一种基于鲸鱼优化LSSVM的轴承剩余寿命预测方法与流程

一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法
技术领域
1.本发明属于轴承剩余寿命预测技术领域，涉及机器学习预测分析方法，具体是一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法。


背景技术：

2.随着制造技术的飞速进步，机械装备不断地向大型、复杂、精密、智能化和集成化的方向发展，其可靠性问题变得日益凸显。轴承作为机械设备中应用最广泛，也是最重要的零部件之一，对整个机械设备运行的健康状态起到一个至关重要的作用。目前国内的一些机械设备工厂的设备使用时间都比较久远，一些轴承零部件的都已经接近其使用寿命甚至在超寿命工作，一旦轴承超出其运行寿命，它的运行精度就会急剧般下降，这对于机械设备来说无疑是一个重大的安全隐患，一旦发生故障势必会造成经济损失，严重的话可能造成人员伤亡。因此，对机械设备进行准确的剩余寿命预测进而开展预测性维护具有十分重要的意义。
3.21世纪以来，我国的发展规划中已将故障诊断与健康保障技术密切相关的重大产品与技术列为重点研究方向。近年来，轴承的剩余寿命预测已受到大量学者的高度重视。众多具代表性的轴承剩余寿命预测方法被相继提出，例如模型法和数据驱动法。模型法通过建立基于失效机理的物理模型，描述轴承的退化过程，然而模型法实际难于建立精确的轴承退化模型。数据驱动法通过统计模型或人工智能技术，学习轴承退化过程，实现轴承的剩余寿命预测，然而数据驱动法较为依赖历史数据，预测的准确率实际并不理想。


技术实现要素：

4.针对现有技术中现有技术不足，本发明提出了一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法，前端使用emd分解原始数据后再提取特征的方法得到一组信噪比高的特征集；中端使用原始森林与单调性相结合的方法对特征集进行筛选得出优选特征子集，该方法筛选出的特征退化趋势明显且包含原始数据退化的主要信息；后端使用鲸鱼寻优算法对lssvm进行优化构建性能退化指标，该方法大大降低了寻优时间和提高了算法的收敛速度。
5.本发明是通过如下技术方案实现的：
6.一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法，包含数据特征提取、特征筛选和特征融合(降维融合)、构建退化指标。
7.具体地，所述数据特征提取步骤包括：
8.(1)数据获取：采用phm2012挑战公开赛的数据集，该轴承数据在不同的运行工况下对轴承进行加速退化实验，从而获得轴承全寿命周期内的实测数据来进行故障检测、故障诊断及剩余寿命预测相关算法验证。实测数据共包括三种工况，即负载4000n，转速1800r/min(工况1)；负载4200n，转速1650r/min(工况2)；负载5000n，转速1500r/min(工况3)。每种工况下的实测数据包括振动信号和温度信号，由于温度信号部分数据缺失。振动信
号包括水平与垂直方向的振动信息，采样频率为25.6khz，每隔10s记录一次，每次记录时间为0.1s，包括2560个点。本发明将轴承编号1_1、1_2、2_1、2_2、3_1、3_2作为训练集使用，轴承编号为1_3、1_4、1_5、1_6、1_7、2_3、2_4、2_5、2_6、2_7和3_3，共11组轴承非全寿数据为实验数据进行轴承剩余寿命预测实验。
9.(2)emd分解：原始数据中噪声过高，emd分解后可以提高信噪比，通过emd分解得到两个分向量imf1和imf2。
10.(3)特征提取：本发明中共提取50个特征。提取16个不同的时域特征，包括均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形指标、峰值指标、裕度指标、脉冲指标、偏斜度指标、峭度指标；无量纲特征主要有偏度指标、峭度指标、峰值指标、脉冲指标、裕度指标、波形指标；频域特征通常被用来发现信号中的周期性信息，提取9个不同的频域特征，分别是4个反映主频带位置的变化频域特征和5个表示频谱的分散或者集中程度频域特征。实验中提取的特征过多且变化趋势繁多无法直接构建性能退化指标需要进一步对特征进行筛选，同时从原始信号上直接提取的特征噪声过大无法有效提取轴承退化信息，因此需要对原始振动信息先进行处理。
11.具体地，所述特征筛选和特征融合步骤包括：
12.(1)随机森林筛选(随机森林排序)：随机森林不仅可以处理分类、回归问题，还可以用于降低特征维度也有很好的适用性。利用随机森林中的重要度分析算法计算所有提取特征的重要度，对随机森林的指标进行归一化后取值范围是[0,1],指标越接近1的特征就代表该特征重要程度越高，随机森林利用其重要度高低算法对提取的所有特征重要度排序。
[0013]
随机森林的重要度评估指标用基尼指数(gini index,gi)作为来衡量，用im来表示随机森林的重要分数，m表示特征个数，现在要计算出每个特征的gi评分：
[0014][0015]
在公式(1)中，k表示该组数据一共有k类，p
mk
表示节点中k所占的比例。特征在节点m分支前后的gi变化量公式为：
[0016][0017]
在公式(2)中gi的两个新节点分别用gi
l
和gir来表示。单个特征的重要性指标的公式为：
[0018][0019]
(2)单调性筛选(单调性排序)：对特征进行单调性筛选可以选出退化趋势一致的特征，单调性指标的取值范围是[0,1],指标接近1的特征就代表它的单调性趋势更好，也能来减少训练模型的训练误差。
[0020][0021]
式子(4)中n为测量点数目,m是对象产品个数，在本例中m＝1；xj是表示第j个特征值，pdiff表示正差分，ndiff表示负差分。
[0022]
(3)复合筛选(混合指标筛选)：在随机森林指标重要性和单调性指标重要性的基础上，将两种重要性混合叠加得出新的重要度指标。
[0023]
(4)降维和特征融合：主成分分析算法(pca)是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大(方差最大)，以此使用较少的数据维度，同时保留住较多的原数据点的特性。通过前期的滤波操作后对滤波数据先进行降维处理，提取的特征通过降维处理得出单调性下较强的几组特征，然后对这几组优选特征进行融合得出主成分数据，并称之为健康指标，用以表征对象的退化特征。
[0024]
具体地，所述构建退化指标步骤包括：
[0025]
(1)同一条件下同一组数据集的模型优化(计算训练模型的最优参数)：利用鲸鱼算法(woa)对最小二乘支持向量机(lssvm)的参数进行寻找最优解。woa算法通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的,具有参数较少、容易实现、收敛性能较强等特点，woa-lssvm模型训练可分为4个步骤：
[0026]
step1、将训练集数据进行归一化操作，归一化公式为：
[0027][0028]
step2、将归一化后的数据进行转置以适应模型；
[0029]
step3、对最小二乘支持向量机(lssvm)模型参数进行初始化操作；
[0030]
step4、进行模型训练并寻找最优解。
[0031]
step1中，x
min
表示需要归一化数据中的最小数，x
max
表示数据归一化数据中的最大数。
[0032]
(2)数据滤波(移动平均滤波)：数据上下波动过大影响后期数据拟合的程度，故采用移动平均滤波器预估数据进行滤波处理，使用局部加权回归(lowess)方法对数据进行平滑操作。
[0033]
(3)数据拟合：由于试验数据并非轴承的完整寿命数据，所以无法得到轴承剩余寿命预测最终结果，引入数据拟合方法对非完整的寿命预测数据进行拟合，经过拟合可得到一个完整的退化曲线，根据失效阈值与拟合曲线交点可以得出该轴承的最终预测剩余寿命。设置轴承的全寿命周期分布为[0,1]区间，“0”代表轴承的无任何损坏状态，“1”代表轴承磨损已达到失效阈值不可再继续工作，采用的多项式表达式如下：
[0034]
y＝a1xk+a2x
k-1
+
…
+akx1+c,
ꢀꢀꢀ
(6)
[0035]
式子(6)中，a1、a2、
…
、ak表示多项式系数，c表示常数项，这些参数根据拟合的曲线计算得出。
[0036]
(4)寿命预测结果对比(预测模型建立预测结果)：将测试集数据导入到得到的最优参数最小二乘支持向量机(lssvm)模型中得到最终的预测结果。将得出的结果先进行反归一化操作，得到与实际寿命曲线相接近的曲线。再通过均方根误差计算测试集的预测数据与真实数据之间的误差值，均方根误差公式为：
[0037][0038]
式子(7)中，x
obs,i
表示第i组测试值，x
model,i
表示第i组真实值，x
obs,i-x
model,i
表示一
组测试值与真实值的偏差。
[0039]
我们分别记录参与实验的所有测试集真实的剩余使用寿命时间，以及预测的剩余使用寿命时间，通过实验误差公式来验证预测结果的情况，实验误差公式如下：
[0040][0041]
式子(8)中，actruli表示轴承的真实剩余寿命值，ruli表示测试得出的轴承预测剩余寿命值。
[0042]
预测结果的数值与真实数值进行对比，低估和高估不能以相同的方式进行考虑，由不同公式进行计算每组实验的得分，计算公式如下：
[0043][0044]
式子(9)中，eri表示每组实验的实验误差。
[0045]
所有实验的预测结果的最终得分的公式为：
[0046][0047]
式子(10)中，ai表示每组实验的得分值。
[0048]
本发明的有益效果是：本发明的实验预测数据与真实剩余寿命时间较为接近，表现出良好的预测效果，本发明构建的模型预测结果均值误差分别比cnn-lstm模型和cnn-gru模型方法提高45.13％、38.95％，得分分别提高0.16、0.12，该方法为轴承剩余使用寿命预测提供了新思路，具有重要指导意义。
附图说明
[0049]
图1为本发明的基于鲸鱼优化lssvm的轴承剩余寿命预测方法的总体流程框架图；
[0050]
图2为2012phm数据集条件以下的5组测试集水平方向始振动数据图；
[0051]
图3为混合筛选得出的新特征子集图；
[0052]
图4为模型部分预测结果图；
[0053]
图5为数据拟合图；
[0054]
图6为各个实验组与cnn-lstm、cnn-gru对比图。
具体实施方式
[0055]
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0056]
如图1所示，本发明的一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法，包含如下步骤：数据特征提取、特征筛选和特征融合(降维融合)、构建退化指标。
[0057]
步骤一，振动数据特征提取。
[0058]
对2012phm公开挑战数据集中的训练集和测试集分别提取特征得到两个特征集。
[0059]
步骤二，特征筛选和降维融合。
[0060]
先分别对特征集进行随机森林和单调性的重要性排序，再将两者的重要性进行叠
加得到新的重要性排序，划分前10％的特征组成新的特征集。最后对新的特征集利用pca降维融合得到第一主成分作为模型输入数据。
[0061]
步骤三，构建退化指标。
[0062]
初始化灰狼算法参数，将融合后并筛选出的主成分数据先进行归一化操作，更新当前灰狼位置，再将归一化的数据进行转置以适应模型，然后通过鲸鱼优化算法对最小二乘支持向量机模型进行优化训练，得到最佳参数c和g，训练支持向量回归模型，把测试集融合后的数据导入最优参数模型中得到退化指标。对退化指标再进行数据滤波操作，再将滤波后的数据利用拟合函数对其进行数据拟合得到最终的预测结果。
[0063]
选取的对比方法分别是结合cnn和lstm、cnn和gru方法的寿命预测。如图6所示，本发明的基于鲸鱼优化lssvm的轴承剩余寿命预测方法与其他两种方法进行对比可以发现，均值误差分别提降低了45.13％、38.95％，最终得分分别提高0.16、0.12。图2-6是基于lssvm模型的11个测试实验组的预测值与其真实值的绝对误差直观图，与选取两篇文献预测结果的绝对误差进行对比。从误差结果来看，测试组1-4、1-5、2-3、2-4、2-5、2-7预测误差明显优于其他方法，存在单个测试组绝对误差大于对比文献的情况，但是总体来看平均误差和最终得分都高于对比方法，本发明所用的方法具有较好的预测结果。本发明在基于woa-lssvm模型上提出的对数据预处理的两种方法在phm2012数据集中进行了测试验证，woa优化算法可以降低模型训练时间，从实验结果看出采用该方法处理数据可以有效提高预测的准确度，进一步证明了本文所采用的方法在轴承寿命预测上有着较大的优势。
[0064]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。