[发明专利]一种小样本装备故障在线预测方法在审
申请号: | 202310356001.9 | 申请日: | 2023-04-06 |
公开(公告)号: | CN116383608A | 公开(公告)日: | 2023-07-04 |
发明(设计)人: | 张保山;郭基联;周峰;周章文;张明亮;李波;魏圣军;顾金玲 | 申请(专利权)人: | 中国人民解放军空军工程大学 |
主分类号: | G06F18/10 | 分类号: | G06F18/10;G06F18/20;G06F18/214;G06F18/21 |
代理公司: | 北京成高专利代理事务所(普通合伙) 16047 | 代理人: | 姚燕春 |
地址: | 710000 陕西*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 样本 装备 故障 在线 预测 方法 | ||
1.一种小样本装备故障在线预测方法,其特征在于:包括如下预测步骤:
S1、数据处理:通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响,提出一种改进WTD算法用于在线滤除故障信号中的噪声;
S2、故障程度识别:通过MEST构建系统或装备的非参数模型,通过对观测向量与历史记忆矩阵的最优重构估计获得估计向量,利用估计向量和观测向量之间的差异性来反应故障程度,并引入CSFI进行平滑处理;
S3、故障在线预测:通过TSFM非统计性分析方法,消除数据的偶然变动,并引入梯度下降在线更新平滑因子,引入自适应滑动时间窗动态截取时间序列数据,提升TSFM的拟合能力;
S4、实验分析:验证小样本条件下装备故障预测模型的有效性和可行性;
S5、数据处理分析:通过预设BIC对不同分解层数的改进WTD算法复杂性进行评估;
S6、故障程度识别分析:以改进WTD得到各小波分解系数作为改进MEST的观测变量,设置采样频率、健康状态和退化状态进行故障程度的识别分析,采用双重CSFI处理数据,消除曲线中导数不存在的“尖点”,得平滑后故障程度点;
S7、故障在线测试分析:预设自适应滑动时间窗、自适应平滑因子、学习因子、最大训练迭代次数、最小允许误差,将平滑后的轴承故障程度值输入故障在线预测模型中,得自适应平滑因子变化趋势、自适应滑动时间窗长度变化趋势、预测误差变化趋势。
S8、预测结果总结:对在线预测模型故障预测的效果进行总结。
2.根据权利要求1所述的一种小样本装备故障在线预测方法,其特征在于,所述S1中,通过改进WTD算法用于在线滤除故障信号中的噪声,其原理如下:
式中,λ为阈值;
ωj,k为故障信号小波系数;
为预估小波系数;
j为分解尺度,且1≤j≤J,J为最大尺度;
sgn()为符号函数;
此阈值函数在小波域内具有连续性,当ωj,k→λ-时,当ωj,k→λ+时,
阈值λ的选择应满足:
式中,N表示信号长度;
σj表示第j层高斯白噪声标准差,其表达式为:
式中,Cdj,k为第j层小波分解的高频部分;
p为该尺度下小波系数的个数;
WTD认为故障信号存在于低频部分Adj,k中,噪声存在于高频部分Cdj,k中;
由于噪声的振幅服从高斯分布,以最大分解层数高频部分Cdj,k为评估模型复杂性的数据,引入BIC对模型的复杂性进行评估:
BIC=qln(N)-2ln(L)
式中,q为模型参数个数;
N为样本数量;
L为服从高斯分布的最大似然函数,即:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军空军工程大学,未经中国人民解放军空军工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310356001.9/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种新型渠道切缝机
- 下一篇:一种快速夹取秧苗的秧苗夹取装置及射秧机