[发明专利]基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统

说明书

本发明属于机械检测技术领域，公开了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法及系统，在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM₀(F；σ₀)；通过迭代残差优化，训练一组RVM模型。相比神经网络等方法，所需的样本更少，计算速度更快。相比原始相关向量机模型，本发明提供的方法准确率更高。

技术领域

本发明属于机械检测技术领域，尤其涉及一种基于迭代相关向量机的滚动轴承剩余寿命预测方法及系统。

背景技术

目前，业内常用的现有技术是这样的：滚动轴承作为旋转机械设备中最重要的零部件之一，其性能状态的好坏直接影响整台设备的运行状态。寿命是衡量滚动轴承性能的重要指标之一，但实际数据显示滚动轴承的使用寿命具有很大的离散性，同批次同工况下，最低寿命与最高寿命差距达数十倍，因此对运行中的滚动轴承健康监测和残余寿命预测极为必要。准确的残余寿命预测可以尽早发现滚动轴承损伤和劣化趋势，为制定经济合理的检修策略提供数据支持，尽可能减少生产事故，提高经济效益。

现有的寿命预测方法主要分为两类，一类是基于物理模型，通过在失效机理或损伤原理的基础上建立数学模型来描述机械设备的退化过程。然而对于复杂的机械系统，想要建立准确的模型很困难。二类是基于数据驱动的模型，通过实时获取轴承的振动，温度等物理特性，依靠经验知识建立随机模型或模糊映射来预测剩余寿命，缺点在于需要大量的历史数据，预测误差较大。

综上所述，现有技术存在的问题是：

(1)基于物理模型预测寿命的方法，建立准确的模型很困难

(2)基于数据驱动的模型预测寿命的方法，需要大量的历史数据，预测误差较大。

发明内容

针对现有技术存在的问题，本发明提供了一种基于迭代相关向量机的滚动轴承剩余寿命预测方法。

本发明是这样实现的，一种基于迭代相关向量机的滚动轴承剩余寿命预测方法在原始相关向量机模型的基础上，通过迭代串行生成多个相关向量机预测模型；

使用相关向量机探索特征向量F与残余寿命序列T的映射关系，建立RVM模型并通过网格搜索，优化模型参数σ，其模型为RVM₀(F；σ₀)；

通过迭代残差优化，训练一组RVM模型。

进一步，所述向量机预测模型的优化方向是使预测误差减小，最后对所有模型的结果进行加权求和得到最终的预测值。

进一步，所述向量机模型通过传感器采集轴承从初始工作时刻至最终失效时刻的全生命周期振动数据，对振动数据进行预处理，剔除缺失，重复，异常等数据。

进一步，通过时域，频域，时频域提取能全面反映轴承状态的特征。

进一步，所述训练一组RVM模型的步骤如下：

假设给定训练数据集(F,T)，其中特征集T＝(t₁,t₂,…,t_n)^T，m为特征子集的维数，n是样本个数,集成模型为

其中RVM₀(F；σ₀)是第4步得到的模型，RVM_i是基学习器,σ_i是基学习器的参数，β是固定权重，在给定误差函数为L(T,g(F))的条件下，集成模型g(F)成为经验风险极小化即误差函数极小化的问题：

进一步，每轮优化的目标函数如下：