[发明专利]基于改进FPA-DBN的轴承剩余寿命预测方法

权利要求书

1.基于改进FPA-DBN的轴承剩余寿命预测方法，包括如下步骤：

步骤1：从已知的轴承数据集中选取一部分轴承作为训练集，一部分作为测试集；

步骤2：对训练集和测试集轴承分别进行特征提取和降噪；

步骤3：初始化DBN模型和改进的花粉算法的相关参数，并将步骤2的训练集轴承特征代入到模型中，利用改进的花粉算法对其进行优化；当满足最大迭代次数后，输出全局最优解，完成模型的参数化训练；

步骤4：将测试集轴承的特征代入到已经训练好的模型中，进行轴承寿命预测。

2.根据权利要求1所述的基于改进FPA-DBN的轴承剩余寿命预测方法，其特征在于：步骤3，其中改进花粉算法的相关参数包含花粉配子数目n、判断概率p、权重最小值w_min和最大值w_max、最大迭代次数n_t以及均方根误差函数f(x)。

3.根据权利要求1所述的基于改进FPA-DBN的轴承剩余寿命预测方法，其特征在于：所述的步骤3，其特征在于转换概率p的改进：

p^t+1＝p^t*exp(t/n_t)

式中p^t+1和p^t分别为当前和前一次迭代时的转换概率，t为当前迭代次数；随着迭代次数的不断增加，各个花粉配子逐渐接近全局最优位置，其全局搜索的比重应逐步加大，局部搜索的比重应逐步减小，这样做可以避免因转换概率恒定，使花粉配子随机进行全局和局部搜索，从而陷入局部最优。

4.根据权利要求1所述的基于改进FPA-DBN的轴承剩余寿命预测方法，其特征在于：所述的步骤3，其特征在于位置更新策略的改进：

在异花授粉过程中，莱维飞行的引入可以有效地使花粉配子进行随机游走，增加搜索面积，避免个体集中；为了进一步增强全局搜索能力，引入自适应权重；同时引入混沌行走方案，利用其路线的不确定性、不重复性和不可预测性，可以使配子在有限的时空范围内遍历较大的搜索空间，增强其搜索能力；对于异花授粉过程而言，具体改进的更新策略如下：

式中w＝w_min+(w_max-w_min)*(1-exp(-(t/n_t)³))，其中w为自适应权重，w_min和w_max为权重的最小值和最大值；在迭代初期，花粉配子的位置更新很大程度上取决于上一次的位置；随着迭代次数增加，花粉配子逐渐接近最佳位置，对上一时刻位置的依赖程度减弱，故引入此权重作为调节因子；

在完成上式的位置更新后，进行混沌行走；本发明选择的是具有无限折叠的迭代混沌映射(ICMIC)，此映射的Lyapunov指数值(形容混沌效果的定量指标)远高于其他映射值，被广泛应用，具体公式如下：

式中，常数u决定了混沌程度；当u取2时，混沌效果最好，本发明将u取值为2；

在自花授粉过程中，为了进一步使配子在位置更新时参考其它配子，在式(2-3)中再次添加两个随机配子位置元素，改进后的公式见(2-7)：

式中ε₁和ε₂是两个不同的0-1之间服从均匀分布的随机数，和是来自同一种植物的四个不同花粉配子。

5.根据权利要求1所述的基于改进FPA-DBN的轴承剩余寿命预测方法，其特征在于：所述的步骤3，其特征在于基于对立学习的种群寻优：

对立学习的基本原理是同时评估原始解决方案及其对立的解决方案，从而增加找到最佳解决方案的几率；近些年来，被广泛应用于群体智能算法的优化；广义的对立学习方案如下：

但广义的对立学习属于单边，即针对每个元素，仅有一种对立解决方案，具有一定局限性；而基于双边的对立学习引入了中间边界，即将元素的最大值和最小值之间的中位数作为边界；每个元素均与此边界值作比较，比较出的结果分别对应两种对立解决方案；引入了准对立学习和准反射对立学习，见下方公式；将两种对立学习叠加使用，生成当前配子种群的对立种群，增强个体多样性，进而在新生成的配子种群和原始配子种群中，找到位置较好的个体；

上式中，c_i＝(Lb+Ub)/2，为经广义对立学习转化后的个体。