[发明专利]一种小样本装备故障在线预测方法

权利要求书

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；

ω_j,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ω_j,k→λ^-时，当ω_j,k→λ⁺时，

阈值λ的选择应满足：

式中，N表示信号长度；

σ_j表示第j层高斯白噪声标准差，其表达式为：

式中，Cd_j,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Ad_j,k中，噪声存在于高频部分Cd_j,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Cd_j,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：