[发明专利]一种适用于轴承剩余使用寿命预测的特征提取优化方法

说明书

本发明公开一种适用于轴承剩余使用寿命(Remaining Useful Life,RUL)预测的特征提取优化方法，包括以下步骤：1)对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪；2)计算出常用的轴承RUL预测统计特征；3)利用Savitzky‑Golay滤波器对统计特征进行平滑处理；4)对平滑处理后的统计特征进行累积变换；5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征。本发明显著改善了特征的单调性和趋势性，优化后的特征有利于提高轴承剩余使用寿命的预测精度。

技术领域

本发明涉及机械信号处理领域，尤其涉及一种适用于轴承剩余使用寿命预测的特征提取优化方法。

背景技术

随着当今社会迈入以智能制造为主导的工业4.0时代，机械设备日益朝着大型化、自动化、集成化、智能化的方向发展。为了保证设备的正常运转及便利维修，开展针对设备的在线监测和健康管理显得尤为重要。由于机械设备内部结构复杂，各子部件之间存在强耦合性，导致难以通过建立精确的物理模型用于监控和预测。因此，在传感器、存储、大数据等新技术快速发展的背景下，基于数据驱动的剩余使用寿命预测(remaining usefullife，RUL)技术近些年受到诸多关注。

滚动轴承被称为“工业的关节”，是旋转机械设备的关键零件，其性能与质量直接影响了机械设备的安全性与可靠性。因此，准确、及时地预测轴承的剩余使用寿命对工业生产安全而言具有重大研究意义。通过安装在机械设备内部的传感器实时采集数据，并提取反映轴承退化信息的特征，对于实现精确的RUL预测至关重要。特征提取是实现基于数据驱动的轴承RUL预测的前提，目的是提取出符合轴承退化趋势的特征用于表征退化过程。传统的特征提取方法是计算原始振动信号的统计特征，包括均方根、峭度、峰峰值等。近年来，深度学习凭借其出色的非线性映射能力在滚动轴承特征提取领域得到广泛应用。但是时间卷积网络、深度信念网络等深度学习方法往往需要大量标签数据进行有监督微调，标签数据的缺乏与难以获取严重制约了运用深度学习方法提取特征，而传统统计特征在单调性与趋势性上相比于轴承退化趋势往往不尽人意。因此，本发明提出一种适用于轴承剩余使用寿命预测的特征提取优化方法，通过对传统特征采用累积变换的方式优化其单调性与趋势性，使其在表征轴承退化过程中有更好的表现。

发明内容

本发明的目的在于采用一种适用于轴承剩余使用寿命预测的特征提取优化方法，通过将提取的特征变换为相应的累积形式，达到优化特征单调性与趋势性的效果，具有提高特征表征轴承退化过程能力的意义。

本发明的目的可通过以下的技术步骤来实现：

一种适用于轴承剩余使用寿命预测的特征提取优化方法，分以下步骤：

1)首先对滚动轴承原始振动信号采用离散小波变换方法进行信号去噪，包在消除异常的噪声信号的同时保留有用的退化信息；

2)在经过步骤1)信号去噪处理后得到的重构信号上，计算出常用的轴承RUL预测统计特征，包括峰峰值、标准差、均方根、三角特征等；

3)利用Savitzky-Golay滤波器对步骤2)所得的统计特征进行平滑处理，以减少提取特征的波动和进一步滤除不需要的噪声；

4)对步骤3)平滑处理后的统计特征进行累积变换，具体计算公式如下：

式中，c_mn表示第m个特征y_m⁽ⁱ⁾在n个样本中的累积变换结果。

5)利用累积特征的单调性与趋势性来筛选用于轴承RUL预测的特征。单调性公式计算方法如下：

式中：n表示总观测值。趋势性公式计算方法如下：