一种用于旋转机械剩余使用寿命预测的广义退化趋势跟踪方法

本发明涉及机械装备剩余使用寿命预测领域，具体是一种用于旋转机械剩余使用寿命预测的广义退化趋势跟踪方法。

背景技术：

1、旋转机械涉及到航空航天、高速铁路、风力发电等能够影响国计民生的各个领域，由于长期工作在变速变载的环境下，极其容易发生失效，而其健康状况直接关系着生产过程稳定与否，甚至决定着人们的生命财产安全。因此，对旋转机械剩余使用寿命进行预测，提前做好设备的检修和维护，显得尤为重要。

2、目前的寿命预测方法主要有三种:基于模型的方法、统计方法和数据驱动方法。基于模型的方法依赖于对器件退化机制的良好理解，以实现更好的预测性能。但在大多数情况下，器件的降解机理很难得到。此外，这种方法需要为每个设备建立单独的物理模型，而且其建模过程通常很繁琐。统计方法不依赖任何物理失效机制，能够很好地进行设备的不确定性剩余使用寿命预测。然而，这种方法同样存在着高度依赖历史数据的问题。随着设备退化，这些统计特征将越来越不能描述其真正的退化过程，这导致模型预测精度随着时间的推移而下降。

3、近年来，随着大数据技术的不断发展，数据驱动的寿命预测方法受到越来越多的关注。此类方法又可分为直接预测方法和间接预测方法。直接预测方法需要大量的训练样本来保证模型的性能，当训练集和测试集的退化模式显著不同时，直接预测的可靠性会大大降低。间接预测主要依靠设备目前获得的监测数据构建健康指标，使用深度学习模型进行滑移预测，减少了对数据量的依赖，避免了数据特征偏差导致模型精度下降。然而，以往基于健康指标的寿命预测方法研究多集中于数据波动特征的提取和学习，而对其中反映的设备退化趋势特征关注较少。但实际上，在滑移预测问题中，模型对整体趋势的把握同样重要。

4、基于上述分析可知，研究实现一种能够把握设备整体趋势的旋转机械剩余使用寿命预测方法有着十分迫切的工业应用需求。

技术实现思路

1、本发明的目的是提供一种用于旋转机械剩余使用寿命预测的广义退化趋势跟踪方法，包括以下步骤：

2、1)采集旋转机械振动数据；

3、2)对所述旋转机械振动数据进行多域状态特征提取，从而获得旋转机械运行过程中的多域状态健康指标；

4、3)对获得的健康指标进行特征筛选，得到特征筛选结果；

5、4)对特征筛选结果进行降维融合，得到特征融合指标；

6、5)构建损失函数；

7、6)基于构建的融合指标和损失函数，对旋转机械剩余使用寿命进行预测。

8、进一步，所述多域状态健康指标包括时域和频域的旋转机械状态健康指标。

9、进一步，对健康指标进行特征筛选的步骤包括：

10、3.1)对多域状态健康指标进行循环均值滤波预处理，计算滤波后指标的单调性mon(x)；

11、其中，滤波后指标单调性mon(x)如下所示：

12、

13、式中，x＝[x1,x2,...,xn]表示健康指标；xk表示时刻tk的健康指标值；n表示序列中健康指标值的总数；d/dx＝xk+1-xk表示相邻健康指标的差值；no.of d/dx＞0和no.of d/dx＜0分别表示相邻健康指标值为正和负的个数；

14、3.2)根据单调性计算结果对滤波后指标进行降序排序，选取前n1个滤波后指标所对应的滤波前多域状态健康指标作为初步筛选结果；

15、3.3)基于动态时间规整算法计算初步筛选结果的相关性，并按照相关性对初步筛选结果进行降序排序，选择初步筛选结果中前n2个多域状态健康指标作为特征筛选结果。

16、进一步，对特征筛选结果进行降维融合的算法包括等距特征映射算法，降维融合得到的特征融合指标为一维数据。

17、进一步，所述损失函数l如下所示：

18、l＝lmse+l2+ltlf  (2)

19、其中，重构损失lmse、正则惩罚损失l2、权衡损失函数ltlf分别如下所示：

20、

21、

22、

23、式中，n表示时间序列的长度；yi,pre和yi,true表示在ti时刻健康指标的预测值和真实值；α表示惩罚强度，ω表示网络中的参数，表示l2范数的平方；β表示趋势特征权衡强度，relu(·)表示线性校正函数；

24、其中，线性校正函数relu(·)如下所示:

25、

26、进一步，所述旋转机械剩余使用寿命预测模型为递归神经网络模型，包括输入层、隐藏层和输出层。

27、进一步，预测旋转机械剩余使用寿命的步骤包括：

28、6.1)对特征融合指标进行归一化，得到：

29、

30、式中，ν表示归一化后的指标值，μ表示融合的降维指标值，u表示降维融合的指标值向量，umin和umax分别表示融合指标值的最小值和最大值；

31、6.2)用滑动窗口构造输入矩阵v，即：

32、

33、式中，m表示滑移窗口长度，也即旋转机械剩余使用寿命预测模型输入层的神经元数量；vn表示输入矩阵的元素；向量vm+1＝[νm+1,νm+2，…，vn]；

34、6.3)将输入矩阵的前m个向量作为递归神经网络的输入，最后一个向量作为网络的标签进行模型训练；

35、6.4)训练完成后，将输入矩阵v的后m个向量输入到旋转机械剩余使用寿命预测模型中，得到相应的预测输出，并对输入矩阵进行更新；

36、更新后的输入矩阵如下所示：

37、

38、式中，为特征融合指标；

39、6.5)重复步骤6.4)，直到中和其后连续若干个点超过设定的阈值；

40、6.6)根据参数(m+k+n-1-n)×t计算得到旋转机械剩余使用寿命预测值；t为相邻预测点之间的时间间隔。

41、值得说明的是，本发明首先在进行单调性计算之前，对一组统计指标进行循环筛选，以避免在基于原始指标计算单调性时出现的特征选择错误。然后基于单调性和相关性计算结果对指标进行筛选，并利用等距特征映射算法对所选指标进行降维融合，得到具有良好趋势性的健康指标。在此基础上，构造了一个新的损失函数——权衡损失函数(tlf)。通过在训练过程中加入特征学习引导因子，平衡模型对数据波动特征和趋势特征的学习。最后，基于提出的寿命终点判断原则预测旋转机械剩余使用寿命。

42、本发明提出的用于旋转机械剩余使用寿命预测的广义退化趋势跟踪方法有效抑制了机械设备退化过程中波动特征的干扰，提供了一种稳健的特征学习方法，可以对机械设备进行准确的寿命预测，具有良好的工程应用价值。

43、本发明的技术效果是毋庸置疑的，针对旋转机械设备的运行过程，本发明提供了一种用于旋转机械剩余使用寿命预测的广义退化趋势跟踪方法，通过优化融合算法优化、构建权衡损失函数和改善寿命终点确定原则，形成了一种能够准确把握机械设备退化总体趋势的寿命预测方法。该方法克纠正了模型在特征提取过程中对离群特征的偏好问题，保证了模型在全局趋势特征和局部波动特征的权衡学习过程中的合理性，避免了预测过程中的误差积累效应；此外，由于其在一定程度上有引导模型优化方向的能力，大大降低了模型收敛的速度和超参数选择的需要，具有良好的工程应用价值。