基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统与流程

本发明属于机械检测技术领域，尤其涉及一种基于迭代相关向量机的滚动轴承剩余寿命预测方法及系统。

背景技术：

目前，业内常用的现有技术是这样的：滚动轴承作为旋转机械设备中最重要的零部件之一，其性能状态的好坏直接影响整台设备的运行状态。寿命是衡量滚动轴承性能的重要指标之一，但实际数据显示滚动轴承的使用寿命具有很大的离散性，同批次同工况下，最低寿命与最高寿命差距达数十倍，因此对运行中的滚动轴承健康监测和残余寿命预测极为必要。准确的残余寿命预测可以尽早发现滚动轴承损伤和劣化趋势，为制定经济合理的检修策略提供数据支持，尽可能减少生产事故，提高经济效益。

现有的寿命预测方法主要分为两类，一类是基于物理模型，通过在失效机理或损伤原理的基础上建立数学模型来描述机械设备的退化过程。然而对于复杂的机械系统，想要建立准确的模型很困难。二类是基于数据驱动的模型，通过实时获取轴承的振动，温度等物理特性，依靠经验知识建立随机模型或模糊映射来预测剩余寿命，缺点在于需要大量的历史数据，预测误差较大。

综上所述，现有技术存在的问题是：

(1)基于物理模型预测寿命的方法，建立准确的模型很困难

(2)基于数据驱动的模型预测寿命的方法，需要大量的历史数据，预测误差较大。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法。

本发明是这样实现的，一种基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；

使用相关向量机探索特征向量f与残余寿命序列t的映射关系，建立rvm模型并通过网格搜索，优化模型参数σ，其模型为rvm0(f；σ0)；

通过迭代残差优化，训练一组rvm模型。

进一步，所述向量机预测模型的优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。

进一步，所述向量机模型通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据，对振动数据进行预处理，剔除缺失，重复，异常等数据。

进一步，通过时域，频域，时频域提取能全面反映轴承状态的特征。

进一步，所述训练一组rvm模型的步骤如下：

假设给定训练数据集(f,t)，其中特征集t＝(t1,t2,…,tn)^t，m为特征子集的维数，n是样本个数,集成模型为

其中rvm0(f；σ0)是第4步得到的模型，rvmi是基学习器,σi是基学习器的参数，β是固定权重，在给定误差函数为l(t,g(f))的条件下，集成模型g(f)成为经验风险极小化即误差函数极小化的问题：

进一步，每轮优化的目标函数如下：

假设经过i-1轮迭代后，已经得到gi-1(f)：

则在第i轮，首先计算当前的残差ri:

ri＝t-gi-1(f)(5)

然后将(fⁱ,ri)输入rvm中训练rvmi：

优化得到rvmi的参数σi后，即可得到gi(f)：

gi(f)＝gi-1(f)+β·rvmi(fⁱ；σi)(7)

得到最终的模型后，只需将待测轴承的振动特征输入，即可得到其剩余寿命预测值及其置信区间。

本发的另一目的在于提供一种基于迭代相关向量机的滚动轴承剩余寿命预测系统，所述系统包括：

数据采集模块，用于采集滚动轴承剩余寿命的相关数据；

数据预处理模块，用于将采集的数据进行预处理；

特征提取模块，用于通过时域，频域，时频域提取，全面反映轴承状态的特征；

数据归一化模块，用于将提取的特征数据归一化；

模型训练模块，用于通过迭代残差优化，训练rvm模型。

本发的另一目的在于提供一种安装有上述系统的基于迭代相关向量机的滚动轴承剩余寿命预测系统。

本发的另一目的在于提供一种实现上述基于迭代相关向量机的滚动轴承剩余寿命预测方法的信息数据处理终端。

本发的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于迭代相关向量机的滚动轴承剩余寿命预测方法。

综上所述，本发明的优点及积极效果为：

本发明提供的方法相比原始相关向量机模型，准确率更高。表1示出了具体的对比结果。

表1两种模型评价指标

预测结果通过4个指标评价，均方根误差(rmse)，绝对平均误差(mae)，平均相对误差(mare)，累积相对准确度(cra)。四个评价指标的公式分别为：

从图和表中可以看出，迭代rvm均方根误差为9.877，相比rvm模型的23.133降低57.3％，绝对平均误差为7.859，相比rvm模型的17.257，降低54.46％，平均相对误差为16.9％，相比rvm模型的24.7％，降低7.8％，累积相对准确率为75.3％，相比rvm模型的70.6％，增加了4.7％。总体来看，等权重迭代残差优化rvm模型比原始rvm模型有比较明显的提升。

附图说明

图1是本发明实施例提供的基于迭代相关向量机的滚动轴承剩余寿命预测方法算法流程图。

图2是本发明实施例提供的实验预测结果图。

a.原始相关向量机预测结果；b.迭代相关向量机预测结果。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

针对现有技术存在的问题，本发明提供了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法，下面结合附图1、图2对本发明作详细的描述。

该基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型，其优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。

通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据。对振动数据进行预处理，剔除缺失，重复，异常等数据。通过时域，频域，时频域提取能全面反映轴承状态的特征，其公式如下表所示。

使用相关向量机探索特征向量f与残余寿命序列t的映射关系，建立rvm模型并通过网格搜索，优化模型参数σ，其模型为rvm0(f；σ0)

通过迭代残差优化，训练一组rvm模型，其步骤如下：

假设给定训练数据集(f,t)，其中特征集t＝(t1,t2,…,tn)^t，m为特征子集的维数，n是样本个数,集成模型为

其中rvm0(f；σ0)是第4步得到的模型，rvmi是基学习器,σi是基学习器的参数，β是固定权重，在给定误差函数为l(t,g(f))的条件下，集成模型g(f)成为经验风险极小化即误差函数极小化的问题：

由于参数过多，如果同时优化会导致计算量大增，情况变得复杂。但是式(2)是一个加法模型，假如不同时优化，从右到左，每一轮只对一个基学习器的参数进行寻优，通过多次迭代完成所有参数的优化，那么就能显著降低优化过程的复杂程度。因此，每轮优化的目标函数如下：

假设经过i-1轮迭代后，已经得到gi-1(f)：

则在第i轮，首先计算当前的残差ri:

ri＝t-gi-1(f)(5)

然后将(fⁱ,ri)输入rvm中训练rvmi：

优化得到rvmi的参数σi后，即可得到gi(f)：

gi(f)＝gi-1(f)+β·rvmi(fⁱ；σi)(7)

得到最终的模型后，只需将待测轴承的振动特征输入，即可得到其剩余寿命预测值及其置信区间。如图2所示，直线代表真实值，直线两侧的数值代表预测值，浅蓝色区域代表95％的置信区间。可以看到真实值全部落在置信区间范围之内，且在中后期预测值在真实值附近波动，说明了模型预测的有效性。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。