一种改进CHSMM的滚动轴承剩余寿命预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108776017A(43)申请公布日2018.11.09(21)申请号201810325011.5(22)申请日2018.04.12(71)申请人无锡信捷电气股份有限公司地址214000江苏省无锡市滴翠路100号创意产业园7号楼4楼(72)发明人白瑞林朱朔李新(51)Int.Cl.G01M13/04(2006.01)权利要求书3页说明书5页附图1页(54)发明名称一种改进CHSMM的滚动轴承剩余寿命预测方法(57)摘要本发明公开了一种改进CHSMM的滚动轴承剩余寿命预测方法，其特征是：先提取轴承振动数据的时域及时频域的特征向量，并采用PCA算法对特征向量进行降维；然后利用k-means算法得到各退化状态数据，建立退化状态识别模型，并利用轴承全生命周期数据建立剩余寿命预测模型；针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题，将高斯混合概率密度函数引入到CHSMM中；相比基于原始CHSMM建立的剩余寿命预测模型，基于改进CHSMM建立的剩余寿命预测模型，能够更好的逼近状态驻留时间概率分布，从而可以更精确的预测轴承的剩余寿命。CN108776017ACN108776017A权利要求书1/3页1.一种改进CHSMM的滚动轴承剩余寿命预测方法，具体包括以下步骤：步骤(1)：获取轴承全生命周期振动数据，进行去噪和归一化预处理；提取振动数据的时域、时频域特征向量；步骤(2)：利用PCA算法对多域特征向量进行特征降维；步骤(3)：将步骤(2)得到的轴承全生命周期数据分为五个退化状态，即正常状态、退化状态1、退化状态2、退化状态3、退化状态4，并用k-means算法对全生命周期数据进行聚类分析，得到各退化状态数据；步骤(4)：将高斯混合概率密度函引入到CHSMM中，得到改进后的CHSMM，利用步骤(3)得到的各退化状态数据训练出五个退化状态识别模型，作为轴承的状态分类器；步骤(5)：利用步骤(2)得到的全生命周期数据训练出一个剩余寿命预测模型，得到全生命周期的状态转移概率，对于待测数据，利用步骤(1)、(2)所提方法提取其特征向量，并将其输入到步骤(4)的状态分类器中，得到轴承当前的退化状态，然后利用剩余寿命计算公式计算出轴承当前的剩余寿命。2.根据权利要求1所述一种改进CHSMM的滚动轴承剩余寿命预测方法，其特征是：所述步骤(4)中对CHSMM的改进，包括以下步骤：1)CHSMM的参数为τ＝(N,M,π,A,B,C)，具体含义如下：①N：模型中，Markov链的状态个数，N个状态记为S1，S2，…,SN,qt表示任意t时刻Markov链所处的状态；②M：模型中每个状态对应的可能的观测值个数，ot表示任意t时刻的观测值；③π：初始时刻，模型的状态概率分布,π＝(π1,π2,…,πN)，其中πi＝P(q1＝Si)1≤i≤N；④A：状态转移概率矩阵，A＝(aij)N×N，其中aij＝P(qt+1＝Sj|qt＝Si),1≤i,j≤N，且⑤B：观测值概率密度函数，B＝{bj(ok),1≤j≤N,1≤k≤M}，bj(ok)＝P(ok|qt＝Sj)；⑥C：状态驻留时间D的概率密度函数，C＝{cj(d),1≤j≤N,1≤d≤E}，cj(d)＝P(d|qt＝Sj)，E为最大驻留时间；针对CHSMM要解决的评估、解码和学习问题，提出了相应的算法:“向前-向后”算法解决了评估问题，即给定观测序列O和参数τ，计算某一观测序列的概率；Viterbi算法解决了解码问题，即给定观测序列O和参数τ，寻找某种意义上最优的观测序列；BaumWelch算法解决了学习问题，即给定一个观测值序列，可确定一个τ，使得P(O|τ)最大；定义前向变量αt(i)＝P(o1,o2,…,ot,qt＝i,qt+1≠i),后向变量βt(i)＝P(ot+1,ot+2,…,oT,|qt＝i,qt+1≠i)，则有：2CN108776017A权利要求书2/3页对于给定参数τ和观测序列O＝(o1,o2,…,oT)，T为观测序列长度，可得P(Oτ)对数表达式为：其中δt(i,d)＝P(qt＝i,d|O),1≤i,j≤N,1≤d≤T-1,1≤t≤T；2)参数求解：对于状态驻留时间D，在应用CHSMM对轴承进行剩余寿命预测过程中，均假设其符合高斯分布，而实际中，状态驻留时间的真实分布函数是未知的，这种假设会降低预测精度；为了克服上述缺点，采用高斯混合概率密度函数作为状态驻留时间D的概率密度函数，模型表达式为：F代表高斯概率密度函数的个数；状态驻留时间D的模型参数推导如下：3CN108776017A权利要求书3/3页其中，4CN108776017A说明书1/5页一种改进CHSMM的滚动轴承剩余寿命预测方法技术领域[0