[发明专利]一种集成KELM的滚动轴承剩余使用寿命预测方法

说明书

一种集成KELM的滚动轴承剩余使用寿命预测方法，属于轴承寿命预测技术领域。本发明为了解决现有的滚动轴承剩余使用寿命预测存在预测困难、预测精度低的问题。该方法首先基于变分模态分解对振动信号进行特征提取，并引入一种新型的相似性降维方法进行特征降维，进一步提取单调性、相似性和稳定性较强的特征‑CEF；将多个轴承提取的CEF作为KELM的输入，当前使用寿命与全寿命的比值p即寿命百分比作为输出，建立多个KELM模型，再结合随机森林构建集成KELM预测模型，得到当前预测结果p值；将测试轴承的CEF输入到预测模型中，预测出当前的p值，并运用二阶指数平滑法进行拟合，预测出轴承的RUL。实验验证，所提预测方法与其它文献相比具有更高的预测准确率。

技术领域

本发明涉及滚动轴承剩余使用寿命预测方法，属于轴承寿命预测技术领域。

背景技术

滚动轴承是旋转机械中的重要部件一，由于复杂的工作环境及运行状态，旋转机械中有超过30％的机械故障是故障轴承引起的，因此滚动轴承也是旋转机械中最易受损的零部件之一^[1,2]。准确预测滚动轴承(Remaining Useful Life,RUL)可为预防性维修决策提供依据，延长设备生命周期，提高整机可靠性和利用率并避免事故的发生^[3]。

目前，已有许多国内外学者针对滚动轴承振动信号的特征提取方法进行研究。文献[4]利用包络分析结合多尺度熵和经验模态分解(Empirical mode decomposition,EMD)方法实现变转速下滚动轴承故障诊断。文献[5]提出基于多目标优化的改进EMD分析方法提取滚动轴承外环和内环故障特征,获得了较好故障识别效果。但EMD存在模态混叠的问题。集合经验模态分解(Ensemble EMD，EEMD)作为改进EMD算法也已应用广泛^[6-7]，其作为一种递归模式分解方法却存在分解效率低、过分解等问题。变分模态分解(Variational ModeDecomposition,VMD)可以改善传统EMD和EEMD算法模态混叠和过分解问题，其具有更强的噪声鲁棒性。文献[8]将VMD结合支持向量机建立预测模型对变压器油中气体的含量进行预测。文献[9]提出一种结合VMD的内燃机振动谱图纹理特征提取的故障诊断方法，用于实现内燃机故障的自动诊断。上述文献方法均较好地提取了故障特征，并获得了较高的故障识别率。针对特征在不同工况下单调性不强、相似性弱和稳定性差的问题。

在构建预测模型方面，文献[10]提出了一种基于提升小波包符号熵与支持向量数据描述相结合的滚动轴承性能退化评估方法，实现了预测轴承的剩余寿命。文献[11]提出了基于健康状态评估的滚动轴承RUL预测方法，建立对应的局部支持向量回归预测模型。虽然以上文献均取得了较好的预测结果，但预测模型需要人为设置大量的网络参数，易产生局部最优解。极限学习机(Extreme Learning Machine,ELM)是一种简单易用、有效的前馈神经网络，其算法执行过程中不必调整网络的输入权值以及隐元的偏置，因此ELM最大的特点是比传统的学习算法速度快，且泛化性能好。文献[12]提出了一种基于ELM的变量预测模型，文献[13]提出一种基于正则化核最大边界投影维数约简的滚动轴承故障诊断方法，上述文献中均较好的实现了滚动轴承故障诊断识别，但因不同轴承之间性能退化趋势往往不同，单一ELM预测模型存在预测误差较大的问题。

随着对集成学习的深入研究，随机森林(Random Forest,RF)作为经典的集成学习算法，因其对噪声的良好容忍度和不易出现过拟合的优点，其与其它算法相结合在多个领域中已有广泛应用。文献[14]提出一种基于切比雪夫特征提取和RF分类算法的无人机状态识别方法，采用真实无人机遥测数据进行验证，证明了所提出方法的有效性和实用性。文献[15]提出一种运用层次分析法结合RF算法构建短期负荷预测模型，通过保定市和上海市的民用负荷和天气数据验证了文中所提模型和算法的正确性和有效性。

发明内容