[发明专利]一种轴承性能退化评估方法

说明书

一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，它用于评估轴承退化技术领域。本发明解决了传统HI曲线构建中存在的提取退化特征需依赖大量专家经验和有监督训练，标签选择需依赖人工参与的问题。本发明的6个去噪自编码机构建堆叠去噪自编码器来对原始振动信号数据进行多层的特征提取，训练集数据对网络进行预训练后利用BP算法微调参数，将输出的100维特征输入SOM网络训练得到各时间点对应的HI，并构建训练集的HI曲线；将测试集数据输入训练好的堆叠去噪自编码器和SOM网络中得到各时间点处的HI，并构建HI曲线；分别对训练集和测试集的HI曲线进行平滑处理，获得平滑处理后的HI曲线。本发明可以应用于评估轴承性能退化领域用。

技术领域

本发明属于轴承剩余寿命预测技术领域，具体涉及一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法。

背景技术

轴承作为工业领域最为常用且易损的机械元件之一，保证其可靠的运行状态对于提高系统安全性、降低设备维护成本具有非常重要的现实意义。轴承健康因子(HealthIndicator,HI)作为评价轴承健康水平的特征量，是表征轴承健康水平的退化状态或退化程度的指标[1]，因此，构建良好的HI曲线对后续的轴承剩余寿命预测具有重要的意义。

然而随着轴承运行情况复杂度的增加，对轴承退化过程建立准确的物理解析模型也变得愈加复杂。基于数据驱动的方法受益于传感器技术以及存储技术的发展，可以获得大量的轴承健康状况监测数据，因而逐渐成为研究轴承剩余寿命预测的主流方式。所采用的得到表征轴承退化行为的健康因子的数据驱动方法可以分为直接预测和间接预测，由于直接预测方法将原始数据直接作为被测对象的健康因子，因此，难以满足较好的趋势性的要求，而健康因子曲线的单调性对于后续的轴承剩余寿命的预测又是至关重要的，所以国内外学者对间接构建HI曲线的方法做了广泛的研究。

在间接构建HI曲线的过程中，由于原始数据无法直接作为健康因子，那么就需要进行有效的特征提取过程来获得特征集，从而对原始数据进行更加高级的表征，在此基础上进行特征选择去除冗余特征，之后在必要情况下需继续进行特征融合，通过多种特征结合共同反映轴承的健康状态。特征提取方法作为关键的一步，目前主要有基于传统信号处理技术的方法以及机器学习的方法。Zhang X.等人利用小波分析对轴承的振动信号进行特征提取，获得了具有较好趋势性的HI曲线；申中杰等人提出一种不受轴承个体差异影响的相对方均根值来表征轴承的健康状态，具有良好的上升趋势[3]。在基于机器学习的轴承HI构建方法中，人工神经网络、相关向量机等方法均得到了广泛应用，Liang Guo等人首先提取出多个基于相似性的特征以及时频域特征，之后输入到递归神经网络中进行HI曲线的构建；Maio F.D.等人利用相关向量机获得相关向量，之后采用指数函数拟合出轴承的退化状况。尽管传统的数据驱动方法在轴承HI曲线构建中取得了显著成就，但仍存在以下问题：提取退化特征仍需依赖大量专家经验以及传统的信号处理方法；部分HI构建模型的训练通常采用有监督方式，即训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；为了得到综合的单调HI曲线，往往需针对具体预测问题采用多种信号处理方法融合及依赖人工经验选择参数，缺乏一定的通用性。

发明内容

本发明的目的是为解决传统的数据驱动方法在轴承HI曲线构建中存在的提取退化特征仍需依赖大量专家经验；部分HI构建模型的训练通常采用有监督方式，训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；针对具体预测问题采用多种信号处理方法融合，依赖人工经验选择参数，缺乏一定的通用性的问题。

本发明为解决上述技术问题采取的技术方案是：

一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，该方法的具体步骤为：

步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；