[发明专利]基于单支截断数据的旋转机械健康状态预测的几何方法

说明书

本发明公开了一种基于单支截断数据的旋转机械健康状态预测的几何方法，包括：通过对旋转机械振动进行实时监测，得到众多截断数据点；通过对所述众多截断数据点的众多截断数据点高维特征进行基于时间连续性的降维处理，得到具有基于时间分布的多个截断数据点特征的截断数据健康流形空间；根据截断数据健康流形空间中多个截断数据点特征之间的时间关系，对多个截断数据点特征进行连线处理，形成基于时间的截断数据的健康状态演化轨迹；通过对截断数据的健康状态演化轨迹进行拟合处理，得到旋转机械振动的截断数据的寿命值。本发明解决了‘邻域结构’与‘整体结构’破坏的技术问题；因而能够更好地利用截断数据预测旋转机械健康状态。

技术领域

本发明涉及预测技术领域，特别是一种基于单支截断数据的旋转机械健康状态预测的几何方法。

背景技术

随着社会的进步与发展，人们不仅需要知道被监测对象当前的状态，同时也需要了解被监测对象未来的状态，进而开展后续工作，以有效控制风险。然而，预测的本质在于寻求事物退化过程中的动态演化规律。近年来，当大量的失效数据可用时，许多数据驱动方法取得了较好的预测效果，如：人工智能网络、隐马尔科夫模型。此外，有些方法试图解决稀疏数据或截断数据条件下的预测问题。然而，这些研究工作往往基于数量较为可观的历史样本数据(稀疏的或截断的)。

在性能衰退规律不发生本质变化的前提下，预测对象个体数据的截断不会影响其它个体流形结构与样本总体流形结构的相似性。然而，当所有样本总体都被截断时(即无任何全寿数据的完全截断数据状态)，构建出研究对象的健康流形空间，并且尽可能保证其结构的完整性进而用于预测，是必须要解决的难点及首要问题。

以由滚动轴承的520个特征值点组成的全寿数据为例进行分析说明。利用流形学习方法，按照不同的截断程度构建健康流形空间。随着轴承高维特征数据量的不断增加，构建出的健康流形空间结构越接近于全寿数据整体流形结构。自然，对于被截断为仅有200个高维特征数据点的流形结构与最终的结构差异甚大。

本发明以构建的流形空间中的邻域测地线距离及累积测地线距离为定量分析健康流形空间中性能衰退预测的度量指标。图2所示为部分不同数据截断状态条件下(200,300,400,500,510,515,520)的测地线距离及累积测地线距离坐标图。从流形空间健康状态度量指标的直观图中，我们可以得到与之前相同的结论，同时给出邻域测地线距离及累积测地线距离之间的定量误差分析。首先需要指出，这里的定量误差分析皆以全寿数据样本建立的流形空间上的邻域测地线距离及累积测地线距离为参考标准进行计算。计算得到的相关结果如表1所示(以邻域测地线距离为例，累积测地线距离的计算结果类似)。表1中N为截断数据量M为在N范围内进行误差计算的数据量。以(500,400)所对应的数据为例(有浅蓝色阴影的数据)，其表示当用500截断数据构建流形空间时，其前400个数据点的邻域测地线距离与全寿数据的前400个邻域测地线距离之间的绝对误差与相对误差。

由表中数据可知，对于任意一列有意义的数值计算结果，不论是相对误差还是绝对误差，自上而下误差值都在减小，说明随着截断数据样本量的不断增加(截断情况的改善)，所得到的流形空间结构与全寿数据构建的流形空间结构相似度不断提升。

表1截断数据流形结构误差分析

其中，AE为绝对误差，RE为相对误差

由上述分析可知，不同数据截断状态下，所构建流形的结构不同，得到相应的邻域测地线距离及累积测地距离不同。因而，需要针对截断数据状态，设计与开发一种有效的健康流形构建方法，使经其得到的流形空间结构与全寿数据流形空间结构差异尽可能小，即如何使得截断数据条件下求得的流形恰好为全寿命数据条件下得到流形的子集，以用于后续截断数据预测。