[发明专利]滚动轴承剩余寿命预测的加权融合相关向量机模型

说明书

技术领域

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

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。

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

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。

为了达到上述目的，本发明采取的技术方案为：

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：

1)采集滚动轴承运行原始振动信号；

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；

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；

4)从概率密度函数N(x₀,σ²)中进行随机采样，产生一组初始数据粒子群其中x_i,0表示初始时刻第i个数据粒子，N_s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/N_s；

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。

y'_k＝[(y'_k)¹,(y'_k)²,…,(y'_k)^m]

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；

6)训练集中第k时刻的真实数据粒子群其中y_i,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y_i,k，更新每个数据粒子的权值更新表达式为：

然后进行归一化：

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：

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[(w_Σ)^j]为第j个单一相关向量机的N_s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w_vmean为代表权值的平均值，即：