滚动轴承剩余寿命预测的加权融合相关向量机模型的制作方法
【技术领域】
[0001] 本发明涉及滚动轴承剩余寿命预测技术领域，具体为滚动轴承剩余寿命预测的加 权融合相关向量机模型。
【背景技术】
[0002] 滚动轴承是旋转机械中的关键零部件，也是最易损坏的元件。滚动轴承本身结构 上的特点、制造和装配方面的因素以及复杂的承载状况，为轴承出现故障甚至失效埋下了 隐患。滚动轴承一旦失效，势必会对旋转机械的安全服役构成严重威胁，轻则造成设备停机 的生产事故，重则导致机毁人亡的重大灾难，所以对滚动轴承的监测诊断意义重大。传统 的滚动轴承定期维修方案虽然能够有效降低事故率，但需要投入大量的人力物力对滚动轴 承定期检修，对有安全隐患的轴承进行更换。工程应用中发现，滚动轴承从出现故障到完 全失效会经历一段比较长的衰退期，若采用新型的智能诊断方法，对滚动轴承出现故障后 的剩余寿命进行准确预测，就可有效延长滚动轴承的服役周期，达到节约资源，减低成本， 提高生产效率的目的。人工智能预测方法是实现智能诊断与预知维修的基础，相关向量机 (RelevanceVectorMachine，RVM)是目前的广泛运用的人工智能预测方法之一。
[0003] 相关向量机是由MichaelE.Tipping在2001年提出的基于稀疏贝叶斯理论的概 率学习方法模型。该方法模型是以支持向量机预测模型为基础，并结合了马尔科夫性质、贝 叶斯等理论，具有高稀疏性、无需设定惩罚因子C等优点。但是目前的相关向量机的选择主 要凭借经验，不同类型相关向量机具有不同的特性，反映为相关向量机预测效果的差异，具 体表现为单一相关向量机模型预测精度稳定性低、鲁棒性弱。在实际应用中发现，不同类型 的相关向量机存在一定的互补关系。
【发明内容】
[0004] 为了克服上述现有技术的缺点，本发明的目的在于提出滚动轴承剩余寿命预测的 加权融合相关向量机模型，该模型具有预测精度更高，预测稳定性更好，鲁棒性更强的优 点。
[0005] 为了达到上述目的，本发明采取的技术方案为：
[0006] 滚动轴承剩余寿命预测的加权融合相关向量机模型，包括以下步骤：
[0007] 1)采集滚动轴承运行原始振动信号；
[0008] 2)对原始数据预处理，提取能反映滚动轴承寿命衰退过程的性能指标并对指标平 滑处理；
[0009] 3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集， 并使用训练样本集训练；
[0010] 4)从概率密度函数N(X(I，S2)中进行随机采样，产生一组初始数据粒子群 ，其中Xu表示初始时刻第i个数据粒子，Ns代表粒子总数，在初始化之时每个粒 子均等对待，权值均为1/NS;
[0011] 5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第 k(k= 1，2,…，K)时刻的预测值矩阵，K为训练样本长度。
[0012] y，k= [(/J1，（y，k)2，...，（y，k)m]
[0013] 式中，
为第m个单一相关向量机第k时刻的数据粒 子预测向量；
[0014] 6)训练集中第k时刻的真实数据粒子群{)ui1:Ars，其中yi，k表示第k时刻的第i个 真实数据粒子，依据迭代预测值矩阵
和真实数据粒子yu，更新 每个数据粒子的权值j= 1，2,…，m;i= 1，2,…，Ns，更新表达式为：
[0016] 然后进行归一化：
[0018] 7)在粒子滤波框架下改进，取消重采样，当递推次数k小于K时，k=k+1，返回步 骤5)，当k=K时，将各个数据粒子各个时刻的权值求和，即时刻权值和：
[0020] 8)选出每个单一相关向量机的数据粒子权值和的最大值，记max[(wsV]为第j个 单一相关向量机的Ns个粒子权值和中的最大值，并将其作为对应单一相关向量机的代表权 值，代表权值越大，表示对应的单一相关向量机的预测能力越强，记wv_n为代表权值的平均 值，即：
[0022] 选择代表权值大于或等于平均值wMean，即权值满足max[ (ws) ^ 3wvmean的为性能优 良的单一相关向量机，将筛选出来的性能优良单一相关向量机的代表权值作为其对应的融 合权值并记为wh(h= 1，2,…，H)，H为选出的性能优良的相关向量机总个数；
[0023] 9)对性能优良的单一相关向量机融合权值进行归一化：
[0025] 10)建立加权融合相关向量机，根据融合权值进行组合，利用加权融合相关向量机 的预测值为：
[0027] 式中，yh为第h个性能优良的单一相关向量机的预测值；
[0028] 11)利用加权融合相关向量机模型进行预测，然后将预测的结果和真实值进行比 较，做出预测效果评估。
[0029] 本发明将各个单一相关向量机模型特性相互弥补，利用改进的粒子滤波框架，降 低甚至消除离群点对各个单一相关向量机模型预测效果的影响，然后基于各个单一相关向 量机模型对数据的泛化能力，筛选出泛化能力强的单一相关向量机模型，并对它们进行加 权融合，获得加权融合相关向量机模型。试验验证中采用了 2012年IEEEPHM预测挑战赛 中的滚动轴承数据，通过对比加权融合相关向量机模型和单一相关向量机模型，得出本发 明提出的相关向量机模型预测精度更高，预测稳定性更好，模型的鲁棒性更强。
【附图说明】
[0030] 图1为滚动轴承剩余寿命预测的加权融合相关向量机模型流程图。
[0031] 图2为PR0N0STIA实验台结构图。
[0032]图3中的图（a)、图（b)分别是滚动轴承时域水平方向振动加速度信号图和竖直方 向振动加速度信号图。
[0033] 图4为滚动轴承的选择加权融合指标SWF。
[0034] 图5为从7000s开始预测的滚动轴承寿命预测结果图。
[0035] 图6为从9000s开始预测的滚动轴承寿命预测结果图。
【具体实施方式】
[0036] 下面结合附图与实施例对本发明做进一步详细描述。
[0037] 如图1所示，滚动轴承剩余寿命预测的加权融合相关向量机模型，包括以下步骤：
[0038] 1)采集滚动轴承水平和竖直方向的振动加速度信号作为原始数据；
[0039] 2)对原始数据预处理，以减小噪声影响，采用选择加权融合指标（Selectionand WeightingFusion,SWF)作为滚动轴承剩余寿命预测的特征值，并对指标进行平滑处理；
[0040] 3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集， 利用预测开始前的原始数据作为训练样本集对相关向量机集进行训练；
[0041] 4)从概率密度函数N(X(I，s2)中进行随机采样，产生一组初始数据粒子群 ，用于降低或消除离群点的影响，其中Xw表示初始时刻第i个数据粒子，Ns代表 粒子总数，在初始化之时每个粒子均等对待，权值均为1/NS;
[0042] 5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第 k(k= 1，2,…，K)时刻的预测值矩阵，K为训练样本长度。
[0043] y，k= [(/ J1，（y，k)2，...，（y，k)m]
[0044]式中，
为第m个单一相关向量机第k时刻的数据粒 子预测向量；
[0045] 6)训练集中第k时刻的真实数据粒子群，其中yi，k表示第k时刻的第i 个真实数据粒子，依据迭代预测值矩阵y'k= [(y'k)1，（y'k)2,…，（y'k)m]和真实数据粒子yi，