[发明专利]一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法

说明书

本发明公开了一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法，该方法建立了扩展指数模型及线性分段模型，生成涵盖多种退化行为的数字孪生字典，设计了新的图学习优化目标函数，引入稀疏正则化方法降低模型复杂度及参数敏感度，自适应获取数据的精确拓扑结构，基于构建的数字孪生字典及自适应稀疏图学习实现了剩余使用寿命的准确预测。

技术领域

本发明属于机械故障预测与健康管理、信号处理技术领域，涉及一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法。

背景技术

机械设备的支撑、传动零件如轴承、齿轮、转轴等是关键零部件。一旦该零件发生失效，轻则机械设备不能正常工作，重则发生严重的安全事故，均会给生产、生活带来巨大损失。若能尽早地检测出故障，甚至预测故障的发生，在实际中更有应用价值。由于滚动轴承在旋转机械中广泛应用，且极易发生故障，对滚动轴承剩余使用寿命预测的研究得到了越来越多的关注。

当前剩余使用寿命预测方法主要分两大类，即基于模型方法和数据驱动方法。基于模型方法具有一个共同的特征即需要预先建立复杂退化模型，且有众多需要估计的模型参数。由于这些方法基于统计学原理，因此容易受到退化数据中异常行为的影响，导致参数估计出现偏差。数据驱动方法具有处理海量数据的能力，但是也有明显的缺点即需要大量的训练数据。实际中获取大量的滚动轴承全生命周期性能退化数据是耗时且昂贵的。另外一般也不允许机械设备失效，因此运行至失效数据更为难以获取。此外，深度学习模型通常还面临着训练与调参的问题，往往耗时较高且模型泛化能力差。

综上所述，滚动轴承剩余使用寿命预测存在两个需要解决的难题，一是如何获取大量涵盖更多退化行为的训练数据，以提高预测精度；二是提出架构简单、易于实施，且参数调节依赖度低的自适应预测方法。因此本发明提出一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法。

发明内容

本发明的目的在于提供一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法，以解决滚动轴承寿命预测中存在的问题。

为实现上述目的，本发明采用的技术方案为一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法，该方法建立了扩展指数模型及线性分段模型，生成涵盖多种退化行为的数字孪生字典，设计了新的图学习优化目标函数，引入稀疏正则化方法降低模型复杂度及参数敏感度，自适应获取数据的精确拓扑结构，基于构建的数字孪生字典及自适应稀疏图学习实现了剩余使用寿命的准确预测。

S1数字孪生字典构建；

建立扩展指数函数模型及线性分段模型，表征滚动轴承的多种退化过程：

扩展指数模型：

其中，τ是时延系数，b是平移系数，a是指数模型的底数，M是计算点数，通过改变参数a,b,τ的具体数值，即可获得一系列的演变趋势线；

扩展线性分段模型：

其中，int表示取整数，a表示第一段线性模型的起始值，b表示两段线性模型的拐点值，c表示第二段线性模型的末尾值，τ是时延系数，通过改变参数a,b,c,τ的具体数值，即可获得一系列的演变趋势线；

S2自适应稀疏图学习；

通过S1数字孪生的方式构建了数量庞大的训练样本，将训练样本与当前的测试样本共同组成拓扑图的N个节点。一个简单的无向、加权、连通图可以表示为矩阵表示图的N个节点，向量x_i为节点值。邻接矩阵其中，w_ij表示连接节点i和j的边的权重，对一个图而言，最重要的即为确定其邻接关系：

考虑如下新构建的优化目标：