[发明专利]考虑模型和数据不确定性的滚动轴承剩余寿命预测方法

权利要求书

1.一种考虑模型和数据不确定性的滚动轴承剩余寿命预测方法，其特征在于，它包括如下步骤：

步骤1：利用振动加速度传感器采集训练用滚动轴承全寿命周期水平方向的振动加速度信号和测试用滚动轴承截止到当前运行周期水平方向的振动加速度信号；

步骤2：在步骤1采集的训练用滚动轴承全寿命周期水平方向的振动加速度信号基础上，利用morlet小波变换方法提取训练用滚动轴承全寿命周期水平方向的振动加速度信号时频图，同时采用morlet小波变换方法提取测试用滚动轴承不同运行周期水平方向的振动加速度信号时频图；

步骤3：将训练用滚动轴承全寿命周期水平方向的振动加速度信号时频图作为输入，训练用滚动轴承各运行周期在训练用滚动轴承全寿命周期中的比例作为标签，训练多尺度深度卷积网络，将测试用滚动轴承不同运行周期水平方向的振动加速度信号时频图输入至训练好的多尺度深度卷积网络中，得到反映测试滚动轴承性能状态的健康因子数据，构建健康因子的多尺度深度卷积网络由卷积层、池化层和全连接层组成，多尺度深度卷积网络中不同网络层次之间节点的连接存在不确定性，表现为健康因子构建模型的不确定性，采用变分推断法推导出健康因子构建模型不确定性定量分析结果，即各个运行周期内测试滚动轴承健康因子值的概率分布结果；

步骤4：将测试滚动轴承健康因子数据作为输入，利用改进相关向量机模型对所述健康因子数据进行回归预测分析，根据失效阈值预测测试滚动轴承剩余寿命，由于多尺度深度卷积网络构建的不同运行周期的测试滚动轴承健康因子数据与实际性能退化状态存在偏差，因此用于回归预测的测试滚动轴承健康因子数据存在不确定性，利用改进相关向量机模型定量分析测试滚动轴承健康因子数据不确定性，得到各个运行周期内健康因子预测值的概率分布结果，所述改进相关向量机模型为利用多项式模型拟合的改进相关向量机模型；

步骤5：将各个运行周期内测试滚动轴承健康因子值的概率分布结果与相应运行周期的健康因子预测值的概率分布结果相乘，得到步骤4所述测试滚动轴承剩余寿命预测结果的置信区间。

2.根据权利要求1所述的考虑模型和数据不确定性的滚动轴承剩余寿命预测方法，其特征在于：

所述步骤2中，利用morlet小波变换方法提取训练用滚动轴承全寿命周期水平方向的振动加速度信号时频图的具体方法为：

式中，α为小波变换尺度参数；β为小波变换的变换参数；x(t)为步骤1中采集的滚动轴承全寿命周期水平方向的振动加速度信号；ψ_α,β∈L²(R)，ψ_α,β表示小波变换时用到的母小波函数，L²(R)表示平方可积的实数空间，是ψ_α,β的共轭复数，t表示采样时间，一维的振动加速度信号x(t)映射到二维的时频特征矩阵U(α，β)，得到振动加速度信号时频图。

3.根据权利要求1所述的考虑模型和数据不确定性的滚动轴承剩余寿命预测方法，其特征在于：所述步骤3具体为：训练用滚动轴承全寿命周期水平方向的振动加速度信号时频图作为输入，利用多尺度深度卷积神经网络构建反映测试滚动轴承性能状态的健康因子数据，采用变分推断法定量分析得到各个运行周期内测试滚动轴承健康因子值的概率分布结果的方法为：

式中，其中x_t表示提取的t时刻训练用滚动轴承全寿命周期水平方向的振动加速度信号时频图，N表示训练数据量；为x_t对应的输出，y_t表示训练标签，为对应的性能状态值，性能状态是指滚动轴承当前运行周期t占全寿命周期的比例；y_*表示将测试滚动轴承截至目前运行周期内的时频图输入到训练好的多尺度深度卷积神经网络中得到的输出值，即为测试滚动轴承健康因子均值；x_*表示利用morlet小波变换将测试滚动轴承水平方向振动加速度信号转换为时频图后组成的测试滚动轴承截至目前运行周期内的时频图集；V是多尺度深度卷积神经网络交叉验证次数；为第v次交叉验证时的多尺度深度卷积神经网络权重随机变量，最终得到测试滚动轴承健康因子均值y_*和健康因子构建模型不确定性导致的测试滚动轴承健康因子概率分布结果的方差