[发明专利]一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法

摘要

一种基于MCEA‑KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，属于轴承运行状态的预测领域。本发明的目的是为了准确预测滚动轴承的剩余使用寿命。本发明方法对提取的特征计算每个评价标准的有效性得分，自适应地确定每个评价标准的权重，筛选出有效性总得分高于其整体平均值的特征，进一步利用KPCA去除已筛选特征之间的信息冗余，建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入，当前使用寿命与全寿命的比值p即RUL作为输出，建立多个SVR模型，并采用自适应的方法确定各模型的权重，最终构建组合SVR预测模型。本发明方法可准确地对滚动轴承进行RUL预测。

主权项

1.一种基于MCEA‑KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，其特征在于：所述方法的实现过程为：训练过程步骤一、在对滚动轴承原始振动信号去除直流分量后，利用滑移平均对去除直流分量后的信号进行平滑处理，然后提取出多个特征，再对每个特征进一步进行滑移平均处理得到特征趋势项，对其进行归一化，构造特征矩阵；步骤二、构建MCEA‑KPCA以进行特征约简：多评价标准有效性分析(MCEA)所用到的标准包括5个评价标准：Pearson相关系数、Fisher判别率、散度矩阵、单调性以及鲁棒性，采用自适应的方法确定每个评价标准的权重，筛选出有效性总得分大于平均值的L个特征；对于选取的特征之间仍然存在相关性的问题，利用KPCA对其进行信息融合，降低特征之间的信息冗余，其具体过程为：首先，分别计算5个评价标准的有效性得分e，即计算第k个特征趋势项与轴承当前使用寿命和全寿命比值p的Pearson相关系数得分e_1k，第k个特征趋势项的Fisher判别率得分e_2k、散度矩阵得分e_3k、单调性得分e_4k，再利用第k个特征的趋势项和剩余项计算鲁棒性得分e_5k，将这5个评价标准定义为C_i(i＝1，2，…，5)；e_1k至e_5k分别具有不同的数量级，对e_1k至e_5k进行0到1的归一化；然后，利用自适应的方法确定每个评价标准的权重ω：利用每个评价标准计算特征的有效性得分，将得分大于平均值的特征选出，并利用KPCA进行降维预测，得到该评价标准对应的平均绝对误差MAE、平均绝对百分误差MAPE、归一化均方误差NMSE和均方根误差RMSE；这4种误差的和可衡量C_iEA‑KPCA(i＝1，2，…，5)特征约简的效果，这里当i等于1时C₁EA‑KPCA表示利用第1个评价标准，即采用Pearson相关系数特征有效性分析结合KPCA进行特征约简，i等于其他值时以此类推；由式(3)计算第i个评价标准的权重：式中：i＝1，2，…，5；利用MCEA‑KPCA进行特征约简：通过式(4)计算每个特征的有效性总得分：式中：k＝1，2，…，K，K表示特征总数；基于MCEA在所述特征矩阵中筛选出高于有效性总得分E_k平均值所对应的第k个特征，并记录其在特征矩阵中所处的位置P_l(l＝1，2，…，L)，作为特征有效性分析的结果；L表示有效性总得分E_k高于平均值的特征个数；最后，在筛选出的L个有效特征的基础上，进一步利用KPCA对筛选出的特征进行特征信息融合，消除特征之间的冗余信息，至此完成特征约简；步骤三、将某滚动轴承经过步骤二处理后得到的约简后的特征作为SVR的输入，将p作为SVR的输出，将MAE、MAPE、NMSE及RMSE的和作为FOA的适应度函数，对SVR模型的惩罚系数C、径向基核函数宽度g以及不敏感误差ε进行寻优，构建SVR模型；利用第1个滚动轴承约简后的特征作为输入建立SVR₁模型，利用第2个滚动轴承约简后的特征作为输入建立SVR₂模型，同理构建其他模型SVR₃、SVR₄……SVR_J；步骤四、根据公式(5)求出各SVR模型的权重α_j(j＝1，2，…，J)，再由公式(6)构建CSVR预测模型，至此训练结束；式中：j＝1，2，…，J，J表示SVR模型的个数；在建立SVR_j模型并求出其对应的α_j后，根据公式(6)可构建CSVR预测模型，基于此预测轴承的RUL；测试过程：在测试阶段，对第J+1个滚动轴承采用与训练阶段相同的数据预处理、特征提取方法；将特征矩阵中处于P_l(l＝1，2，…，L)位置的L个特征筛选出来，并利用KPCA去除信息冗余，建立约简后特征矩阵；将约简后特征输入到CSVR预测模型中预测p值，实现预测滚动轴承的RUL。