[发明专利]基于距离度量学习的机械关键部件虚拟退化指标构造方法

说明书

一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，首先提取机械关键部件振动信号的时域、频域和时频域特征，同时根据频谱和功率谱划分机械关键部件的退化状态，其次综合评估各指标的相关性、单调性和预测性，选择性能优于均方根值的指标组成机械关键部件的特征向量并进行距离度量学习，然后使用正常阶段的特征向量训练优化后的自组织映射神经网络，输入新获取的振动信号数据，计算其特征向量与相应激活节点权值向量的距离，从而建立增强最小量化误差虚拟退化指标；本发明综合多域、多种物理退化指标，能够充分挖掘机械装备关键部件的退化信息，有利于提高剩余寿命预测的精度。

技术领域

本发明属于机械装备剩余寿命预测与健康管理技术领域，具体涉及一种基于距离度量学习的机械关键部件虚拟退化指标构造方法。

背景技术

机械装备常工作于复杂多变的环境中，其关键部件故障频发，随着现代科技的发展，机械装备关键部件间的耦合关系越来越紧密，一旦其中的部件发生故障，就会导致整个机械系统发生故障乃至瘫痪，造成严重的经济损失甚至人员伤亡。因此，对机械关键部件进行剩余寿命预测，使其在故障发生前得到预防性维修，保证机械装备安全服役迫在眉睫。

机械装备关键部件的剩余寿命预测主要包括监测信号获取、物理退化指标提取、指标评价与优选、虚拟退化指标构造和剩余寿命评估。剩余寿命预测结果的精度除了受到所选择的预测模型影响外，还与所使用的退化指标密切相关。优良的退化指标需有较好的相关性、单调性和预测性，但受到原始信号质量和信号处理方法的影响，直接从监测信号中提取得到的物理退化指标往往只对退化过程的某一阶段较为敏感，难以在整个退化过程中保持良好的趋势。同时，机械装备工作环境复杂多变，而物理退化指标受工况的影响较大，不利于机械关键部件退化信息的表达。以上缺点将会导致机械关键部件早期健康监测和剩余寿命的准确度降低。因此，构造一个综合性能优良的退化指标，对于机械关键部件的剩余寿命预测的精度十分重要。

发明内容

为了克服现有技术的以上缺点，本发明提供了一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，通过指标评价从备选物理退化指标集中选取综合性能优越的指标，借助于距离度量学习和自组织神经网络算法将优选的物理退化指标映射为单一的虚拟退化指标，表征机械关键部件偏离正常状态的程度，描述机械关键部件的退化过程。

为了达到上述目的，本发明采取的技术方案为：

一种基于距离度量学习的机械关键部件虚拟退化指标构造方法，包括以下步骤：

1)对机械关键部件全寿命周期内采集到的振动信号依次做傅里叶变换，得到振动信号的频谱和功率谱，依据谱图中幅值最大处对应的频率成分的变化规律，将机械关键部件的退化过程划分为正常运行、故障发展和严重退化三个阶段；

2)分别从时域、频域、时频域中提取振动信号的物理退化指标，组成备选物理退化指标集；具体步骤如下：

2.1)提取振动信号的时域退化指标，依次为均值、标准差、方差、偏斜度、峭度、最大值、最小值、峰峰值、平均幅值、均方根值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标，并以F1—F16记之；

2.2)提取振动信号的频域退化指标，依次为频域平均能量、频域能量方差、均值频率、方均根频率、频谱分散程度，并以F17—F21记之；

2.3)提取振动信号的时频域退化指标，通过经验模态分解，获取振动信号的前8个本征模态分量，依次计算8个本征模态分量的能量、经验模态分解能量熵，并以F22—F30记之；

3)建立退化指标综合评价方法，包括相关性准则、单调性准则、预测性准则，根据式(1)～式(4)式对步骤2)中提取的30个物理退化指标的性能进行定量评估；

3.1)基于斯皮尔曼相关系数的相关性准则