[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

说明书

本发明公开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，该方法采集滚动轴承全寿命周期振动加速度信号；提取振动加速度信号的morlet小波变换时频图；利用多尺度深度卷积网络构建健康因子数据，同时采用变分推断法得到模型不确定性定量分析结果；利用改进相关向量机对健康因子数据进行回归预测分析，预测剩余寿命，同时定量分析数据不确定性；综合考虑模型不确定性和数据不确定性定量分析结果，得到预测结果置信区间。本发明涉及对现有技术的改进是：将多项式回归预测模型融入到相关向量机中，提高了剩余寿命预测精度；综合考虑剩余寿命预测中的不确定性因素，定量分析模型不确定性和数据不确定性，提高了预测结果置信区间的可靠性。

技术领域

本发明涉及机械设备剩余寿命预测技术领域，具体地指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。

技术背景

滚动轴承作为火炮、坦克、直升机、舰艇等武器装备的机械传动系统核心零部件之一，其性能的好坏直接影响着武器装备的可靠性和安全性。由于长期连续工作在高载荷、高转速、高冲击以及变工况下，滚动轴承极其容易损坏和发生故障。因此，研究滚动轴承当前运行时刻性能状态，预测剩余寿命，对避免重大事故的发生，保持武器装备完好性，具有非常重大的意义。

滚动轴承在运行过程中，随着性能状态的不断退化，其动态响应行为既复杂且多变，从而造成振动加速度信号频率、统计特性均随时间不断变化，具有明显的非平稳特征。传统表征滚动轴承性能退化特性的健康因子单调性、趋势性不够好，影响剩余寿命预测精度。深度学习技术能够有效利用历史监测数据，构造的健康因子性能显著提高，但是应用于剩余寿命预测时，仅能提供点估计值，无法得到预测结果置信区间，不利于制定维修计划。相关向量机被广泛应用于剩余寿命预测领域，能够提供预测结果置信区间，但是存在长期趋势预测能力不强的缺点。

因此，对于滚动轴承剩余寿命预测领域，仅依靠一种预测方法无法完全解决实际对象的问题，多种智能方法的有效结合是未来剩余寿命预测领域的总体趋势，特别是与深度学习能够有效挖掘数据蕴含信息的能力相结合，发挥各自的优势，形成互补，建立新的滚动轴承剩余寿命预测方法，为装备的维修保障等后续工作提供了重要的理论参考。

发明内容

本发明的目的就是要提供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，本发明继承了深度学习网络能够深入挖掘数据信息的优势，多项式回归模型长期趋势预测的优势，分别利用变分推断理论和相关向量机理论定量分析模型不确定性及数据不确定性，综合两类不确定因素，得到预测结果置信区间，为制定维修计划提供理论依据，具有一定的工程应用价值。

为实现此目的，本发明所设计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，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，用于训练深度学习网络，训练用滚动轴承全寿命周期中不同运行周期的时频图含有训练用滚动轴承性能状态退化信息，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；