[发明专利]基于优化RVM和混合退化模型的轴承剩余寿命预测方法

说明书

本发明公开了一种基于优化RVM和混合退化模型的轴承剩余寿命预测方法，包括以下步骤：S1、参数设定与初始化；S2、相空间重构；S3、RVM模型训练；S4、基于多退化模型的退化曲线拟合；S5、相似性度量：采用Fréchet距离计算真实退化曲线与拟合退化曲线之间的相似性；S6、迭代终止判断；S7、选取最优退化曲线；S8、外推拟合曲线；S9、计算剩余使用寿命。本发明不仅提升了轴承剩余寿命长期预测的准确性，避免预测步长增加、参数经验选取等对预测性能的不良影响，亦可应用于旋转机械的其他部件，或相似机理的设备剩余寿命预测研究，为设备的故障预测与健康管理提供保障。

技术领域

本发明属于故障预测与健康管理领域，特别涉及一种基于优化RVM和混合退化模型的轴承剩余寿命预测方法。

背景技术

滚动轴承作为装备的关键部件，其安全性自然不言而喻。剩余寿命预测作为保障装备安全运行的重要手段，近年来成为一个重要的研究热点。通常轴承运行将经历正常阶段、退化阶段，直至失效，因此一旦轴承开始退化则需要对其进行剩余寿命预测。

通常，基于数据驱动的剩余寿命预测模型通过所构建的健康指标跟踪退化趋势，从设定的检查时刻开始进行单步或多步预测。单步预测依赖历史信息开展预测，预测精度较高，但是实用性不强。在单步的基础上，引入预测值可构造多步迭代预测模型，但预测步长越大，误差累积越大，预测准确性受到限制。

相关向量机(Relevance Vector Machine，RVM)在贝叶斯框架下进行训练学习，在先验参数的结构下基于主动相关决策理论(Automatic Relevance Determination，ARD)来移除不相关的点，从而获得稀疏化的模型。RVM模型在样本数据的迭代学习过程中，大部分参数的后验概率分布将趋于零，而那些非零参数对应的点被称作相关向量(RelevanceVectors，RVs)。已有研究中亦有使用支持向量机、支持向量回归模型等进行多步预测，但RVM的稀疏性和非线性处理能力更适合非线性时间序列预测。

此外，轴承剩余寿命预测亦受到退化模型的影响。轴承退化过程多采用单指数模型进行描述，已有研究结果表明加权组合的指数函数构建的退化模型，可以通过调节权值和指数函数参数在轴承剩余寿命预测中取得很好的效果。但是，受负载变化以及轴承安装定位不良等的影响，轴承呈现出非线性退化的特点，指数模型不足以描述轴承动态退化过程。因此，为了提高长期剩余寿命预测的准确性，有必要研究如何对基于RVM的轴承剩余寿命预测模型进行改进。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能够提升轴承剩余寿命长期预测的准确性，避免预测步长增加、参数经验选取等对预测性能的不良影响，为设备的故障预测与健康管理提供保障的基于优化RVM和混合退化模型的轴承剩余寿命预测方法。

本发明的目的是通过以下技术方案来实现的：基于优化RVM和混合退化模型的轴承剩余寿命预测方法，包括以下步骤：

S1、参数设定与初始化：设定高斯核宽度δ_i(1≤i≤L)的取值范围设置为[δ₁,δ_L]，其变化量设定为Δδ，设定轴承失效阈值γ；令i＝1；

S2、相空间重构：导入初始退化时刻至检查时刻的健康指标数值，构造特征矩阵和目标向量；

S3、RVM模型训练：根据设定的高斯核宽度值执行RVM回归，确定相关向量；

S4、基于多退化模型的退化曲线拟合：综合运用单指数模型、双指数模型和多项式模型拟合S3获得的相关向量，采用非线性最小二乘回归方法确定拟合曲线参数，获得退化曲线f_i；

S5、相似性度量：采用Fréchet距离计算真实退化曲线S与拟合退化曲线f_i之间的相似性；