[发明专利]一种基于时序外推预测的电动舵机健康评估方法

权利要求书

1.一种基于时序外推预测的电动舵机健康评估方法，包括：

获取电动液压舵机的故障数据；

对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；

对所述训练数据集进行基于卷积神经网络CNN的特征提取，得到高维隐含层特征；

对所述训练数据集进行基于专家知识的特征提取，得到人工时域特征；

对所述人工时域特征和所述高维隐含层特征进行特征拼接，得到拼接特征集；

所述特征拼接集送入基于堆叠自编码器SAE进行深度特征融合，从而得到二次编码特征值；

所述二次编码特征值送入时序外推预测模型训练模块，进行时序外推预测模型训练，输出电动舵机的预测时序数据；

所述预测数据送入参数健康评估模块，对电动舵机的已有历史故障数据和所述预测时序数据进行健康评估，输出参数健康度及预测结果。

2.根据权利要求1所述的电动舵机健康评估方法，其特征在于，所述健康评估过程进一步包括：将所述训练数据集与所述时序外推预测模型预测的预测时序数据进行拼接，形成健康评估数据，对所述健康评估数据进行滑窗分割，形成多个子窗口；对每个子窗口提取状态表征参量。

3.根据权利要求2所述的电动舵机健康评估方法，其特征在于，所述健康评估过程进一步包括：经过舵机故障预测数据获取单元获取的历史故障数据为X＝{x₁，x₂，...x_N}，经过故障数据预处理单元综合处理后，得到的训练数据长度为N,将训练数据与时序外推预测模型训练后得到的预测数据进行拼接，得到长度为N+L_p的全部数据；对所述全部数据进行滑窗切割，得到个窗口数据；其中，W″为滑窗宽度为，s″为步长，L_p为预测长度。

4.根据权利要求2或3所述的电动舵机健康评估方法，其特征在于，对所述每个子窗口的数据分别提取时域表征参量，所述时域表征参量选自以下变量中的任一个或多个：最大值、标准差、方差、波形因子、均方根、脉冲指数、裕度因子、峰值因子，进而每个子窗口的数据将转化为一个8维的特征向量，最终得到的时域特征样本数据。

5.根据权利要求2或3所述的电动舵机健康评估方法，其特征在于，所述健康评估过程进一步包括：取前m％窗口的数据作为健康基准数据，剩余(1-m％)的数据作为待评估数据，所述m为70或80。

6.根据权利要求2或3所述的电动舵机健康评估方法，其特征在于，所述健康评估过程进一步包括：对所述健康数据求协方差矩阵，基于马氏距离计算公式，利用协方差矩阵计算每个待评估样本分别与健康基准数据之间的距离，然后按照用户给定的标准尺度，对所有距离度量结果进行归一化处理则可得到逐渐衰退的曲线，从而得到健康评估结果。

7.根据权利要求6所述的电动舵机健康评估方法，其特征在于，所述健康评估过程进一步包括：根据专家经验事实，划定不同的健康等级区间，根据所述健康度评估结果，确定设备所处的健康状态。

8.根据权利要求1所述的电动舵机健康评估方法，其特征在于，首先基于人工时域特征提取器进行人工特征提取，利用经过预训练的卷积神经网络特征提取模型对原始的训练数据集进行卷积特征提取，然后对卷积特征与人工时域特征进行特征融合，并将训练数据标签S_trainy作为时序外推预测模型输出，以此完成外推预测器模型的训练。

9.根据权利要求1所述的电动舵机健康评估方法，其特征在于，将经过综合预处理得到的验证集数据送入所述时序外推预测模型，结合相应的预测指标，完成模型的预测性能评估。