用训练集数据训练各个模型，每一组合核函数相关向量模型即为一个模型粒子，每个模型粒子初始权值均为为第1次递推时第i个多核组合相关向量机模型的权值；

6)使用训练好多核组合相关向量机模型集中每一模型分别对训练集中的每一个点进行迭代预测，获取第h(h＝1,2,……,H)次递推时的预测值向量：

7)依据第h次递推时的迭代预测值向量和真实值y_h，使用概率密度函数更新每个多核组合相关向量机模型的权值然后进行归一化：

8)根据步骤7)获得归一化后的模型粒子权值大小，对所有模型粒子进行重采样，保留权值较大的模型粒子；当递推次数h小于H之时，H为训练样本长度，h＝h+1，返回步骤6)，直至h＝H，则进行下一步；

9)经过不断地递推预测、更新模型粒子权值、重采样模型粒子，模型粒子种类数目不断减少，若最后只剩下一个模型粒子，即为筛选出来的最优多核组合相关向量机模型，若最后剩余模型粒子超过一个，则选择权值最大的为最优组合函数相关向量机模型；

10)使用筛选出来的最优多核组合相关向量机模型进行预测，然后将预测的结果和真实值进行比较，做出预测效果评估。

所述的步骤7)中的权值更新公式为：