[发明专利]智能冲压压力机部件生命周期预测系统、方法、终端、介质

权利要求书

1.一种基于MDDP系统的智能冲压压力机部件生命周期预测方法，其特征在于，所述基于MDDP系统的智能冲压压力机部件生命周期预测方法包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；

通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；

所述对设备内部轴承的震动频谱进行采集分析包括：

(1)获取震动频谱传感器采集的频率-电平样本数据；对样本数据进行降噪平滑处理和等长分段处理；首先对样本数据进行降噪平滑处理，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段，从而提高计算效率和准确度；

(2)对样本数据进行不等长分段与噪声门限电平估计；对样本数据进行不等长分段，通过粗略估计各段内信号的最大带宽，以最大带宽的2倍作为各段的分段长度，实现不等长分段；噪声门限电平估计是通过计算段内样本数据的电平期望，并剔除电平大于期望3dB的样本数据点，然后对剩余的样本数据重新计算电平期望，该电平期望值即为噪底电平；

噪声门限电平估计是以大于噪底电平3dB作为噪声门限阈值，信号提取是通过将样本数据的电平值与噪声门限阈值进行比较，对于大于门限阈值的样本点看作是信号，并且将连续大于门限阈值的样本点合为一个信号；

(3)信号提取：信号输入；对输入信号进行预处理/取帧；特征提取；频谱分析；BP神经网络训练；输出信号识别结果；所述频谱分析采用频谱自适应算法包括：令训练向量和测试向量分别是向量X(1)和X(2)，假设：

U＝AX⁽¹⁾,V＝BX⁽²⁾ (1)

其中A和B是对应于X(1)和X(2)的变换矩阵，u和v是参考空间中公式(1)x和(2)x的映射；将均方误差最小化：

D＝E{(U-V)²}，其中U＝AX⁽¹⁾,V＝BX⁽²⁾ (2)

带约束E{U²}＝E{V²}＝1；做U和V的最大相关，u和v在当时不为零；

假设信号倒谱的长期均值为零，令E{X}＝0，分别从训练向量和测试向量中减去信道特征；得到的E{X⁽¹⁾}＝E{X⁽²⁾}＝0，和得到相关矩阵：

得到关系：

I＝E{U²}＝E{A′X⁽¹⁾X⁽¹⁾′A}＝A′∑₁₁A (4)

I＝E{V²}＝E{B′X⁽²⁾X⁽²⁾′B}＝B′∑₂₂B (5)

E{U}＝E{A′X⁽¹⁾}＝A′E{X⁽¹⁾}＝0 (6)

E{V}＝E{B′X⁽²⁾}＝B′E{X⁽²⁾}＝0 (7)

E{UV}＝E{A′X⁽¹⁾X⁽²⁾B}＝A′∑₁₂B (8)

问题改写为：

令得到

满足

特征向量(a⁽¹⁾,b⁽¹⁾),(a⁽²⁾,b⁽²⁾),……(a^(p),b^(p))对应于λ₁,λ₂,…λ_p是转换矩阵A和B的行向量；通过计算将测试向量映射到训练空间；

(4)对信号二次分析，进行信号的合并和虚假信号的消除；将两个间隔较小的信号合并为一个信号；对于信号电平小到一定程度，且存在多个极值或包含的样本点数较少，则将其视为虚假信号进行消除；

(5)估计信号频率上下限；通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；

(6)对信号范围内任意两点进行线性插值，估计信号的相关参数；根据信号频率上下限以及其范围内的样本数据，按照1kHz的间隔进行任意两个样本点的线性插值，按照占总能量99％的频带范围计算占用带宽，以低于最大电平3dB和26dB的样本数据点分别计算信号的3dB带宽和26dB带宽；

在S变换的高斯窗上加入两个参数λ和p，使高斯窗随3dB带宽和26dB带宽不同带宽的频率成分变换而变化；信号x(t)的广义S变换为x(GST)，则有；

对高斯窗G(t)做Wigner-Ville分布：令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2；

所述对高斯窗G(t)做Wigner-Ville分布：

令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2。