[发明专利]一种基于FDA和SVDD的旋转机械剩余寿命预测方法

说明书

本发明公开了一种基于FDA和SVDD的旋转机械剩余寿命预测方法，所述方法使用函数型数据分析(FDA)方法把采集到的离散数据转化为光滑函数来解决信息量的丢失或模型估计失真等问题，使用SVDD来识别机械运行状况以减小采集样本的需求和提供预测的准确性，计算测试样本的SVDD模型半径并与全生命周期的时间半径轨迹比较以得到预测结果。本发明有效地降低了旋转机械剩余寿命预测所需的采集样本时间，提高了预测的准确性。

技术领域

本发明涉及一种旋转机械剩余寿命预测方法，尤其涉及一种基于FDA和SVDD的旋转机械剩余寿命预测方法。

背景技术

函数型数据分析(Functional DataAnalysis，FDA)方法是统计学中的一个新兴分支。函数型数据的概念最早是由加拿大学者J.O.Ramsay首次提出，指出现代精密的数据收集系统可以获取一系列函数型的数据，观测数据应看作是一个动态的概念，解决用传统的数据分析方法进行研究会带来诸如信息量的丢失或模型估计失真等问题，主要应用于生物医学和经济学领域，机械领域很少有涉及。

支持向量数据描述(supportvectordatadescription，SVDD)是由Tax和Duin提出的，以统计学习理论为基础，建立一个尽量紧凑的高维区域，使得属于该分类的样本数据尽可能多的被包含在一个超球体中，而非该分类的样本不被包含或尽可能少的被包含在该球体区域中，对SVDD的研究主要集中于分类识别的优化上，很少有预测方面的研究。

剩余寿命，也称为剩余使用寿命(Remaining Useful Life，RUL)，是指己投入使用的研究对象在迄今为止服役条件下能继续实现其预定功能的剩余时间。数据驱动类的预测方法直接以研究对象以及群体的相关历史服役信息与在线状态监测信息为数据来源，通过一定信号处理技术提取相关特征而进行剩余寿命的预测，现已得到越来越多的研究，但需要采集大量的样本并且寿命预测精度有限。

发明内容

本发明的目的是提供一种基于FDA和SVDD的旋转机械剩余寿命预测方法，该方法有效地降低了旋转机械剩余寿命预测所需的采集样本时间，提高了预测的准确性。

本发明的目的是通过以下技术方案实现的：

一种基于FDA和SVDD的旋转机械剩余寿命预测方法，包括如下步骤：

(1)采集旋转机械的运行信号，包括全生命周期和正常运行、不同故障的情况下采集到的振动和温度信号等；

(2)将步骤(1)采集信号的离散数据通过函数型数据分析(FDA)方法转化为光滑函数，首先选择基函数，通过最小二乘法原则和粗糙惩罚方法得到基函数展开的系数向量和函数矩阵，综合其误差参数当作一个样本点；

(3)将步骤(2)转化得到的样本点按照机械运行情况区分，分别建立其SVDD模型超球体并通过二次训练对半径进行优化；

(4)计算测试样本到步骤(3)中不同运行情况的超球体中心的距离，比较相应超球体半径从而识别旋转机械的运行状况，比较的优先级按照概率分成正常运行、单一故障、复合故障以提高识别速度；

(5)将不同运行状况的旋转机械的全生命周期数据按照时间节点n等分，每个时间节点上生成SVDD模型计算超球半径，建立全生命周期的时间半径轨迹，相应地将测试样本生成SVDD模型计算超球半径，根据步骤(4)的识别结果与相应运行情况的时间半径轨迹进行比较，得到旋转机械剩余寿命。

进一步的，步骤(5)所述的每个时间节点上的SVDD模型只由本时间节点的数据生成，测试样本的SVDD模型只由测试样本数据生成。

进一步的，步骤(5)所述的每个时间节点上的SVDD模型由此时间节点和之前时间节点的数据累积生成，确定测试样本所在的时间节点区间，测试样本的SVDD模型由测试样本数据和测试样本之前时间节点数据生成。