[发明专利]一种基于模糊认知图的轴承故障预测方法

说明书

本发明提出一种基于模糊认知图的轴承故障预测方法，包括：S1.构建轴承故障预测模型；S2.将得到的故障数据进行归一化处理，把轴承数据每个变量作为节点输入到STFCM，学习轴承数据之间的时空特征；S3.STFCM得到的轴承状态值经过残差结构输入到LSTM；S4.将LSTM的先前隐藏状态输入到TFCM；S5.经过三层全连接层得到输出预测结果。轴承通常在复杂的环境下工作，导致其容易发生故障且在故障早期故障征兆不明显。给工业界带来潜在的安全威胁和不可估量的经济损失。轨道交通的故障诊断目前方法很难处理大量高维数据的状况，本发明能够更好捕获信号的高频变化，诊断轨道交通故障。

【技术领域】

本发明提出一种基于模糊认知图预测轴承故障的方法，属于轴承故障诊断技术领域。

【背景技术】

轴承可被是各类机械中最常见和最关键的机械部件，并广泛应用于城市交通系统和工业应用。但轴承故障频发给系统安全性带来隐患，因此，轴承故障预测一直是研究的热点。现有的故障诊断方法有基于解析模型的方法、基于信号处理的方法以及基于知识等，这些方法都具有一定的局限性。

模糊认知图(Fuzzy Cognitive Maps,FCM)是知识图解表示的一种方式，能够把事件之间的趋势变化通过概念之间的弧连接起来的图结构。FCM是由节点以及连接节点的边组成，是一个有向图。FCM强调概念之间联系，其强弱由权重大小表示。由于FCM具有比较好的可解释性、推理能力以及知识的直观表示等优势，已经应用到很多领域，如军事决策、电量预测等。但预测精度有限，为了提高在时间序列预测时的精度，许多学者提出了不同算法学习FCM，如，平衡微分学习算法、实数遗传编码算法等。随着机器学习的广泛应用，岭回归、支持向量机等算法也用来学习FCM。

利用FCM实现长期预测的问题更是发展较快，利用稀疏自动编码器提取时间序列中的特征构建FCM。为了进一步提高预测精度，许多学者考虑加入其他因素扩展模糊认知图，加入时间因素后，扩展的模型有高阶模糊认知图、动态模糊认知图，利用小波变换分解时间序列构建HFCM进行预测，也有学者使用直觉模糊认知图模拟系统之间的不确定性关系，把变分模式分解与高阶直觉模糊认知图结合起来进行时间序列预测。

FCM在时间序列预测方面已经得到广泛地应用，并且取得不错的效果。鉴于单变量时间序列无法直接构建FCM，许多学者提出了一些构建思想，使用模糊C均值聚类算法，把初始的单变量时间序列聚类成为几类构建FCM；为了捕捉到不同频率的时间序列信息，把经验小波变换与HFCM结合起来，使用原始序列与分解出来的序列进行建模，学习FCM采用基于支持向量机的方法，优点是降低离群点的影响。针对多变量时间序列，不少学者在不同的领域进行了一些探索，把电量与其他的记录值共同输入到FCM，分别使用多步梯度法、实数编码遗传算法、结构优化遗传算法学习FCM得到预测结果；有人提出弹性网与HFCM结合的多变量的快速预测模型，加快预测速度，捕捉变化趋势。

现有的轴承故障诊断方法是基于解析模型的方法、基于信号处理的方法以及基于知识的方法。基于解析模型的方法是最早的故障检测方法，针对系统样本的一种数学诊断方法；基于信号处理的方法把检测得到的数据进行处理，方法简单，分为频域分析法与小波分析法；基于知识的方法包含许多方法，主要有专家系统诊断方法、遗传算法诊断方法、故障树诊断方法以及神经网络诊断方法，更容易适应不同的工况。

利用时间序列来预测系统未来状态广泛应用于各种行业，但长时间非平稳时间序列的高精度、可解释、普适性的预测仍是亟待解决难题，导致在轴承故障预测中精度较低。FCM的改进对平稳短时间序列预测比较成功，但是对非平稳性长时间序列预测上精度较差。深度学习能够提高时间序列预测的精度，但是因为本身的黑匣子问题，无法对变量之间的关系进行解释。另外，随着深度学习中网络深度的增加，导致长期反向传播中出现梯度爆炸和消失的问题。