基于距离度量学习的机械关键部件虚拟退化指标构造方法与流程

本发明属于机械装备剩余寿命预测与健康管理技术领域，具体涉及一种基于距离度量学习的机械关键部件虚拟退化指标构造方法。

背景技术

机械装备常工作于复杂多变的环境中，其关键部件故障频发，随着现代科技的发展，机械装备关键部件间的耦合关系越来越紧密，一旦其中的部件发生故障，就会导致整个机械系统发生故障乃至瘫痪，造成严重的经济损失甚至人员伤亡。因此，对机械关键部件进行剩余寿命预测，使其在故障发生前得到预防性维修，保证机械装备安全服役迫在眉睫。

机械装备关键部件的剩余寿命预测主要包括监测信号获取、物理退化指标提取、指标评价与优选、虚拟退化指标构造和剩余寿命评估。剩余寿命预测结果的精度除了受到所选择的预测模型影响外，还与所使用的退化指标密切相关。优良的退化指标需有较好的相关性、单调性和预测性，但受到原始信号质量和信号处理方法的影响，直接从监测信号中提取得到的物理退化指标往往只对退化过程的某一阶段较为敏感，难以在整个退化过程中保持良好的趋势。同时，机械装备工作环境复杂多变，而物理退化指标受工况的影响较大，不利于机械关键部件退化信息的表达。以上缺点将会导致机械关键部件早期健康监测和剩余寿命的准确度降低。因此，构造一个综合性能优良的退化指标，对于机械关键部件的剩余寿命预测的精度十分重要。

技术实现要素：

为了克服现有技术的以上缺点，本发明提供了一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，通过指标评价从备选物理退化指标集中选取综合性能优越的指标，借助于距离度量学习和自组织神经网络算法将优选的物理退化指标映射为单一的虚拟退化指标，表征机械关键部件偏离正常状态的程度，描述机械关键部件的退化过程。

为了达到上述目的，本发明采取的技术方案为：

一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，包括以下步骤：

1)对机械关键部件全寿命周期内采集到的振动信号依次做傅里叶变换，得到振动信号的频谱和功率谱，依据谱图中幅值最大处对应的频率成分的变化规律，将机械关键部件的退化过程划分为正常运行、故障发展和严重退化三个阶段；

2)分别从时域、频域、时频域中提取振动信号的物理退化指标，组成备选物理退化指标集；具体步骤如下：

2.1)提取振动信号的时域退化指标，依次为均值、标准差、方差、偏斜度、峭度、最大值、最小值、峰峰值、平均幅值、均方根值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标，并以f1—f16记之；

2.2)提取振动信号的频域退化指标，依次为频域平均能量、频域能量方差、均值频率、方均根频率、频谱分散程度，并以f17—f21记之；

2.3)提取振动信号的时频域退化指标，通过经验模态分解，获取振动信号的前8个本征模态分量，依次计算8本征模态分量的能量、经验模态分解能量熵，并以f22—f30记之；

3)建立退化指标综合评价方法，包括相关性准则、单调性准则、预测性准则，根据式(1)～式(4)式对步骤2)中提取的30个物理退化指标的性能进行定量评估；

3.1)基于斯皮尔曼相关系数的相关性准则

其中，y＝(y1,y2,…,yl)和t＝(t1,t2,…,tl)分别为退化指标序列和时间序列，l为退化指标序列的长度，和分别为退化指标序列和时间序列的平均值，该准则描述了退化指标与时间序列的相关性，取值越接近于1，则二者之间的相关性越强；

3.2)单调性准则

其中，y＝(y1,y2,…,yl)为退化指标序列，l为退化指标序列的长度，ε(x)为单位阶跃函数，该准则刻画了退化指标单调增或单调减的特性，取值越接近于1，则代表退化指标的单调性越好，越接近机械关键部件退化的实际情况；

3.3)预测性准则

其中，分别为退化指标在初始时刻和失效时刻的均值，yf为退化指标值，σ(yf)为退化指标在失效时刻的标准差，该准则描述了退化指标在全寿命周期内的变动范围及在失效时刻的分散性，取值越接近于1，则代表退化指标变动范围越大且在失效时刻的标准差越小，该指标在不同个体之间变动范围和失效阈值越一致，越适用于剩余寿命预测；

3.4)综合评价准则

综合评价准则将上述评价准则进行线性加权组合，如下式(4)所示，

sm＝ω1corr(y)+ω2mon(y)+ω3pro(y)(4)

其中，sm为综合评价准则，y为各指标序列，ω1+ω2+ω3＝1，且ω1,ω2,ω3∈[0,1]用来表征3个评价准则的权重；

4)根据30个物理退化指标在步骤3)中的综合评价准则sm的大小，选出性能优良的退化指标，组成机械关键部件振动信号的特征向量；

5)三个阶段的机械关键部件振动信号特征向量具有不同的标签，利用这些信息进行距离度量学习，得到适用于衡量机械关键部件退化过程中状态空间相似性的距离度量矩阵；

6)利用学习得到的距离度量矩阵用于自组织映射神经网络竞争学习阶段的相似性衡量，使网络得到优化；

7)使用正常阶段的振动信号特征向量训练自组织映射神经网络，确定神经网络结构、参数，其中权值调整使用墨西哥草帽函数；

8)测试阶段，将新获取振动信号的特征向量作为自组织映射神经网络的输入，根据式(5)计算实时特征向量与对应的激活节点权值向量的距离，得到机械关键部件虚拟退化指标增强最小量化误差；

其中，emqe为增强最小量化误差指标，x为新获取振动信号的特征向量，m为自组织映射神经网络中激活节点对应的权值向量，a为通过距离度量学习得到的距离度量矩阵。

本发明的有益效果为：

本发明基于距离度量学习和自组织映射神经网络构造了机械关键部件的虚拟退化指标，融合了多种物理退化指标的状态信息，通过科学划分机械关键部件的退化阶段并优选性能优良的物理退化指标，得到不同退化阶段的特征向量，通过距离度量学习得到适用于衡量机械关键部件状态空间相似性的距离度量矩阵，通过改进的自组织映射神经网络计算实时特征向量与网络激活节点权值向量之间的距离得到了机械关键部件虚拟退化指标增强最小量化误差。该指标能够很好地表征机械关键部件的退化过程，将其应用到剩余寿命预测与健康管理中，能有效地提高预测结果的准确性。

附图说明

图1为本发明方法的流程图。

图2为实施例滚动轴承b1综合性能最优的2个物理退化指标。

图3为实施例滚动轴承b1综合性能最差的2个物理退化指标。

图4为实施例滚动轴承b1的增强最小量化误差指标和最小量化误差指标对比。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述。

参照图1，一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，包括以下步骤：

1)对机械关键部件全寿命周期内采集到的振动信号依次做傅里叶变换，得到振动信号的频谱和功率谱，依据谱图中幅值最大处对应的频率成分的变化规律，将机械关键部件的退化过程划分为正常运行、故障发展和严重退化三个阶段；

2)分别从时域、频域、时频域中提取振动信号的物理退化指标，组成备选物理退化指标集。具体步骤如下：

2.1)提取振动信号的时域退化指标，依次为均值、标准差、方差、偏斜度、峭度、最大值、最小值、峰峰值、平均幅值、均方根值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标，并以f1—f16记之；

2.2)提取振动信号的频域退化指标，依次为频域平均能量、频域能量方差、均值频率、方均根频率、频谱分散程度，并以f17—f21记之；

2.3)提取振动信号的时频域退化指标，通过经验模态分解，获取振动信号的前8个本征模态分量，依次计算8本征模态分量的能量、经验模态分解能量熵，并以f22—f30记之；

3)建立退化指标综合评价方法，包括相关性准则、单调性准则、预测性准则，根据式(1)～式(4)式对步骤2)中提取的30个物理退化指标的性能进行定量评估；

3.1)基于斯皮尔曼相关系数的相关性准则

其中，y＝(y1,y2,…,yl)和t＝(t1,t2,…,tl)分别为退化指标序列和时间序列，l为退化指标序列的长度，和分别为退化指标序列和时间序列的平均值，该准则描述了退化指标与时间序列的相关性，取值越接近于1，则二者之间的相关性越强；

3.2)单调性准则

其中，y＝(y1,y2,…,yl)为退化指标序列，l为退化指标序列的长度，ε(x)为单位阶跃函数，该准则刻画了退化指标单调增或单调减的特性，取值越接近于1，则代表退化指标的单调性越好，越接近机械关键部件退化的实际情况；

3.3)预测性准则

其中，分别为退化指标在初始时刻和失效时刻的均值，yf为退化指标值，σ(yf)为退化指标在失效时刻的标准差，该准则描述了退化指标在全寿命周期内的变动范围及在失效时刻的分散性，取值越接近于1，则代表退化指标变动范围越大且在失效时刻的标准差越小，该指标在不同个体之间变动范围和失效阈值越一致，越适用于剩余寿命预测；

3.4)综合评价准则

综合评价准则将上述评价准则进行线性加权组合，如下式(4)所示，

sm＝ω1corr(y)+ω2mon(y)+ω3pro(y)(4)

其中，sm为综合评价准则，y为各指标序列，ω1+ω2+ω3＝1，且ω1,ω2,ω3∈[0,1]用来表征3个评价准则的权重；

4)根据30个物理退化指标在3)中的综合评价准则sm的大小，选出性能优良的退化指标，组成机械关键部件振动信号的特征向量；

5)三个阶段的机械关键部件振动信号特征向量具有不同的标签，利用这些信息进行距离度量学习，得到适用于衡量机械关键部件退化过程中状态空间相似性的距离度量矩阵；

6)利用学习得到的距离度量矩阵用于自组织映射神经网络竞争学习阶段的相似性衡量，使网络得到优化；

7)使用正常阶段的振动信号特征向量训练自组织映射神经网络，确定神经网络结构、参数，其中权值调整使用墨西哥草帽函数；

8)测试阶段，将新获取振动信号的特征向量作为自组织映射神经网络的输入，根据式(5)计算实时特征向量与对应的激活节点权值向量的距离，得到机械关键部件虚拟退化指标增强最小量化误差；

其中，emqe为增强最小量化误差指标，x为新获取振动信号的特征向量，m为自组织映射神经网络中激活节点对应的权值向量，a为通过距离度量学习得到的距离度量矩阵。

滚动轴承作为一种常见的机械关键部件，为了进一步证明基于距离度量学习的机械关键部件虚拟退化指标构造方法的有效性，使用pronostia实验台通过加速寿命实验获取的滚动轴承全寿命周期数据进行验证。该实验台主要包括旋转、加载和测试三个部分，旋转部分包括了异步电机、齿轮箱及转轴，加载部分通过施加在测试轴承上的径向力，以加速轴承退化，测试部分采集振动加速度信号，其中振动加速度信号的采样频率fs＝25600hz，采样点数n＝2560，每次采样的持续时间为0.1s，相邻两次采样的时间间隔为10s。在转速1800rpm，载荷4000n的工况下采集了7组滚动轴承的振动信号，分别记作b1～b7。

首先提取滚动轴承的时域、频域和时频域退化指标，并根据频谱和功率谱将轴承的退化阶段划分为正常、故障发展和严重退化三种；其次，使用式(4)综合评估各指标的相关性、单调性和预测性，在本发明中设定对提取的各个物理指标性能进行量化，评价结果如表1所示。

表1

根据综合评价的结果，图2给出了轴承b1综合评价准则sm最优的前2种物理退化指标，分别是第3个本征模态分量能量指标和第4个本征模态分量能量指标，图3给出了轴承b1综合评价准则最差的2种物理退化指标，分别是均值频率指标和均值指标。根据综合性能不低于均方根值指标的原则，确定了9个物理退化指标组成滚动轴承状态空间的特征向量xt＝(xt,1,xt,2,…,xt,9)，其中xt,1,xt,2,…,xt,9分别代表滚动轴承在t时刻的第3个本征模态分量能量指标、第4个本征模态分量能量指标、方均根频率指标、频谱分散度指标、经验模态分解能量熵指标、峰峰值指标、最小值指标、最大值指标和均方根值指标。然后，利用三个不同阶段的特征向量进行距离度量学习，得到维数为9×9的距离度量矩阵a，并将其用于自组织映射神经网络中输入向量与权值向量的相似性衡量。最后，使用正常阶段的特征向量训练自组织映射神经网络，训练好的神经网络表征了滚动轴承在正常阶段时的状态空间，使用新获取的滚动轴承振动信号的特征向量作为该网络的输入，计算输入向量与相应的激活节点权值向量间的距离，构造虚拟退化指标增强最小量化误差。图4为对轴承b1使用欧氏距离用于相似性衡量构造的最小量化误差指标与增强最小量化误差指标的对比图。表2给出了两种指标的评价结果，可以看出，增强最小量化误差指标的相关性、单调性和综合评价准则均明显优于最小量化误差指标，但在预测性准则方面略逊于最小量化误差指标，可能是轴承数量较少的原因。综上所述，本发明提出的方法能更好地反映机械关键部件的退化过程，有助于提高剩余寿命预测的精度。

表2

本发明所提出的基于距离度量学习的机械关键部件虚拟退化指标构造方法，可以适用于机械装备各类关键部件的虚拟退化指标的构造。在实际应用中，实施者可以根据各类机械装备关键部件的退化特性，具体地提取相应的物理退化指标组成相应的备选物理退化指标集。本发明提出的方法有助于改进机械装备关键部件剩余寿命预测的精度。应当指出，在不脱离本发明构想的前提下，对本方法所做的调整和变形，也应视为本发明的保护范围。