[发明专利]基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法

权利要求书

1.一种基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法，其特征在于包括如下步骤：

(1)获取训练样本集X_train和测试样本集X_test：

对从滚动轴承性能退化数据库中选取的滚动轴承的I个维度为2L的完整退化行为的振动时域信号进行模数转换，并将转换后的I个维度为L的振动频域信号组成训练样本集X_train，同时对通过数据采集系统实时采集的待预测滚动轴承的完整性能退化过程的前J个维度为2L的振动时域信号进行模数转换，并将转换后的J个维度为L的振动频域信号组成测试样本集X_test，其中，I≥400，L≥500，x′_l(i)表示维度为l的第i个训练样本点，J≥300，x″_l(j)表示维度为l的第j个测试样本点；

(2)构建N个堆栈式自编码器模型：

构建N个各包含K个自编码器的堆栈式自编码器模型A＝{A₁,A₂,…,A_n,…,A_N}，其中，N≥2，K≥2，A_n表示第n个堆栈式自编码器模型，表示第k个包括输入层、隐含层和输出层的自编码器，的输出层的节点数与输入层的节点数相等，隐含层的隐藏表示为的隐含层的节点数为h；

(3)对N个堆栈式自编码器模型进行迭代训练：

(3a)令n＝1，k＝1；

(3b)将训练样本集X_train和测试样本集X_test分别作为第n个堆栈式自编码器模型A_n中第k个自编码器的输入进行前向传播，得到目标输出值X_train′和X_test′，并以X_train′与X_train的重构损失，以及X_test′与X_test的重构损失，对A_n的编码权重W、编码偏置b、解码权重W′、解码偏置b′进行更新，得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器

(3c)将训练后的训练自编码器的训练隐含表示和测试自编码器的测试隐含表示分别作为第n个堆栈式自编码器模型A_n中第k+1个自编码器的输入进行前向传播，并按照步骤(3b)的方法对自编码器进行训练，得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器

(3d)判断k＝K是否成立，若是，得到训练后的第n个训练堆栈式自编码器模型和隐含层h个节点的隐含表示以及测试堆栈式自编码器模型和隐含层h个节点的隐含表示否则，令k＝k+1，并执行步骤(3c)；

(3e)判断n＝N是否成立，若是，得到N个训练后的训练堆栈式自编码器模型A′＝{A₁′,A₂′,…,A_n′,…,A_N′}，以及测试堆栈式自编码器模型A″＝{A₁″,A₂″,…,A_n″,…,A_N″}，并将N个的作为X_train的性能退化特征，构成训练集成特征集同时将N个的作为从X_test中提取到的性能退化特征，构成测试集成特征集其中，M＝N×h，F′_m(i)表示第m个训练集成特征，F″_m(j)表示第m个测试集成特征，M≤L，否则，令n＝n+1，k＝1，并执行步骤(3b)；

(4)获取训练原始特征集F_train(o)和测试原始特征集F_test(o)：

(4a)基于F_train设置C个训练聚类中心并基于单调性度量指标Mon对每个进行单调性评价，得到C个的训练单调性性能评价指标值Mon₁′,Mon₂′,…,Mon_c′,…,Mon_C′，其中，C≥4；

(4b)计算F′_m(i)与的距离，并将F′_m(i)划归到F′_m(i)与的C个距离中最小的一类，基于相关性度量指标Corr对F′_m(i)及其对应的之间相关性进行评价，得到M个训练相关性指标Corr₁′,Corr₂′,…,Corr_m′,…,Corr_M′；

(4c)设置训练单调性度量指标阈值Mon_t′和相关性指标阈值Corr_t′，并将C个中Mon_c′小于Mon_t′的那一类训练集成特征从F_train中删除，再将M个F′_m(i)中Corr_m′小于Corr_t′的F′_m(i)从F_train中删除，然后将F_train中剩余的Q个训练集成特征样本构成训练原始特征集选取F_test中与F_train中剩余的Q个训练集成特征维度相同的Q个测试集成特征构成测试原始特征集其中，第q个训练原始特征为F_q(i)，第q个测试原始特征为F_q(j)，Q≤M；

(5)构建线性可靠度指标曲线R_L：

(5a)基于单调性度量指标Mon对F_train(o)进行评价，并将评价结果中单调性指标值最大的训练原始特征作为F_train(o)的训练原始最优特征F′_O(i)，F′_O(i)的时间域和值域分别为训练真实时间域T′_R(i)和训练值域D′_O(i)，F′_O(i)的每个特征点对应的训练真实时间为t′_r(i)；同时，将测试原始特征集F_test(o)中与F′_O(i)特征维度相等的测试原始特征作为测试原始最优特征F″_O(j)，F″_O(j)的时间域为测试真实时间域T″_R(j)，F″_O(j)的每个特征点对应的测试真实时间为t″_r(j)；

(5b)基于训练原始最优特征F′_O(i)构建值域D_R＝D′_O(i)，时间域为映射时间域T_M＝2T′_R(i)的线性可靠度指标曲线R_L，R_L起点为F′_O(i)的第一个特征点F′_O(1)，终点为值域D_R最大值和时间域T_M最大值的交点；

(6)构建训练平移特征F′_P(i)与测试平移特征F″_P(j)：

将每个训练原始最优特征F′_O(i)的特征点和每个测试原始最优特征F″_O(j)的特征点分别平移到线性可靠度指标曲线R_L上，得到训练平移特征F′_P(i)和测试平移特征F″_P(j)，F′_P(i)的特征值与其所对应的F′_O(i)的特征值相等，F′_P(i)对应的时间为训练平移时间t′_m(i)，F″_P(j)的特征值与其所对应的F′_O(j)的特征值相等，F″_P(j)对应的时间为测试平移时间t″_m(j)，t′_m(i)和t″_m(j)在映射时间域T_M上为非均匀分布；

(7)获取测试平移时间t″_m(j)与测试真实时间t″_r(j)转换关系：

利用曲线拟合方法对映射时间域T_M上的测试平移时间t″_m(j)与测试真实时间域T″_R(j)上的测试真实时间t″_r(j)进行拟合，得到转换关系t″_r(j)＝f(t″_m(j))；

(8)构建训练映射特征集S_train与测试映射特征集S_test：

(8a)在映射时间域T_M上等时间间隔取与训练真实时间t′_r(i)数量相等的训练插值时间t′_p(i)，t′_p(i)在线性可靠度指标曲线R_L上对应的特征为训练插值特征F′_C(i)，并利用每个训练插值时间t′_p(i)处于相邻两个训练平移时间t′_m(i)之间的距离计算训练插值特征值；计算训练原始特征集F_train(o)中Q个特征对应的Q个各包含I个样本的训练插值特征，组成训练映射特征集

(8b)在映射时间域T_M上等时间间隔取与测试真实时间t″_r(j)数量相等的测试插值时间t″_p(j)，t″_p(j)在线性可靠度指标曲线R_L上对应的特征为测试插值特征F″_C(j)，并利用每个测试插值时间t″_p(j)处于相邻两个测试平移时间t″_m(j)之间的距离计算测试插值特征值；计算测试原始特征集F_test(o)中的Q个特征对应的Q个各包含J个样本的测试插值特征，组成测试映射特征集

(9)对待预测滚动轴承的可靠性进行评估：

(9a)以堆栈式自编码器模型A_R作为可靠性评估模型，并将训练映射特征集S_train作为A_R的输入，使用状态参量法构建性能退化样本标签y′_(i)，以均方根误差作为重构损失进行监督训练，更新可靠性评估模型A_R的权重和偏置，得到训练后的可靠度评估模型A_R′；

(9b)将测试映射特征集S_test作为A_R′的输入进行前向传播，得到测试可靠度标签y″_(j)，并将y″_(j)作为测试可靠度指标；

(10)获取待预测滚动轴承的剩余使用寿命预测结果：

(10a)以T个服从高斯分布的粒子为一个粒子空间模拟待预测轴承的一个样本的可靠度分布状态，并基于测试可靠度标签y″_(j)，计算粒子滤波算法的状态转移方程的参数，对于前J个有测试可靠度标签y″_(j)的粒子空间，逐个进行权重评价和重采样来更新粒子空间中的粒子，在第J个粒子空间更新后开始预测，将第J个粒子空间中的T个粒子带入参数计算后的状态转移方程，输出第J+1个粒子空间的T个粒子作为预测待预测轴承第J+1个样本的可靠度分布状态，利用J+1个粒子空间的T个粒子计算预测可靠度，并利用预测可靠度计算映射时间域T_M上的剩余寿命RUL_M；

(10b)利用(7)中所获得的真实时间与映射时间之间的函数转换关系t″_r(j)＝f(t″_m(j))，将映射时间域T_M上的剩余寿命RUL_M转换为测试真实时间域T″_R(j)上的剩余寿命RUL_R，并将RUL_R作为待预测滚动轴承的剩余使用寿命预测结果。