[发明专利]基于相对密度核估计的齿轮剩余寿命预测方法

说明书

本发明属于大数据和智能制造技术领域，具体技术方案为：基于相对密度核估计的齿轮剩余寿命预测方法，具体步骤如下：一、建立估计未知变量的核密度估计模型；二、确定自适应的相对密度窗宽；三、计算齿轮退化样本的特征退化分布；四、建立齿轮剩余寿命预测模型，构建剩余寿命预测的概率密度函数，实时预测齿轮的剩余寿命；本模型可自适应地选择出更加准确的窗宽，提高了拟合度，通过引入核微分同胚变换方法，有效地消除了核密度估计带来的边界偏差问题，实时更新的模型，有效避免了核密度估计的重复计算，随着样本数据的增加，剩余寿命的预测越来越接近实际值，方差变得越来越小，提高了预测的准确性和有效性。

技术领域

本发明属于大数据和智能制造技术领域，具体涉及一种基于相对密度核估计的齿轮剩余寿命预测方法。

背景技术

近年来，随着工业化设备不断地朝着智能化、高性能和复杂化的方向发展。这类设备在受到系统内部因素和外部环境因素的影响下设备发生故障的概率也随之增加，设备故障会导致其性能和健康状态产生一定程度的退化。如果设备出现大的故障，这不仅造成财政和资源损失重大，也给人民的安全带来危险。为此，对设备进行实时监测和剩余寿命预测有着十分重要的研究价值和意义。

现研究阶段可将剩余寿命预测的方法大致分为基于物理失效模型、基于知识表示和数据驱动的方法。面对复杂化的设备，获得物理模型是非常困难的事，知识表示的方法更适合于定性推理而不太适合定量计算，且难以获得完整的知识。因此，数据驱动的方法成为剩余寿命预测研究的主流方向。

Si等将数据驱动方法的伽马分布、回归模型、维纳过程和随机滤波模型等寿命预测方法进行总结分析；Zhai等提出自适应维纳过程的剩余寿命预测模型；刘文溢等提出基于高阶隐半马尔科夫模型的剩余寿命预测模型。上述数据驱动方法大部分需要假设退化模型和参数估计，并且参数估计法对模型选择有局限性，过分依赖概率密度函数形式的先验界定，所以不能确保预测模型的精确性和适用性。

随着工业系统复杂化的发展，机器学习作为数据驱动的方法，裴洪等对基于机器学习的预测方法从浅层和深度学习两方面进行了详细分析总结。其中，基于深度学习的预测方法有强大的特征提取能力，不需要事先对未知的退化模型假设，是目前剩余寿命预测应用上的主流方法。Zhang等提出用LSTM神经网络的方法对设备进行预测；Li等利用深度卷积神经网络方法进行寿命预测；而Chen等结合了Guo等和Li等两种方法的优势提出了一种基于端到端可训练卷积递归神经网络的机械健康指标构建方法；张继冬等提出一种基于全卷积变分自编码网络的轴承剩余寿命预测方法。上述机器学习的方法，它的算法在适应制造系统和过程的复杂和非线性特性方面往往受到限制，而且其模型内部结构称为“黑盒子”，不能够清楚地表征系统退化特征的变化，且网络在学习过程中随着输入的不断增加，参数调节不能保证全局最优，从而使系统的剩余寿命预测准确性受到影响。

核密度估计的方法是对数据分布不附加任何假设，从数据本身出发研究数据分布特点的非参数估计方法。该方法避免了大部分数据驱动方法需要模型假设和参数估计的问题以及避免了机器学习的不足。因此，核密度估计方法在剩余寿命预测技术上的应用受到学者们的高度关注和重视。现有的核密度估计模型中， HU等用非参数核估计的方法对风速建模评估系统可靠性；Sidebe等针对不同运行环境对随机系统退化状态的作用，提出用两个函数建模的方法对系统可靠性进行了计算；杨楠等提出一种基于非参数核密度估计的风功率波动性概率密度建模方法，并针对模型带宽选择问题，构造一种以拟合优度检验为约束条件的带约束带宽优化模型；李存华等将核密度估计方法应用在聚类算法的构造上，提出基于网格数据重心的分箱核估计近似方法。上述文献中核估计窗宽的选取大部分采用的是固定的窗口宽度，将固定值作为窗宽会造成样本点分散的区域拟合度低，密集的区域拟合度过高。