[发明专利]基于AFF-AAKR融合的滚动轴承健康指标曲线构建方法

说明书

本发明公开了一种基于AFF‑AAKR融合的滚动轴承健康指标曲线构建方法，首先对滚动轴承的水平振动加速度传感器信号从时域、频域和时频域进行特征提取得到候选特征集，筛选出优选特征，然后采用AFF方法从优选特征的数据序列中获取观测空间向量，根据观测空间向量中提取出健康空间向量，将观测空间向量映射到健康空间向量所代表的健康空间得到映射向量，计算观测空间向量和映射向量中各时刻数据的残差，将残差数据拟合得到的曲线即为健康指标曲线。本发明将采集得到的滚动轴承的振动加速度信号进行时频域特征提取，通过基于AFF‑AAKR的特征融合实现健康指标曲线的构建，提高健康指标曲线的性能。

技术领域

本发明属于滚动轴承寿命预测技术领域，更为具体地讲，涉及一种基于AFF-AAKR融合的滚动轴承健康指标曲线构建方法。

背景技术

滚动轴承是旋转机械中的基础性零件，在旋转机械中具有举足轻重的地位。滚动轴承的状态监测和剩余使用寿命预测在工业生产中尤为重要。而健康指标曲线的性能是直接影响剩余寿命预测精度的关键因素。构建健康指标曲线的目的一方面是为了追踪设备状态随时间变化的趋势，另一方面是能够应用健康指标曲线方便地进行剩余寿命预测，健康指标曲线的性能对剩余寿命的预测有着至关重要的影响。

根据是否使用健康指标曲线来预测剩余使用寿命，可以将数据驱动的剩余使用寿命预测方法进一步分为两组：一是直接剩余使用寿命预测，通过直接对输入信号和剩余使用寿命之间建立的关系模型；二是基于健康指标曲线的间接剩余寿命预测，首先根据输入信号建立获取健康指标曲线的模型，然后再建立将得到的健康指标曲线映射到剩余使用寿命的模型。健康指标曲线的构建传统上包括特征提取、特征选择和特征融合等关键步骤。

当前在大数据的背景下，基于健康指标曲线的间接剩余寿命预测也面临着以下挑战：(1)如何从海量的监测数据中捕获和揭示设备的退化过程；(2)如何在动态时变工况和多失效模式耦合的情况下实现对每个运行轴承的精确地退化趋势描述和健康状态监测；(3)如何通过构建合适且准确的健康指标曲线简化寿命预测模型并实现对轴承更为准确和稳定的剩余寿命预测。同时，在当今大数据时代下，在工程实际应用中，现有的健康指标曲线的构建技术存在对退化趋势描述不准确、泛化能力低以及无法实现高精度的寿命预测等问题，需要研究解决。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于AFF-AAKR融合的滚动轴承健康指标曲线构建方法，将采集得到的滚动轴承的振动加速度信号进行时频域特征提取，通过基于AFF-AAKR的特征融合实现健康指标曲线的构建，提高健康指标曲线的性能。

为实现上述发明目的，本发明基于AFF-AAKR融合的滚动轴承健康指标曲线构建方法包括以下步骤：

S1：获取滚动轴承的水平振动加速度传感器信号，分别从时域、频域和时频域进行特征提取，共提取K个候选特征的数据，组成候选特征数据集F_original＝{f₁,f₂,…,f_K}，其中f_k表示第k个候选特征的数据序列，k＝1,2,…,K，每个数据序列的长度为N；

S2：根据每个候选特征的数据序列f_k对K个候选特征进行筛选，选择较优的D个特征构成优选特征集合；

S3：采用AFF方法从优选特征的数据序列中获取观测空间向量F^obs，具体方法如下：

S3.1：分别对优选特征集合中D个特征的数据序列进行[0，1]规范化以及滑动平均滤波，将得到的数据序列记为d＝1,2,…,D；

S3.2：对于数据序列中的第t个数据t＝1,2,…,N，计算其与其他数据序列中对应数据之间的平均距离dis_d,t：

其中，表示数据序列中的第t个数据，d′＝1,2,…,D且d′≠d；