[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

摘要

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。

主权项

1.一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，其特征在于，适用于机械装备各类关键部件的虚拟退化指标的构造，在实际应用中，实施者根据各类关键部件的具体退化特性，针对性地提取相应的物理退化指标组成备选物理退化指标集，包括以下步骤：/n1)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；/n2)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：/n2.1)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；/n2.2)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；/n2.3)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；/n3)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；/n3.1)基于斯皮尔曼相关系数的相关性准则/n /n其中，Y＝(y₁,y₂,…,y_L)和t＝(t₁,t₂,…,t_L)分别为退化指标序列和时间序列，L为退化指标序列的长度，和分别为退化指标序列和时间序列的平均值，该准则描述了退化指标与时间序列的相关性，取值越接近于1，则二者之间的相关性越强；/n3.2)单调性准则/n /n其中，Y＝(y₁,y₂,…,y_L)为退化指标序列，L为退化指标序列的长度，ε(x)为单位阶跃函数，该准则刻画了退化指标单调增或单调减的特性，取值越接近于1，则代表退化指标的单调性越好，越接近机械关键部件退化的实际情况；/n3.3)预测性准则/n /n其中，分别为退化指标在初始时刻和失效时刻的均值，y_f为退化指标值，σ(y_f)为退化指标在失效时刻的标准差，该准则描述了退化指标在全寿命周期内的变动范围及在失效时刻的分散性，取值越接近于1，则代表退化指标变动范围越大且在失效时刻的标准差越小，该指标在不同个体之间变动范围和失效阈值越一致，越适用于剩余寿命预测；/n3.4)综合评价准则/n综合评价准则将上述评价准则进行线性加权组合，如下式(4)所示，/nSM＝ω₁Corr(Y)+ω₂Mon(Y)+ω₃Pro(Y) (4)/n其中，SM为综合评价准则，Y为各指标序列，ω₁+ω₂+ω₃＝1，且ω₁,ω₂,ω₃∈[0,1]用来表征3个评价准则的权重；/n4)根据30个物理退化指标在步骤3)中的综合评价准则SM的大小，选出性能优良的退化指标，组成机械关键部件振动信号的特征向量；/n5)三个阶段的机械关键部件振动信号特征向量具有不同的标签，利用这些信息进行距离度量学习，得到适用于衡量机械关键部件退化过程中状态空间相似性的距离度量矩阵；/n6)利用学习得到的距离度量矩阵用于自组织映射神经网络竞争学习阶段的相似性衡量，使网络得到优化；/n7)使用正常阶段的振动信号特征向量训练自组织映射神经网络，确定神经网络结构、参数，其中权值调整使用墨西哥草帽函数；/n8)测试阶段，将新获取振动信号的特征向量作为自组织映射神经网络的输入，根据式(5)计算实时特征向量与对应的激活节点权值向量的距离，得到机械关键部件虚拟退化指标增强最小量化误差；/n /n其中，EMQE为增强最小量化误差指标，X为新获取振动信号的特征向量，m为自组织映射神经网络中激活节点对应的权值向量，A为通过距离度量学习得到的距离度量矩阵。/n