[发明专利]一种基于多阶段的发动机轴承故障预测方法

权利要求书

1.一种基于多阶段的发动机轴承故障预测方法，其特征在于，按以下步骤进行预测，

1)对轴承原始振动信号进行处理，提取出时间特征rms；

2)在步骤1)的基础上将包含大量数据点的rms特征曲线按照一定统计值进行统计；

3)在步骤2)的基础上利用统计过程分析找出突变点，并利用统计概况分析突变点前后的曲线；

4)在步骤3)的基础上分析前一阶段数据和后一阶段数据间的相关性，然后根据相关性将前一阶段的部分数据加入到后一阶段，从而将经过步骤2)统计后的rms划分成多阶段信号；

5)在步骤4)的基础上将得到的多阶段数据输入到长短时记忆网络中进行预测。

2.根据权利要求1所述的一种基于多阶段的发动机轴承故障预测方法，其特征在于，发动机轴承的振动数据中每个时间点上都包含了大量的时间特征，将原数据进行处理，将其时间特征rms提取出来；

平均值：

偏差平方和：

均方根：

其中x_i为第i个数据，n为数据的个数，为平均值，S为偏差平方和。

3.根据权利要求1所述的一种基于多阶段的发动机轴承故障预测方法，其特征在于，步骤2)中为了更好地反映统计值的统计能力，采用慢变量Sv来反映统计值的子曲线的波动范围，并通过Sv的波动范围E来选择合适的统计值；E越小，说明越能将波动相似的样本点组合起来，统计值的选择就越合适；

E＝S_vmax-S_vmin (5)

其中t为统计值，Si为第i个子曲线中的第一个数据值。

4.根据权利要求1所述的一种基于多阶段的发动机轴承故障预测方法，其特征在于，步骤3)具体按以下步骤进行：

3.1)利用均值极差控制图找出突变点：

其中CL为中心线，UCL为上控制界限，LCL为下控制界限，为均值，为极差，A为均值控制图控制界限因子，D₃和D₄为极差控制图控制界限因子，均可通过计量值控制图因数表查得；

3.2)利用统计概况(Profile)分析突变点前后的曲线，通常包括以下四个步骤：

3.2.1)确定变点位置；变点τ的估计值为：

其中假设在k样本发生突变，lr(tn,kn)是广义似然比法统计量，t为自变量第t个样本，n为样本中包含的数据个数；

3.2.2)确定方差是否不变；在得到变点后，通过个失控样本来检验profile的方差是否变化；因为一旦方差发生变化将不能对回归关系做出精确推断；

3.2.3)确定回归函数是否发生变化；对变点左右数据分别做线性回归确定回归函数是否发生变化，使用广义似然比法检验，通过简单求导得出以下检验统计量：

其中是二次型Z^TAZ分布的α分位点；

3.2.4)基于原始数据分析一下回归函数发生变化的原因。

5.根据权利要求1所述的一种基于多阶段的发动机轴承故障预测方法，其特征在于，步骤4)具体为：

对前一阶段的部分数据和后一阶段的数据进行拟合并计算可决系数R²值，当R²(S_i-1，Q，S_i)为最大值且R²(S_i-1，Q，S_i)0.8时，其中Q为前一阶段最后一部分数据的数目，S_i是第i阶段的数据，此时的Q被选为前一阶段加入到下一阶段的数据的数目。

6.根据权利要求1所述的一种基于多阶段的发动机轴承故障预测方法，其特征在于，步骤5)具体按以下步骤进行：

5.1)优化网络系统参数

5.1.1)首先将t时刻的输入x_t和隐藏层的输出h_t-1复制四份，并初始化不同的权重，从而得到遗忘门、输入门和输出门以及变换后的新信息；公式如下：

f_t＝σ(W_fx_t+U_fh_t-1+b_f) (12)

i_t＝σ(W_ix_t+U_ih_t-1+b_i) (13)

o_t＝σ(W_ox_t+U_oh_t-1+b_o) (14)

其中，W为输入层到隐藏层的参数矩阵，U为隐藏层到隐藏层的自循环参数矩阵，b为偏置参数矩阵，σ为sigmoid函数从而使三个门的输出保持在0～1之间；

5.1.2)然后通过遗忘门f_t和输入门i_t来控制忘记多少历史信息C_t-1和保存多少新信息从而更新内部的记忆细胞状态C_t，公式如下：

5.1.3)最后通过输出门o_t来控制输出多少内部记忆单元C_t的信息到隐状态h_t，公式如下：

h_t＝o_t⊙tanh(c_t) (17)

5.1.4)计算代价函数；使用交叉熵H(y′,y)作为代价函数，不断优化网络系统参数使其最小化；计算公式如下：

其中，T代表样本点数量，y_t表示t时刻下的真实值，y′_t表示t时刻下的预测值；

5.2)反向优化网络

LSTM网络的反向传播算法和RNN类似，采用的也是随时间反向传播算法；经过前向传播得到网络的输出，根据误差从最后一个时刻开始逐层计算梯度；反向传播算法步骤如下：

5.2.1)前向计算出输入门、输出门、遗忘门和隐藏层的输出值；

5.2.2)反向计算每个时刻每个神经元的误差，同时将后一时刻的误差传播给前一时刻；

5.2.3)根据相应的误差从而计算出每个权重的梯度；

以遗忘门为例进行计算：

由此得到遗忘门的权重矩阵，假设其代价函数为J_t，则遗忘门的权重矩阵梯度如下：

其中，δh_t为代价函数对隐藏层输出h_t的偏导，o_t为t时刻输出门输出，C_t为t时刻记忆单元输出，C_t-1为t-1时刻记忆单元输出，f_t为t时刻遗忘门输出；S_t在式(19)中给出；根据式(20)同样可以得到其他神经元的权重矩阵梯度；

5.2.4)由于LSTM网络复杂且数据量大，传统的随机梯度下降算法效果不佳，因此采用Adam算法更新每个权重，使得代价函数达到最优，至此LSTM网络训练结束；

5.3)最后，运用训练好的LSTM对划分好的多阶段故障信号进行预测，然后依次输出预测曲线和误差。