一种风电机组传动系统轴承退化特征优选方法与流程

[0001]
本发明属于风电机组传动系统轴承故障检测技术领域，特别是一种风电机组传动系统轴承退化特征优选方法。


背景技术：

[0002]
风电机组装备具有环境友好、基建周期短、装机规模灵活等优点，因此，近年来风电机组装机容量大幅度攀升。与此相对，风电机组传动系统齿轮箱较高的故障率严重限制了风电经济效益的发挥。由于齿轮箱的故障多始发于轴承，确保齿轮箱轴承的安全运行对确保风电机组传动系统的正常运行意义重大。
[0003]
目前，针对滚动轴承退化特征的评价与优选，多依赖于人工经验确定若干表征性良好的退化特征实施监测。通过算法进行退化特征优选时，需要对退化特征从多角度，多方面进行综合的评价。
[0004]
然而，现有技术构造的轴承退化特征越来越多，越来越复杂，人工经验选择已经难以适应退化特征优选的现状。由于轴承退化特征往往表现为强非线性特性，也即正常阶段平缓，故障阶段特征幅值迅速增加，多准则评价方法对于线性特征具有良好的评价效果，但是对于滚动轴承退化特征这种强非线性关系，评价能力较弱，无法有效地优选出具有良好表征性的退化特征。风电装备运行环境恶劣，所采集数据复杂，所提取的传动系统齿轮箱轴承的退化特征并不是全部都具良好的退化阶段表征性。现有的特征评价算法无法全面有效的评价滚动轴承性能退化特征。
[0005]
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。


技术实现要素：

[0006]
针对现有技术存在的问题，本发明提出一种风电机组传动系统轴承退化特征优选方法，首先对所有退化特征进行归一化，并结合真实损伤状况与均方根值将全寿命退化特征划分为不同退化阶段，并在不同退化阶段中优选表征性良好的退化特征。最后将优选的多类表征性良好的退化特征集合，作为优选退化特征集。该方法可以实现快速批量优选，并且可以在不同退化阶段内进行针对性的优选。
[0007]
本发明的目的通过以下技术方案予以实现，一种风电机组传动系统轴承退化特征优选方法包括以下步骤：
[0008]
第一步骤中，振动加速度传感器设在风力发电机传动系统轴承衬套外壳上以采集全寿命振动加速度数据；
[0009]
第二步骤中，基于全寿命振动加速度数据中提取高维退化特征；
[0010]
第三步骤中，对高维退化特征进行归一化处理；
[0011]
第四步骤中，从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0012]
所述的方法中，第一步骤中，采用三轴振动加速度传感器采集风力发电机传动系统轴承的全寿命振动加速度数据，采样频率为25600。
[0013]
所述的方法中，第二步骤中，高维退化特征包括时域退化特征，时域退化特征包括：均值t1，其为标准差t2，其为方差t3，其为偏斜度t4，其为峭度t5，其为峰峰值t6，其为max(x
i
)-min(x
i
)、方根幅值t7，其为平均幅值t8，其为均方幅根值t9，其为峰值指标t
10
，其为max(|x
i
|)、波形指标t
11
，其为t9/t8、峰值指标t
12
，其为max(x
i
)/t9、脉冲指标t
13
，其为max(x
i
)/t8、裕度指标t
14
，其为max(x
i
)/t7、偏斜度指标t
15
，其为和/或峭度指标t16，其为其中，t
k
为时域退化特征，k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，n；n表示每次处理的振动加速度数据x
i
的样本点总数。
[0014]
所述的方法中，第二步骤中，高维退化特征包括时频域特征，时频域特征包括emd本征模式能量和emd能量熵共同构成的特征，emd本征模式能量为：
[0015]
其中，imf
m
(i)为本征模式imf的第m个分量；m为本征模式imf分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n，
[0016]
emd能量熵为，其中，p
m
为每个本征模式imf占总能量的比例，e
m
为本征模式imf的第m个分量的能量。
[0017]
所述的方法中，第二步骤中，高维退化特征包括时频域特征，时频域特征包括小波包4层分解得到的16个频带能量，频带能量为：
[0018]
其中，s为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第s组小波包变换系数，s＝1，2，3，
…
，n/16；e
s
是小波包变换系数a
s
(z)的能量。
[0019]
所述的方法中，第二步骤中，高维退化特征包括频域退化特征，频域退化特征包括：t
17
，其为t
18
，其为t
19
，其为t
20
，其为t
21
，其为t
22
，其为t
23
，其为t
24
，其为t
25
，其为t
26
，其为t
22
/t
21
、t
27
，其为t
28
，其为和/或t
29
，其为其中，t
k
为频域特征，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过fft变换后得到的频域序列；j＝1，2，3，
…
，n；n表示频谱中的谱线个数；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列样本点出现的概率。
[0020]
所述的方法中，第三步骤中，归一化处理包括：
[0021]
其中，表示退化特征x中样本x
i
归一化处理之后的数值。
[0022]
所述的方法中，第四步骤中，使用综合加权评价准则从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征作为优选退化特征集，其中，综合加权评价准则目标函数为：max g＝κ1c(x)+κ2m(x)+κ3r(x)，其中，系数κ1、κ2、κ3为三个评价指标的加权系数；x为退化特征；g表示退化特征x的综合得分，用于评价退化特征x的单调性的m(x)为：
[0023]
其中δ(x
i
)函数为单位阶跃函数，
当x
i
≥0时，δ(x
i
)＝1，当x
i
＜0时，δ(x
i
)＝0；n为退化特征x的样本总数，
[0024]
用于评价退化特征x的鲁棒性的r(x)为：其中，x
i
为退化特征x中的样本，为该退化特征x的均值；为回归算法的预测向量中的样本点；n表示该特征向量x的长度；表示该特征向量x的残余特征中的样本点，表示退化特征x的趋势特征中的样本点，
[0025]
用于评价退化特征x与时间序列的相关性大小c(x)计算结果的值越大，则表征性越好。
[0026]
所述的方法中，第四步骤中，基于均方根值幅值将全寿命运行阶段划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段；对高维退化特征x中的退化特征进行鲁棒性和单调性两项准则的评价，得到高维退化特征x中每个退化特征的鲁棒性和单调性评价结果；
[0027]
将正常运行阶段表征性良好的频域退化特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维特征集x中每个退化特征的综合评分g1，保留g1值最高的若干退化特征，记为x1，将优选的退化特征集x1作为正常运行阶段表征性良好的退化特征；
[0028]
将早期故障阶段表征性良好的峭度指标t
16
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3)中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g2，保留g2值最高的若干退化特征，记为x2，将优选的退化特征集x2作为早期故障阶段表征性良好的退化特征；
[0029]
将故障发展阶段表征性良好的频域特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3)中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g3，保留g3值最高的若干退化特征，记为x3，将优选的退化特征集x3作为故障发展阶段表征性良好的退化特征；
[0030]
所优选的退化特征集x1、x2、x3，共同构成新的优选的高维退化特征x＝{x1，x2，x3}。
[0031]
所述的方法中，第四步骤中，基于均方根值幅值将全寿命运行阶段划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段，β1、β2、β3为四个不同退化阶段的三个划分阈值，其对应的全寿命时域振动数据x
i
中的样本点分别为其中x1为全寿命时域振动数据x
i
中的第1个样本点，x
n
为全寿命时域振动数据x
i
中的最后一个样本点，全寿命时域振动数据x
i
四个阶段对应的数据范围为：正常期对应数据范围为早期故障数据范围为故障发展期数据范围为失效期数据范围为在轴承正常运行期内，将正常期表现良好的频域退化特征作为优选
算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型1，并将该回归模型用于评价各退化特征在轴承正常阶段相关性的良好程度；在轴承早期故障期，将早期故障阶段良好的时域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型2，并将该回归模型用于评价各退化特征在轴承微弱故障阶段相关性的良好程度；在故障发展期，将故障发展期表现良好的频域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型3，并将该回归模型用于评价各退化特征在轴承故障发展阶段相关性的良好程度。
[0032]
有益效果
[0033]
本发明可以从多角度对退化特征进行评价，避免了人为经验选择的随机因素影响。特别地，滚动轴承的退化特征前期往往表现地较为平稳，幅值缓慢增加，到了故障期，幅值增加的速度快速增大，这导致轴承的性能退化趋势往往是强非线性的，本公开多准则加权综合评价方法中的相关性评价准则使用了adaboost回归算法对这种非线性关系进行学习，并对退化特征这种强非线性特征进行评价，可以更好的优选退化阶段表征性良好的退化特征。本发明可以对轴承故障的发生与演变给出更为直观有效地表征，可以更可靠的对轴承的退化状态进行监测。为了确保提取得到传动系统齿轮箱轴承可靠稳定的退化指标，预先从时域、频域、时频域等多角度提取高维退化特征，并对所提取的高维退化特征进行优选，将轴承不同退化状态表征性良好的退化特征优选出来，为退化指标的构造建立高质量的退化特征集。可以从鲁棒性、单调性、相关性等多个角度对退化特征进行综合性的评价与优选，确保了所优选退化特征良好的稳定性和表征性。
附图说明
[0034]
通过阅读下文优选的具体实施方式中的详细描述，本发明各种优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于表示优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
[0035]
在附图中：
[0036]
图1是本发明提供的一种风电机组传动系统轴承退化特征优选方法的流程示意图；
[0037]
图2是本发明提供的一种风电机组传动系统轴承退化特征优选方法的正常运行阶段表征性评价最高的频域特征退化特征图；
[0038]
图3是本发明提供的一种风电机组传动系统轴承退化特征优选方法的早期故障阶段表征性评价最高的峭度指标退化特征图；
[0039]
图4是本发明提供的一种风电机组传动系统轴承退化特征优选方法的故障发展阶段表征性评价最高的频域特征退化特征图。
[0040]
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
[0041]
下面的参照附图1至附图4将更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0042]
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
[0043]
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
[0044]
为了更好地理解，图1为一个风电机组传动系统轴承退化特征优选方法流程图，如图1所示，一种风电机组传动系统轴承退化特征优选方法包括以下步骤：
[0045]
第一步骤s100中，振动加速度传感器设在风力发电机传动系统轴承衬套外壳上以采集全寿命振动加速度数据；
[0046]
第二步骤s200中，基于全寿命振动加速度数据中提取高维退化特征；
[0047]
第三步骤s300中，对高维退化特征进行归一化处理；
[0048]
第四步骤s400中，从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0049]
所述的方法的优选实施方式中，第一步骤s100中，采用三轴振动加速度传感器采集风力发电机传动系统轴承的全寿命振动加速度数据，采样频率为25600。
[0050]
所述的方法的优选实施方式中，第二步骤s200中，高维退化特征包括时域退化特征，时域退化特征包括：均值t1，其为标准差t2，其为方差t3，其为偏斜度t4，其为峭度t5，其为峰峰值t6，其为max(x
i
)-min(x
i
)、方根幅值t7，其为平均幅值t8，其为均方幅根值t9，其为峰值指标t
10
，其为max(|x
i
|)、波形指标t
11
，其为t9/t8、峰值指标t
12
，其为max(x
i
)/t9、脉冲指标t
13
，其为max(x
i
)/t8、裕度指
标t
14
，其为max(x
i
)/t7、偏斜度指标t
15
，其为和/或峭度指标t16，其为其中，t
k
为时域退化特征，k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，n；n表示每次处理的振动加速度数据x
i
的样本点总数。
[0051]
所述的方法的优选实施方式中，第二步骤s200中，高维退化特征包括时频域特征，时频域特征包括emd本征模式能量和emd能量熵共同构成的特征，emd本征模式能量为：
[0052]
其中，imf
m
(i)为本征模式imf的第m个分量；m为本征模式imf分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n，
[0053]
emd能量熵为，其中，p
m
为每个本征模式imf占总能量的比例，e
m
为本征模式imf的第m个分量的能量。
[0054]
所述的方法的优选实施方式中，第二步骤s200中，高维退化特征包括时频域特征，时频域特征包括小波包4层分解得到的16个频带能量，频带能量为：
[0055]
其中，s为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第s组小波包变换系数，s＝1，2，3，
…
，n/16；e
s
是小波包变换系数a
s
(z)的能量。
[0056]
所述的方法的优选实施方式中，第二步骤s200中，高维退化特征包括频域退化特征，频域退化特征包括：t
17
，其为t
18
，其为t
19
，其为t
20
，其为t
21
，其为t
22
，其为
t
23
，其为t
24
，其为t
25
，其为t
26
，其为t
22
/t
21
、t
27
，其为t
28
，其为和/或t
29
，其为其中，t
k
为频域特征，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过fft变换后得到的频域序列；j＝1，2，3，
…
，n；n表示频谱中的谱线个数；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列样本点出现的概率。
[0057]
所述的方法的优选实施方式中，第三步骤s3中，归一化处理包括：
[0058]
其中，表示退化特征x中样本x
i
归一化处理之后的数值。
[0059]
所述的方法的优选实施方式中，第四步骤s400中，使用综合加权评价准则从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征作为优选退化特征集，其中，综合加权评价准则目标函数为：max g＝κ1c(x)+κ2m(x)+κ3r(x)，其中，系数κ1、κ2、κ3为三个评价指标的加权系数；x为退化特征；g表示退化特征x的综合得分，用于评价退化特征x的单调性的m(x)为：
[0060]
其中δ(x
i
)函数为单位阶跃函数，当x
i
≥0时，δ(x
i
)＝1，当x
i
＜0时，δ(x
i
)＝0；n为退化特征x的样本总数，
[0061]
用于评价退化特征x的鲁棒性的r(x)为：其中，x
i
为退化特征x中的样本，为该退化特征x的均值；为回归算法的预测向量中的样本点；n表示该特征向量x的长度；表示该特征向量x的残余特征中的样本点，表示退化特征x的趋势特征中的样本点，
[0062]
用于评价退化特征x与时间序列的相关性大小c(x)计算结果的值越大，则表征性越好。
[0063]
所述的方法的优选实施方式中，第四步骤s400中，基于均方根值幅值将全寿命运行阶段划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段；对高维退化特征x中的退化特征进行鲁棒性和单调性两项准则的评价，得到高维退化特征x中每个退化特征的鲁棒性和单调性评价结果；
[0064]
将正常运行阶段表征性良好的频域退化特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维特征集x中每个退化特征的综合评分g1，保留g1值最高的若干退化特征，记为x1，将优选的退化特征集x1作为正常运行阶段表征性良好的退化特征；
[0065]
将早期故障阶段表征性良好的峭度指标t
16
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g2，保留g2值最高的若干退化特征，记为x2，将优选的退化特征集x2作为早期故障阶段表征性良好的退化特征；
[0066]
将故障发展阶段表征性良好的频域特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g3，保留g3值最高的若干退化特征，记为x3，将优选的退化特征集x3作为故障发展阶段表征性良好的退化特征；
[0067]
所优选的退化特征集x1、x2、x3，共同构成新的优选的高维退化特征x＝{x1，x2，x3}。
[0068]
所述的方法的优选实施方式中，第四步骤s400中，基于均方根值幅值将全寿命运行阶段划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段，β1、β2、β3为四个不同退化阶段的三个划分阈值，其对应的全寿命时域振动数据x
i
中的样本点分别为其中x1为全寿命时域振动数据x
i
中的第1个样本点，x
n
为全寿命时域振动数据x
i
中的最后一个样本点，全寿命时域振动数据x
i
四个阶段对应的数据范围为：正常期对应数据范围为早期故障数据范围为故障发展期数据范围为失效期数据范围为在轴承正常运行期内，将正常期表现良好的频域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型1，并将该回归模型用于评价各退化特征在轴承正常阶段相关性的良好程度；在轴承早期故障期，将早期故障阶段良好的时域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型2，并将该回归模型用于评价各退化特征在轴承微弱故障阶段相关性的良好程度；在故障发展期，将故障发展期表现良好的频域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型3，并将该回归模型用于评价各
退化特征在轴承故障发展阶段相关性的良好程度。
[0069]
为了进一步理解本发明，在一个实施例中，风电机组传动系统轴承退化特征优选方法，包括如下步骤：
[0070]
s100由位于风力发电机传动系统轴承衬套外壳上的振动加速度传感器采集全寿命振动加速度数据；
[0071]
s200从振动加速度数据中提取高维退化特征；
[0072]
s300对高维退化特征进行归一化处理；
[0073]
s300轴承退化阶段初步划分，并从高维退化特征中优选轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0074]
步骤s100中，使用振动加速度传感器对风力发电机传动系统轴承的振动加速度数据x
i
进行采集，i为振动加速度数据时间序号。
[0075]
步骤s200中，从提取时域、频域、时频域等多个角度提取轴承退化特征。其中，时域退化特征包括：均值t1，其为标准差t2，其为方差t3，其为偏斜度t4，其为峭度t5，其为峰峰值t6，其为max(x
i
)-min(x
i
)、方根幅值t7，其为平均幅值t8，其为均方幅根值t9，其为峰值指标t
10
，其为max(|x
i
|)、波形指标t
11
，其为t9/t8、峰值指标t
12
，其为max(x
i
)/t9、脉冲指标t
13
，其为max(x
i
)/t8、裕度指标t
14
，其为max(x
i
)/t7、偏斜度指标t
15
，其为峭度指标t16，其为其中，t
k
为时域退化特征标号；k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，n；n表示每次处理的振动加速度数据x
i
的样本点总数。
[0076]
其中，频域退化特征包括：t
17
，其为t
18
，其为t
19
，其为t
20
，其为t
21
、其为t
22
，其为
t
23
，其为t
24
，其为t
25
，其为t
26
，其为t
22
/t
21
、t
27
，其为t
28
，其为t
29
，其为其中，t
k
为频域特征标号，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过fft变换后得到的频域序列；j＝1，2，3，
…
，n；n表示频谱中的谱线个数；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列中某个样本点出现的概率。
[0077]
其中，时频域特征包括：
[0078]
1emd本征模式能量和emd能量熵
[0079]
emd经验模式分解方法可以逐级分解出振动加速度数据x
i
中不同尺度的波动或变化趋势，本文提取全寿命振动加速度数据x
i
经过emd分解之后的前6层本征模式分量能量和1个emd能量熵，共7个特征。
[0080]
本征模式分量能量与emd能量熵计算公式如下所示：
[0081][0082]
式中，imf
m
(i)为本征模式imf的第m个分量；m为本征模式imf分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n。
[0083][0084]
式中，p
m
为每个本征模式imf占总能量的比例，表达式如下所示：
[0085][0086]
式中，e
m
为本征模式imf的第m个分量的能量
[0087]
由emd本征模式能量和emd能量熵共同构成了特征t
30
～t
36
。
[0088]
2小波包频带能量
[0089]
使用小波函数对振动加速度数据x
i
进行小波包分解，分解为4层，得到16组小波包
变换系数，分别计算这16组小波包变换系数的能量，得到16个小波包节点能量特征，能量计算公式如下所示：
[0090][0091]
式中，s为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第s组小波包变换系数，s＝1，2，3，
…
，n/16；e
s
是小波包变换系数a
s
(z)的能量。
[0092]
由小波包4层分解得到的16个频带能量构成了特征t
37
～t
52
。
[0093]
通过上述退化特征提取方法，1个通道的振动加速度数据可提取包括时域退化特征16个，频域退化特征13个，时频域退化特征23个，共53个退化特征，记为x＝{t1～t
52
}。特别地，对于两轴向加速度传感器，可以提取得到106个退化特征；对于两轴向加速度传感器，可以提取得到106个退化特征
[0094]
步骤s300中，对高维退化特征x归一化处理，以便在同一尺度进行评价，归一化公式如下所示：
[0095][0096]
式中，表示退化特征x中样本x
i
归一化处理之后的数值。
[0097]
步骤s400中，使用综合加权评价准则，从高维退化特征中优选轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0098]
所述方法中，综合加权评价准则目标函数如下式所示：
[0099]
max g＝κ1c(x)+κ2m(x)+κ3r(x)
[0100]
式中，系数κ1、κ2、κ3为三个评价指标的加权系数；x为上述时域、频域、时频域等多域中的某退化特征；g表示退化特征x的综合得分，得分越高，越有利于表征轴承的退化趋势。
[0101]
m(x)函数用于评价退化特征x的单调性。评价结果越高，退化特征x的单调性越好，其目标函数为：
[0102][0103]
式中，别表示退化特征x的趋势特征中的样本点，有δ(x
i
)函数为单位阶跃函数，当x
i
≥0时，δ(x
i
)＝1，当x
i
＜0时，δ(x
i
)＝0；n为退化特征x的样本总数。
[0104]
r(x)函数用于评价退化特征x的鲁棒性，即波动程度。评价结果越高，退化特征x的鲁棒性越好，其目标函数为：
[0105][0106]
式中，x
i
为退化特征x中的样本，为该退化特征x的均值；为adaboost回归算法
的预测向量中的样本点；n表示该特征向量x的长度；表示该特征向量x的残余特征中的样本点，有
[0107]
c(x)函数用于评价退化特征x与时间序列的相关性大小，c(x)计算结果的值越大表示相关性越强，表征性越好。对于相关性评价准则的求取，本公开基于adaboost回归算法进行计算，其决定系数c的值表征了与退化特征与时间序列之间的这种相关性，c值越大表示相关性越强。首先结合轴承真实损伤情况并结合均方根值指标，初步将全寿命振动加速度数据x
i
分为四个阶段：正常运转期、微弱故障期、故障发展期、失效期；β1、β2、β3为四个不同退化阶段的三个划分阈值，其对应的全寿命时域振动数据x
i
中的样本点分别为其中x1为全寿命时域振动数据x
i
中的第1个样本点，x
n
为全寿命时域振动数据x
i
中的最后一个样本点，全寿命时域振动数据x
i
四个阶段对应的数据范围为：正常期对应数据范围为微弱故障期早期故障数据范围为故障发展期数据范围为失效期数据范围为在轴承正常运行期内，将正常期表现良好的频域退化特征t
20
作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型1，并将该回归模型用于评价各退化特征在轴承正常阶段相关性的良好程度；在轴承微弱故障期，将微弱故障阶段良好的时域退化特征t
16
作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型2，并将该回归模型用于评价各退化特征在轴承微弱故障阶段相关性的良好程度；在故障发展期，将故障发展期表现良好的频域退化特征t
20
作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型3，并将该回归模型用于评价各退化特征在轴承故障发展阶段相关性的良好程度。
[0108]
通过上述论述，本公开步骤s400中，多准则加权评价方法详细步骤如下：
[0109]
1将高维退化特征x归一化处理；
[0110]
2基于现场轴承真实损伤程度以及均方根值幅值变化情况，将全寿命运行阶段初步划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段；
[0111]
3对高维退化特征x中的退化特征进行鲁棒性和单调性两项准则的评价，得到高维退化特征x中每个退化特征的鲁棒性和单调性评价结果；
[0112]
4将正常运行阶段表征性良好的频域退化特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维特征集x中每个退化特征的综合评分g1，保留g1值最高的若干退化特征，记为x1，将优选的退化特征集x1作为正常运行阶段表征性良好的退化特征；
[0113]
5将早期故障阶段表征性良好的峭度指标t
16
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g2，保留g2值最高的若干退化特征，记为x2，将优选的退化特征集x2作为早期故障阶段表征性良好的退化特征；
[0114]
6将故障发展阶段表征性良好的频域特征t
20
作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g3，保留g3值最高的若干退化特征，记为x3，将优选的退化特征集x3作为故障发展阶段表征性良好的退化特征；
[0115]
7所优选的退化特征集x1、x2、x3，共同构成新的优选的高维退化特征x＝{x1，x2，x3}。
[0116]
实施例1
[0117]
方法包括：
[0118]
步骤s100中，振动加速度数据采集，采用三轴振动加速度传感器对某型风机传动系统齿轮箱轴承加速寿命实验的全寿命振动加速度数据x
i
进行采集，采样频率为25600。最终，该寿命数据时长约150小时。
[0119]
步骤s200中，从提取时域、频域、时频域等多个角度从振动加速度数据x
i
中提取多个退化特征。寿命数据时长约150小时，每90秒取其中1秒数据提取退化特征的样本，最终所提取得到的退化特征的数据样本长度5750。
[0120]
其中，时域退化特征包括：均值t1，其为标准差t2，其为方差t3，其为偏斜度t4，其为峭度t5，其为峰峰值t6，其为max(x
i
)-min(x
i
)、方根幅值t7，其为平均幅值t8，其为均方幅根值t9，其为峰值指标t
10
，其为max(|x
i
|)、波形指标t
11
，其为t9/t8、峰值指标t
12
，其为max(x
i
)/t9、脉冲指标t
13
，其为max(x
i
)/t8、裕度指标t
14
，其为max(x
i
)/t7、偏斜度指标t
15
，其为峭度指标t16，其为其中，t
k
为时域退化特征标号；k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，n；n表示每次处理的振动加速度数据x
i
的样本数，本实施例中采样频率为25600，所以n＝25600。
[0121]
其中，频域退化特征包括：t
17
，其为t
18
，其为t
19
，
其为t
20
，其为t
21
、其为t
22
，其为t
23
，其为t
24
，其为t
25
，其为t
26
，其为t
22
/t
21
、t
27
，其为t
28
，其为t
29
，其为其中，t
k
为频域特征标号，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过fft变换后得到的频域序列；j＝1，2，3，
…
，n，n表示频谱中的谱线个数，且n＝25600；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列中某个样本点出现的概率。
[0122]
其中，时频域特征包括：
[0123]
emd本征模式能量和emd能量熵
[0124]
emd经验模式分解方法可以逐级分解出振动加速度数据x
i
中不同尺度的波动或变化趋势，本文提取全寿命振动加速度数据x
i
经过emd分解之后的前6层本征模式分量能量和1个emd能量熵，共7个特征。
[0125]
本征模式分量能量与emd能量熵计算公式如下所示：
[0126][0127]
式中，imf
m
(i)为本征模式imf的第m个分量；m为本征模式imf分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n。
[0128][0129]
式中，p
m
为每个本征模式imf占总能量的比例，表达式如下所示：
[0130][0131]
式中，e
m
为本征模式imf的第m个分量的能量
[0132]
由emd本征模式能量和emd能量熵共同构成了特征t
30
～t
36
。
[0133]
小波包频带能量
[0134]
使用小波函数对振动加速度数据x
i
进行小波包分解，分解为4层，得到16组小波包变换系数，分别计算这16组小波包变换系数的能量，得到16个小波包节点能量特征，能量计算公式如下所示：
[0135][0136]
式中，s为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第s组小波包变换系数，s＝1，2，3，
…
，n/16；e
s
是小波包变换系数a
s
(z)的能量。
[0137]
由小波包4层分解得到的16个频带能量构成了特征t
37
～t
52
。
[0138]
通过上述退化特征提取方法，1个通道的振动加速度数据可提取包括时域退化特征16个，频域退化特征13个，时频域退化特征23个，共53个退化特征，记为x＝{t1～t
52
}。对于本实施例，采用了三轴振动加速度传感器，采集了x、y、z三个通道的振动加速度数据，所以可以提取得到156个退化特征，记为x＝{t
1x
～t
52x
，t
1y
～t
52y
，t
1z
～t
52z
}
[0139]
步骤s300中，对步骤s200中所提取的高维退化特征x进行归一化处理，以便在同一尺度进行评价，归一化公式如下所示：
[0140][0141]
式中，表示退化特征x中样本x
i
归一化处理之后的数值。
[0142]
步骤s400中，使用综合加权评价准则，从高维退化特征中优选轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0143]
所述方法中，综合加权评价准则目标函数如下式所示：
[0144]
max g＝κ1c(x)+κ2m(x)+κ3r(x)
[0145]
式中，系数κ1、κ2、κ3为三个评价指标的加权系数，取κ1＝κ2＝κ3＝1/3；x为上述时域、频域、时频域等多域中的某退化特征；g表示退化特征x的综合得分，得分越高，越有利于表征轴承的退化趋势。
[0146]
m(x)函数用于评价退化特征x的单调性。评价结果越高，退化特征x的单调性越好，其目标函数为：
[0147][0148]
式中，别表示退化特征x的趋势特征中的样本点，有δ(x
i
)函数为
单位阶跃函数，当x
i
≥0时，δ(x
i
)＝1，当x
i
＜0时，δ(x
i
)＝0；n为退化特征x的样本总数。
[0149]
r(x)函数用于评价退化特征x的鲁棒性，即波动程度。评价结果越高，退化特征x的鲁棒性越好，其目标函数为：
[0150][0151]
式中，x
i
为退化特征x中的样本，为该退化特征x的均值；为adaboost回归算法的预测向量中的样本点；n表示该特征向量x的长度；表示该特征向量x的残余特征中的样本点，有
[0152]
c(x)函数用于评价退化特征x与时间序列的相关性大小，c(x)计算结果的值越大表示相关性越强，表征性越好。首先结合轴承真实损伤情况与均方根值指标，初步将本实施例全寿命振动加速度数据x
i
分为四个阶段：正常运转期、微弱故障期、故障发展期、失效期；β1、β2、β3为四个不同退化阶段的三个划分阈值，其对应的全寿命时域振动数据x
i
中的样本点分别为点分别为其中x1为全寿命时域振动数据x
i
中的第1个样本点，x
n
为全寿命时域振动数据x
i
中的最后一个样本点，全寿命时域振动数据x
i
四个阶段对应的数据范围为：正常期对应数据范围为微弱故障期早期故障数据范围为故障发展期数据范围为失效期数据范围为在轴承正常运行期内，将正常期表现良好的频域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型1，并将该回归模型用于评价各退化特征在轴承正常阶段相关性的良好程度；在轴承微弱故障期，将微弱故障阶段良好的时域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型2，并将该回归模型用于评价各退化特征在轴承微弱故障阶段相关性的良好程度；在故障发展期，将故障发展期表现良好的频域退化特征作为优选算法相关性评价准则中的训练特征，对adaboost回归模型进行训练，得到adaboost回归模型3，并将该回归模型用于评价各退化特征在轴承故障发展阶段相关性的良好程度。
[0153]
步骤s300中，多准则加权评价方法详细步骤如下：
[0154]
将高维退化特征x归一化处理；
[0155]
基于现场轴承真实损伤程度以及均方根值幅值变化情况，将全寿命运行阶段初步划分为四个阶段：正常运转阶段、早期故障阶段、故障发展阶段、失效阶段；
[0156]
对高维退化特征x中的退化特征进行鲁棒性和单调性两项准则的评价，得到高维退化特征x中每个退化特征的鲁棒性和单调性评价结果；
[0157]
将正常运行阶段表征性良好的频域退化特征作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维特征集x
中每个退化特征的综合评分g1，保留g1值最高的若干退化特征，记为x1，将优选的退化特征集x1作为正常运行阶段表征性良好的退化特征，其中，评价最高的退化特征如图2所示；
[0158]
将早期故障阶段表征性良好的峭度指标作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g2，保留g2值最高的若干退化特征，记为x2，将优选的退化特征集x2作为早期故障阶段表征性良好的退化特征，其中，评价最高的退化特征如图3所示；
[0159]
将故障发展阶段表征性良好的频域特征作为adaboost回归模型中的训练特征，对高维退化特征x中的每个退化特征进行相关性得分计算，结合步骤3中的鲁棒性和单调性两项得分，将相关性、鲁棒性、单调性三个评价准则结果加权相加，得到高维退化特征x中每个退化特征的综合评分g3，保留g3值最高的若干退化特征，记为x3，将优选的退化特征集x3作为故障发展阶段表征性良好的退化特征，其中，评价最高的退化特征如图4所示；
[0160]
所优选的退化特征集x1、x2、x3，共同构成新的优选的高维退化特征x＝{x1，x2，x3}。
[0161]
本发明的多准则加权评价可以从鲁棒性、单调性、相关性等多个角度对退化特征进行综合性的评价与优选。基于空间搜索的过滤方式对特征进行优选，所选特征可以较好的反映样本类别信息，并且使得特征之间的冗余度最低。
[0162]
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。