[发明专利]一种小样本装备故障在线预测方法

说明书

本发明公开了一种小样本装备故障在线预测方法，包括如下预测步骤：S1、数据处理：通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响，提出一种改进WTD算法用于在线滤除故障信号中的噪声，本发明通过提出小样本装备故障在线预测模型，并通过滚动轴承生命周期振动数据验证了本模型的有效性和可靠性，BIC能够准确找出WTD算法的最佳分解层数，为改进WTD模型参数设置提供依据，改进WTD算法降噪效果优异，保证了故障数据的可靠性，MD改进的MEST算法和双重CSFI算法能有效将故障信号转化为故障程度指标，为后续故障预测提供了高质量的数据保障。

技术领域

本发明涉及装备故障预测技术领域，具体为一种小样本装备故障在线预测方法。

背景技术

故障预测技术能够立足于故障机理分析，假定故障发生模式，利用历史退化数据，深度挖掘潜在故障信息，构建基于物理或数据驱动的预测模型，实现对故障程度的预测，是装备健康状态判断，剩余使用寿命分析，以及基于状态维修的基础，装备退化呈现较大差异，前期故障难以提取特征，后期故障难以反应当前装备健康状态，较近时刻故障数据的量又难以满足拟合精度的需求，增加了故障预测的难度，小样本、快收敛、高精度的故障在线预测技术已成为故障预测领域研究的热点；

但是当前的故障预测技术的适应能力差，对故障复杂性高、样本数据量少、预测时效性强的装备的故障预测效果差。

发明内容

本发明提供一种小样本装备故障在线预测方法，可以有效解决上述背景技术中提出当前的故障预测技术的适应能力差，对故障复杂性高、样本数据量少、预测时效性强的装备的故障预测效果差的问题。

为实现上述目的，本发明提供如下技术方案：一种小样本装备故障在线预测方法，包括如下预测步骤：

S1、数据处理：通过WTD降噪算法中的阈值函数优化以及引入BIC评估分解层数对WTD复杂度的影响，提出一种改进WTD算法用于在线滤除故障信号中的噪声；

S2、故障程度识别：通过MEST构建系统或装备的非参数模型，通过对观测向量与历史记忆矩阵的最优重构估计获得估计向量，利用估计向量和观测向量之间的差异性来反应故障程度，并引入CSFI进行平滑处理；

S3、故障在线预测：通过TSFM非统计性分析方法，消除数据的偶然变动，并引入梯度下降在线更新平滑因子，引入自适应滑动时间窗动态截取时间序列数据，提升TSFM的拟合能力；

S4、实验分析：验证小样本条件下装备故障预测模型的有效性和可行性；

S5、数据处理分析：通过预设BIC对不同分解层数的改进WTD算法复杂性进行评估；

S6、故障程度识别分析：以改进WTD得到各小波分解系数作为改进MEST的观测变量，设置采样频率、健康状态和退化状态进行故障程度的识别分析，采用双重CSFI处理数据，消除曲线中导数不存在的“尖点”，得平滑后故障程度点；

S7、故障在线测试分析：预设自适应滑动时间窗、自适应平滑因子、学习因子、最大训练迭代次数、最小允许误差，将平滑后的轴承故障程度值输入故障在线预测模型中，得自适应平滑因子变化趋势、自适应滑动时间窗长度变化趋势、预测误差变化趋势。

S8、预测结果总结：对在线预测模型故障预测的效果进行总结。

2.根据权利要求1所述的一种小样本装备故障在线预测方法，其特征在于，所述S1中，通过改进WTD算法用于在线滤除故障信号中的噪声，其原理如下：

式中，λ为阈值；

ω_j,k为故障信号小波系数；

为预估小波系数；

j为分解尺度，且1≤j≤J，J为最大尺度；