[发明专利]基于循环神经网络融合的机械零部件健康指标构造方法

摘要

一种基于循环神经网络融合的机械零部件健康指标构造方法，首先获取机械零部件振动信号，计算得到振动信号时域特征序列和频域特征序列；根据时域特征序列和频域特征序列计算相似性特征；对振动信号进行三层小波包变换，得到频带能量比特征；利用特征的综合评价指标筛选出机械零部件退化过程的敏感特征集，用以训练循环神经网络；通过敏感特征集和训练好的循环神经网络可以得到新的机械零部件健康指标RNN‑HI，本发明利用相似性特征和循环神经网络充分挖掘了机械零部件振动信号中的退化信息，不仅便于失效阈值的确定而且提高了寿命预测的精度。

主权项

一种基于循环神经网络融合的机械零部件健康指标构造方法，其特征在于，包括以下步骤：1)获取机械零部件振动信号，计算振动信号时域特征，得到机械零部件时域特征序列f1＝(f11,f12,...,f111)，其中f11，f12，…，f111分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标；对振动信号进行傅里叶变换，得到一个全局谱特征序列f2，并对全局谱特征序列进行平均分割，得到由低频到高频的四个子谱特征序列f3、f4、f5、f6；2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征：RS=|Σi=1K(f0i-f~0)(fti-f~t)|Σi=1K(f0i-f~0)2Σi=1K(fti-f~t)2---(1)]]>其中，K为特征序列长度，和分别为初始时刻和t时刻下特征序列的均值，和分别为初始时刻和t时刻下特征序列第i个分量的值，得到的相似性特征依次记为F1，F2，F3，F4，F5，F6；3)对振动信号进行三层小波包变换，依据式(2)计算得到八个频带能量比特征：ERi=EiE---(2)]]>其中Ei(i＝1，2，...，8)为小波包各个频带的能量值，为全部小波包频带的能量和，得到的频带能量比特征依次记为F7，F8，F9，F10，F11，F12，F13，F14；4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1～F14的综合评价指标：Cri=Corr+Mon2---(3)]]>式中：Corr=|Σl=1L(Fl-F~)(tl-t~)|Σl=1L(Fl-F~)2Σl=1L(tl-t~)2---(4)]]>Mon=|Σl=1L-1ϵ(Fl+1-Fl)-Σl=1L-1ϵ(Fl-Fl+1)|L-1---(5)]]>其中，Fl和tl分别是第l个观测点的特征值和时间，和分别是全寿命周期内特征序列和时间序列的均值，L是全寿命周期内特征序列的长度，ε(x)是单位阶跃函数，Corr衡量的是特征序列与时间序列的线性相关程度，Mon衡量的是特征序列的单调性；5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri'，选取Cri'＞0.5的特征作为机械零部件退化过程的敏感特征集；6)利用全寿命数据集对循环神经网络模型进行训练，其中xt∈RN×1为t时刻的敏感特征集，yt∈[0,1]是相应时刻机械零部件真实退化率，yt＝0代表机械零部件处于完全健康状态，yt＝1代表处于完全故障状态，循环神经网络训练过程中的代价函数如式(6)所示：C=12Σt=1T||yt-y^t||22---(6)]]>其中，为循环神经网络模型的输出结果，yt为真实退化率；7)测试阶段，将计算得到的敏感特征集作为训练好的循环神经网络的输入，得到新的机械零部件健康指标RNN‑HI。