[发明专利]金属结构损伤剩余寿命的第二代小波支持向量机评估方法

说明书

技术领域

本发明属机械装备故障预示领域，具体涉及关键金属结构部件损伤故障检测及剩余寿命的定量评估方法。

背景技术

随着现代战争对武器装备任务出勤率和战备完好率要求的提高，以及材料科学、测试技术、信号分析和人工智能技术的飞速发展，目前武器装备大量采用故障预测和状态管理技术（Prognostic and Health Management，PHM）以实现“视情维修”，即依据状态的预防维修。这项技术通过检测系统的状态来预测系统及其部件的故障情况，并确定其剩余寿命；利用多传感器信息融合技术诊断系统故障，并基于可用资源和使用需求对维修活动做出管理和决策。PHM是实现武器装备“视情维修”的重要手段，具有故障预测、检测、隔离、关键部件寿命跟踪、故障报告以及寿命预测等功能，能够实现在准确的时间对准确的部位采取准确的维修活动，从而有效减少维修项目，节省维修费用，减少武器装备的事故率。因此，进行武器装备关键金属结构的运行状态监测、诊断与剩余寿命预测技术研究对提高武器装备安全可靠工作具有重大的科学意义和工程实用价值。

然而，在对武器装备运行状态监测的实施过程中，常常存在先验知识缺乏、故障样本稀缺和故障模式不完备的问题。支持向量机是基于统计学习理论的新型机器学习方法，是一种专门研究有限样本分类和预测的学习方法。但在实际应用中，核函数参数的选择问题使得支持向量机极易发生过学习或欠学习现象，直接影响其推广性能。

发明内容

本发明的目的在于提供一种机械装备金属结构损伤剩余寿命的第二代小波支持向量机定量评估方法。该方法精度高、成本低、简单可靠，便于工程实践中使用。

为达到上述目的，本发明采用了以下技术方案：

1）采用经验模式分解对振动信号进行分解得本征模式分量，提取本征模式分量的时频域统计特征构成全体特征集；采用特征距离评估方法从全体特征集中选取最敏感特征得最优特征集；利用自组织神经网络特征融合方法由最优特征集训练出具有明显性能退化趋势的最小量化误差指标；

2）通过构造基于第二代小波变换的双正交小波支持向量机（Support Vector Machine,SVM）核函数得第二代小波支持向量机的寿命预测模型；

3）经过步骤2）后，将最小量化误差指标作为模型输入，通过模型输出实现小子样下机械装备金属结构部件损伤剩余寿命定量评估。

所述步骤1）的具体方法如下：

首先，对于一个原始振动信号X(t)，采用经验模式分解将X(t)分解得到前m个本征模式分量，m取值为2、3或4，对每个本征模式分量分别计算14个时域统计特征F_time和13个频域统计特征F_frequency，得到全体特征集F_total，F_total=[F_timeF_frequency]，共m×27个特征；从全体特征集F_total中选择大于给定阈值的特征评估指标所对应的特征，从而构成最优特征集；

然后，将最优特征集输入到自组织特征映射神经网络(Self-Organizing Feature Map，简称SOM)中进行训练，构建出能真实反映机械设备金属结构的性能衰退轨迹评估指标——最小量化误差（Minimum quantizarion error，MQE）；SOM神经网络通过训练可以使权值向量根据它们和输入向量之间的距离进行分类，不同的类代表输入向量中设备不同运行状态的数据，状态的转变通过SOM神经网络中最佳匹配单元的运行轨迹来描述，在正常状态，最佳匹配单元聚集同一区域，当有初始损伤出现时，初始损伤的最佳匹配单元就会偏离正常状态的匹配单元区，偏离大小取决于损伤的类型和严重程度，所以基于偏离正常状态的量化误差可以评估机械设备金属部件的衰退程度。

所述构建最小量化误差指标的具体方法为：

首先用正常状态的数据训练自组织特征映射神经网络，得到正常状态的神经元权值向量，然后将最优特征集作为输入向量和映射层的所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义与输入向量距离最小的神经元为最佳匹配单元（Best matching unit，BMU），最佳匹配单元和输入向量之间的距离本质是输入向量偏离正常状态的距离，将其定义为最小量化误差指标：

MQE=||D-m_BMU||