本发明属于装备系统故障预测与健康管理领域，尤其涉及一种基于稀疏编码的滚动轴承剩余寿命预测方法。
背景技术：
随着科技的发展和社会的进步，各类型的旋转机械装备在工程中得到了广泛应用。滚动轴承是旋转机械装备中的关键零部件，一旦发生故障，有可能造成财产的损失，严重的甚至会造成人员的伤亡。传统有监督的滚动轴承预测方式，不仅预测精度低而且需要大量的历史信息，不适于跨工况预测，往往不能做出可靠地预防维护决策。因此，需要发展以无监督学习为核心的剩余寿命预测方法及系统，辅助一般的操作人员，使其在不需要理解系统原理的情况下进行可靠的决策。传统的故障预测技术往往针对大量的历史信息才能做出有效地预测评价，当历史信息不足时，预测模型就会失去原有的准确性；这种预测模型还需要大量的参数调优，当预测对象变更后预测效果会变差甚至无法做出维护策略，造成经济损失。因此，本发明利用信号处理技术对原始振动信号的三种时域特征(有效值、峰值、峭度)提取。对时域特征进行时间序列预测，采用自回归模型结合稀疏编码的优势，做到对非平稳以及非线性时域特征，由于有极少的参数调优，解决了鲁棒性差，少量历史信息预测不准的缺点。本发明提出一种新颖的加权约束稀疏编码方法，相比比传统方法能够更快速准确地得出最佳权重，从而提高了模型预测速度和精度。
技术实现要素：
本发明目的在于提供一种应用于大型复杂旋转机械滚动轴承剩余寿命预测方法，该方法通过下位机采集系统的振动信号，传输并存储于监测上位机中。在上位机中对轴承全生命周期原始振动信号进行时域特征提取，得到原始特征信号；接着将信号输入基于稀疏编码的时间序列预测算法(wcsc)得到故障预测趋势图，最后利用计算所得预测值对轴承故障进行剩余寿命预测分析。
本发明所述基于稀疏编码的旋转机械轴承剩余寿命预测方法主要包括如下步骤。
(1)采集所述滚动轴承的振动信号x(t)；
(2)对振动信号x(t)进行特征提取并对提取后特征建立过完备字典，生成训练向量和测试向量；
(3)将训练向量的数据与测试向量的数据进行正则化处理，得到样本数据；
(4)根据样本数据，寻找最优稀疏权重；
(5)进行故障趋势预测，得到轴承故障趋势预测值；
(6)根据轴承故障趋势预测值与实际值做出故障剩余寿命预测图。
优选地，步骤(2)中生成训练向量和测试向量的具体方式为：
对振动信号提取时域指标，得到原始特征y(t)；
建立过完备字典，过完备字典包括两个字典，其中一个字典用于表示训练向量ψ：
ψ＝[y1l,y2l,y3l,…,ynl]
其中，l为步长，ynl为预测窗口；
另一个字典用于表示目标向量yn和测试向量yml：
yn＝[y(1),y(2),y(3),…,y(n)]
yml＝[y(m-1),y(m-2),…,y(m-l)]。
优选地，步骤(2)中正则化具体方式为：
训练向量ψ正则化为：
目标向量yn正则化为：
测试向量yml正则化为：
其中g(x)稀疏惩罚函数。
优选地，步骤(4)中寻找最优稀疏权重的具体方式为：
采用k最临近方法寻找最优过完备字典，建立权重约束稀疏编码最优化模型：
min‖w‖1
其中，‖w‖1是权重向量w的范数，
优选地，步骤(5)中进行故障趋势预测的具体方式为：
权值估计由正则化最小二乘最优化问题求解：
其中，rn(w)是权值和以及对应拉格朗日乘子τ的正则化函数
轴承故障趋势预测值y(m)为：
其中yr(n)为原始特征的正则化函数。
本发明建立了一种以稀疏编码为核心的旋转机械故障剩余寿命预测方法，辅助一般的操作人员，使其在不需要理解系统原理的情况下进行可靠的决策，具有下列显著优势：
1)本发明以自回归模型为基础预测模型并结合稀疏编码自身的优势，不需要对历史信息进行庞大的训练过程；
2)本发明解决了传统预测模型训练时间久、鲁棒性差、预测精度低、模型参数多的问题，使得预测模型使用方便、高效以及完全可以做到在线预测的要求，增加了预测模型的智能化程度。在减小后续剩余寿命预测负担的同时，增加了预测精度；
3)本发明以一种无监督学习算法——稀疏编码(sparsecoding,sc)作为核心技术，快速而准确地在不同工况下预测出滚动轴承剩余寿命。
4)本发明可用于大型复杂旋转机械滚动轴承在线或离线智能故障预测，减少人力成本，避免突发性事故发生，减小经济损失。
附图说明
图1基于稀疏编码的滚动轴承剩余寿命预测方法流程图。
图2实施例轴承振动信号及其三种时域特征图。
图3实施例中三中不同特征的故障趋势预测图。
图4实施例轴承剩余寿命预测图。
具体实施方式
下面结合附图对本发明具体实施例的内容作进一步详细说明：
滚动轴承是机械装备中的关键部件，然而滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，滚动轴承也会出现疲劳剥落、磨损、点蚀等故障导致设备不能正常工作。实施例为采用本发明所建立的剩余寿命预测模型，对其中两种不同工况下振动信号进行分析，得出剩余寿命预测图。
本轴承振动信号的智能识别实施例主要包括如下步骤：
第一步：针对大型复杂机械系统中的关键轴承部件，采用振动传感器，如压电加速度传感器、位移传感器或者电涡流位移传感器等采集机械装备的振动信号，储存于上位机中。采用femto-st实验室试验台和dytran3035b型压电式加速度传感器。该加速度传感器的性能指标如表1所示。该试验台可对轴承做加速寿命试验，信号采集监测由下位机(监测前端机)完成。
表1dytran3035b型压电式加速度传感器特性参数表
两种工况下所用数据如下表：
表2测试工况下基本数据
第二步：时域特征提取以及建立过完备字典，待提取的时域特征指标如下表：
表3提取的时域特征指标
振动信号及其时域特征如图2、3所示。
对原始振动信号x(t)进行如下特征提取并对提取后特征建立如下过完备字典：
对原始信号提取表3中时域指标，分别得到3个特征，对单个特征设为原始特征y(t)；就单步时间序列预测而言，训练数据由步长为l的预测窗口向量以及它们所依赖的目标值决定，则对于样本序列y，训练向量的预测窗口有公式(1)：
ynl＝[y(n-1),y(n-2),…,y(n-l)](1)
信号稀疏理论认为，原始信号存在大量冗余信息。为了高效地表示这组信号，本发明引入了稀疏编码技术对信号稀疏表示，不但可以简化计算，还可以提高预测模型的计算精度；本专利需要建立两个字典，一个字典用于表示训练向量，由一个l×m维矩阵构成，用ψ表示：
ψ＝[y1l,y2l,y3l,…,ynl](2)
另一个字典用于表示目标向量，由一个n×1维矩阵构成，用yn表示：
yn＝[y(1),y(2),y(3),…,y(n)](3)
样本序列yn被称为故障特征向量，用来表示滚动轴承的故障趋势，则测试向量可由公式(4)表示：
yml＝[y(m-1),y(m-2),…,y(m-l)](4)
第三步：训练向量数据与测试向量数据正则化处理。分别对两种不同工况下提取出的三种时域特征，进行数据正则化处理，以确保下一步得以正常进行。
在上一步骤中已经建立了训练和测试字典，为了得到原始特征y(t)的稀疏表示，本发明使用
其中，
从而，目标向量用同样的方法正则化：
然而，测试向量yml正则化公式为：
另外，字典ψ可用公式(6)来正则化。
第四步：寻找最优稀疏权重。用上一步处理后的样本数据，求解最优稀疏权重。许多方法都可以用来求解稀疏编码中稀疏权重和字典学习问题，在字典学习问题中，本发明使用k最临近(knn)方法寻找最优过完备字典；对于稀疏求解过程，传统的基追踪(bp)问题是对最优化模型进行线性规划问题，但是实际问题中，信号是存在大量噪声的，没办法准确地表示原始信号。为此，我们使用基追踪去噪(bpdn)问题，由于考虑了噪声的存在，使得最优化问题变成二次规划问题。并且，本专利提出一种权重约束稀疏编码最优化模型(wcsc)，用公式(9)表示：
min‖w‖1
其中，‖w‖1是权重向量w的范数，
第五步：故障趋势预测。本发明采用稀疏线性预测模型并结合稀疏编码的优势进行单步预测。对于采样长度为n的训练序列，测试向量可以表示为训练向量的加权和，用公式(10)表示：
其中，wn,n＝1,2,3,…,n，εm为预测误差。权值估计可由正则化最小二乘最优化问题求解，用公式(11)表示：
其中，rn(w)是权值和以及对应拉格朗日乘子τ的正则化函数。权重估计可由公式(9)计算所得。令τ＝0，则预测值由估计出来的权值与基向量(字典)乘积的线性叠加(不一定正交)，那么有公式(12):
公式(12)可以被公式(13)代替：
y(m)＝w*yn(13)
结合公式(7)，预测值可由下面公式得出：
根据上一步得到稀疏权重以及本发明所述预测方法即可得到轴承故障趋势预测值，预测效果图如图4所示，可以发现在不同工况下本发明所提预测方法都可保持良好的预测性能。
第六步：故障剩余寿命预测图。根据第五步所得的预测值与实际值，做出剩余寿命预测图，剩余寿命预测结果显示，本发明对滚动轴承剩余寿命可以做到良好的预测，使工作人员可以做出正确的预测维修评价及方案确定。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。