[发明专利]基于集成GMDH框架的旋转机械剩余寿命预测方法

权利要求书

1.一种基于集成GMDH框架的旋转机械剩余寿命预测方法，其特征在于，主要包括以下步骤：

S1.选取多个同一种类旋转机械，分别采集从正常运行到故障失效过程中的多个传感器数据，构造历史数据集{X，Y}，其中X为M×N矩阵，每行x_t∈R^N为t时刻N个传感器的读数，M为不同时间采集的样本总数，Y为M×1向量，每行y_t∈R为t时刻设备真实剩余寿命，通过数据处理得到训练数据集W；具体包括：

S11，对无效特征的识别方法为找出每个传感器测量值序列的最大值和最小值，判断它们是否相等，若它们相等，则该传感器的数据对训练过程不提供有效信息，为无效特征，将其剔除；

S12，将传感器测量值归一化，即具有零均值和单位方差：

其中，x_j为矩阵X的第j列，是第j个传感器测量值的时间序列，mean(x_j)和std(x_j)分别是序列x_j的均值和标准差，是归一化后的传感器测量值；

S13，以某一恒定的剩余寿命值对响应Y进行裁剪，使用的目标剩余寿命函数为分段线性退化模型，当系统相对较新时，将RUL建模为常数值，随着时间的推移它会线性降低；

S2.将训练数据集W进行有效划分，分别用于构建三个具有差异性的GMDH预测网络；

S3.将历史数据集的所有x_t同时输入三个GMDH网络，得到的三个预测值组合成一个向量作为三层BP神经网络的输入，y_t作为BP神经网络的输出，对三层BP神经网络进行训练，得到一个由三个GMDH网络和一个三层BP神经网络组合而成的集成GMDH框架；

S4.利用所述集成GMDH框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。

2.根据权利要求1所述的基于集成GMDH框架的旋转机械剩余寿命预测方法，其特征在于，所述S2具体步骤如下：

S21.将训练数据集W平均划分为3部分T_a，T_b和T_c，W＝T_a∪T_b∪T_c；

S22.其中一部分作为选择集合，另外两部分作为构造集合，分别构建3个GMDH预测网络。

3.根据权利要求2所述的基于集成GMDH框架的旋转机械剩余寿命预测方法，其特征在于，

所述S22中单个GMDH网络的构造过程如下：

S221，对输入变量进行两两组合产生k个中间模型，参考函数采用如下形式：

式中，i≠j，i,j＝1,2,…,m，系数A、B、C、D、E、F由构造集合的数据根据最小二乘法估计；

S222，用选择集合的数据按选定的外准则对得到的所有中间模型进行评估，这里采用均方根误差判据：

其中，y_i与分别为第i个数据点的真实剩余寿命值和预测剩余寿命值，n_s为选择集合中的样本数；在所得到的k个中间模型中筛选留下r_k值最小的m₁个，其输出作为下一层的输入，并记下该下一层最小的r_k值，记为R_min，m₁取输入变量个数；

S223，重复S221和S222，求出R_min，如果产生的R_min比上一次产生的R_min小，再重复S221和S222的过程，直到产生的R_min比上一次产生的要大，停止迭代；

S224，根据最优复杂度原理找到最优复杂度模型，即将上一层中R_min值最小的中间模型作为输出单元，然后将与输出单元相关的下层中间模型逐层连接，以完成GMDH网络的建立。

4.根据权利要求1所述的基于集成GMDH框架的旋转机械剩余寿命预测方法，其特征在于，所述S3中三层BP神经网络的隐层中神经元都使用tanh激活函数，输出层有1个神经元并使用整流线性单元激活函数；训练BP网络时采用的成本函数为均方误差：

其中，M是训练数据集的总数，y_i与分别为第i个数据点的真实剩余寿命值和预测剩余寿命值。