[发明专利]一种滚动轴承运行可靠度预测方法

说明书

一种滚动轴承运行可靠度预测方法，涉及一种轴承运行可靠度的预测方法，本发明基于流形学习和非齐次布谷鸟搜索‑最小二乘支持向量机（NoCuSa‑LSSVM）的滚动轴承运行可靠度预测。首先利用等距映射（ISOMAP）算法对轴承振动信号的时域、频域、时频域特征组成的高维特征集进行维数约减，将融合的特征指标作为轴承的性能退化状态特征输入到逻辑回归模型，建立滚动轴承的可靠度模型。然后将轴承的性能退化状态特征作为非齐次布谷鸟搜索‑最小二乘支持向量机模型的输入，获取特征预测结果，并将该结果嵌入到已建立的可靠度模型中，从而预测出轴承运行可靠度。

技术领域

本发明涉及一种轴承运行的预测方法，特别是涉及一种滚动轴承运行可靠度预测方法。

背景技术

滚动轴承是关键的机械基础件之一，是旋转机械必不可少的一部分，其可靠性直接影响设备的安全稳定运行。滚动轴承传统的可靠度计算基于轴承的寿命分布函数，需要大样本失效数据和失效分布。对于实时运行的轴承采用这种方法是不适宜的，从现场获得很难获得大量轴承失效寿命数据，失效寿命数据一般来自寿命试验，而轴承实际运行时的载荷、转速等往往是多变且不确定的，实际工况与实验条件差异较大。传统的依赖大样本和概率统计的可靠度计算，得到的是一批设备的平均可靠度，对单个具体设备的指导意义不强。因此为避免因轴承失效引起的机械设备故障，预测滚动轴承在下一阶段的运行可靠度就十分重要。

发明内容

本发明的目的在于提供一种滚动轴承运行可靠度预测方法，该方法为基于流行学习和非齐次布谷鸟搜索-最小二乘支持向量机（NoCuSa -LSSVM）的滚动轴承运行可靠度预测方法。

本发明的目的是通过以下技术方案实现的：

本发明是一种滚动轴承运行可靠度预测方法，采用流行学习和NoCuSa-LSSVM相结合的方法来实现滚动轴承的运行可靠度预测，首先利用等距映射算法对轴承振动信号的时域、频域、时频域特征组成的高维特征集进行维数约减，将融合的特征指标作为轴承的性能退化状态特征输入到逻辑回归模型，建立滚动轴承的可靠度模型。然后将轴承的性能退化状态特征作为NoCuSa-LSSVM模型的输入，获取特征预测结果，并将该结果嵌入到已建立的可靠度模型中，从而预测出轴承运行可靠度。

一种滚动轴承运行可靠度预测方法，所述方法包括以下步骤：

步骤一：特征提取，从滚动轴承振动数据中提取时域特征，时频域特征，以及频域特征，构成高维的特征向量集；

步骤二：等距映射（ISOMAP）降维，采用ISOMAP算法对高维特征向量集进行降维处理，将降维结果作为轴承退化趋势特征向量；

步骤三：可靠性模型，将趋势特征向量作为逻辑回归模型的输入，输出为可靠度。通过极大似然法求解回归系数，建立可靠度模型；

步骤四：趋势特征向量预测，选取趋势特征向量作为LSSVM的训练样本，并通过NoCuSa算法优化LSSVM的参数选取，建立预测模型，预测出一定步长的趋势特征向量；

步骤五：可靠度预测，趋势特征向量预测结果嵌入到可靠度模型中，得到一定步长的可靠度预测结果。

本发明的优点与效果是：

1.本发明通过对滚动轴承振动信号进行多域的特征提取，得到的高维特征向量集更准确的反映的轴承当前的运行状态。

2.本发明采用一种流形学习的方法—等距映射（ISOMAP） 利用其非线性和考虑全局的特性，对滚动轴承的高维特征集进行降维处理，再输入到逻辑回归模型中，更准确地建立了轴承的运行可靠度模型。

3.本发明在可靠度预测过程中，采用NoCuSa算法优化LSSVM的参数选取，得到了更高的预测精度。

具体实施方式

下面结合实施例对本发明进行详细说明。