【技術實現(xiàn)步驟摘要】
本專利技術涉及軸承復合故障預測領域，具體涉及一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，屬于機械故障診斷領域。
技術介紹
1、滾動軸承作為旋轉機械的一種關鍵部件，由多個部分組成，在現(xiàn)代機械設備中應用廣泛，有效預測其健康狀況對于保障設備的穩(wěn)定運行至關重要。然而，由于實際工況中設備所處環(huán)境復雜多變，滾動軸承發(fā)生故障時往往不是單一故障，而是多種故障同時存在，這不僅加大了故障預測的難度，而且對設備的可靠性和穩(wěn)定性構成了嚴重威脅。事實上，隨著數(shù)據(jù)要素流轉技術的發(fā)展，為了提高故障預測的效果，工程上一般從多角度對振動信號進行采集和特征提取，以此確保多域特征可以反映信號各種狀態(tài)下的故障信息。對復合故障信號多維特征進行選擇是故障預測的關鍵一環(huán)。
2、針對特征選擇問題，現(xiàn)有技術在復雜網(wǎng)絡理論基礎上嘗試利用網(wǎng)絡的高階結構來解決。呂琳媛等人在專利cn202311428334.4中通過利用一個全連接的單層感知機將中心層胞腔的嵌入矩陣y映射到一維向量sh，基于h階胞腔的影響力分數(shù)sh和計算影響力排名矩陣rh，確定數(shù)據(jù)中的重要高階結構；李聰?shù)热嗽趯＠鹀n202211282958.5中通過建立n-1階團與n階團的高階關聯(lián)矩陣sn-1，n，得以計算各個高階指標如pagerank等，從而篩選出最重要的一組團結構，即關鍵團的序列；南璐等人在專利cn202310453531.5中通過設置虛擬環(huán)流將發(fā)電機節(jié)點-負荷節(jié)點間的有功功率傳輸路徑由負荷節(jié)點重新指向該發(fā)電機節(jié)點，并根據(jù)具體的交易量大小設置虛擬環(huán)流的權重來改進pagerank算法，將其用
技術實現(xiàn)思路
1、本專利技術提出一種基于高階抑制排序算法的全生命周期復合故障預測特征選擇方法，針對軸承故障的物理特性，采集多角度對振動數(shù)據(jù)，提取信號數(shù)據(jù)的多種指標特征組成網(wǎng)絡結構特性，根據(jù)高階結構屬性辨識并抑制冗余和無關指標特征，保留對對軸承故障的貢獻度大的關鍵特征，用更少的特征實現(xiàn)更精準的故障預測效果；該方法包括：1)構建滾動軸承全生命周期復合故障特征數(shù)據(jù)集fd；2)利用特征數(shù)據(jù)集fd，將滾動軸承的全生命周期劃分為健康、退化、失效三個階段；3)根據(jù)特征數(shù)據(jù)集fd構建因果特征加權高階網(wǎng)絡；4)構建三個網(wǎng)絡gα，gβ，gγ的高階pagerank值集hprα、hprα和hprγ；5)將滾動軸承三種狀態(tài)數(shù)據(jù)集fdα、fdβ、fdγ里的特征，根據(jù)高階pagerank值構建特征子集fri；6)進行故障預測與特征選擇；具體來說，本專利技術的方法包括以下步驟：
2、a.構建滾動軸承全生命周期復合故障特征數(shù)據(jù)集fd，具體步驟如下：
3、a1.獲取滾動軸承全生命周期復合故障信號數(shù)據(jù)，構成信號數(shù)據(jù)集sd，具體步驟如下：
4、a1.1從具有復合故障的滾動軸承的水平振動信號數(shù)據(jù)中，選取全生命周期內(nèi)采樣的c個數(shù)據(jù)；
5、a1.2采用滑動窗口法構造樣本集，窗口大小為l，步長為m，全生命周期內(nèi)共得到z組樣本，構成信號數(shù)據(jù)集sd，計算公式如下：
6、
7、a2.定義由時域、頻域和熵值構成的n個特征，為信號數(shù)據(jù)集sd中每組樣本計算n個特征的值，具體步驟如下：
8、a2.1定義有量綱和無量綱的h1個時域特征，計算每組樣本的時域特征，具體內(nèi)容如下：
9、a2.1.1有量綱特征是峰值、峰峰值、平均幅值、均方根、方根幅值、方差和標準差；
10、a2.1.2無量綱特征是峰值因子、脈沖因子、裕度因子、波形因子、峭度因子和偏度；
11、a2.2對每組樣本進行傅里葉變換，計算每組樣本的h2個頻域特征，包括重心頻率、均方頻率、均方根頻率、頻率方差和頻率標準差；
12、a2.3計算每組樣本的功率譜熵和奇異譜熵，特征數(shù)量記為h3；
13、a3.利用z個樣本的z*n個值，構造特征數(shù)據(jù)集fd，具體步驟如下：
14、a3.1特征數(shù)據(jù)集fd有n個向量，每個向量包含z個值；
15、a3.2第i個向量用feai表示，記為每個元素是第k個樣本的第i個特征的值；
16、b.利用特征數(shù)據(jù)集fd，將滾動軸承的全生命周期劃分為健康、退化、失效三個階段，具體步驟如下：
17、b1.利用z*h1個時域特征的值找到拐點t1，標識滾動軸承的健康狀態(tài)αα及其樣本數(shù)，具體步驟如下：
18、b1.1根據(jù)步驟a2.1中得到的z*h1個時域特征值在全壽命周期內(nèi)的幅值，找到第一個拐點t1，具體步驟如下：
19、b1.1.1該拐點前的樣本，其有量綱特征的幅值幾乎無波動，無量綱特征有反復的小幅波動；
20、b1.1.2在t1之后的樣本，有量綱特征的幅值出現(xiàn)大幅上升且反復波動，無量綱特征出現(xiàn)急劇上升或下降且反復波動；
21、b1.2從0至t1之間的樣本數(shù)記為z1，對應的時間段內(nèi)，滾動軸承為健康狀態(tài)，記為α態(tài)；
22、b2.利用z*h1個時域特征的值找到拐點t2，標識滾動軸承的退化狀態(tài)β及其樣本數(shù)，具體步驟如下：
23、b2.1根據(jù)步驟a2.1中得到的z*h1個時域特征值在全壽命周期內(nèi)的幅值，找到第二個拐點t2，具體步驟如下：
24、b2.1.1相比于t1之前的樣本，t1至t2之間的樣本，其有量綱特征的幅值出現(xiàn)大幅上升且反復波動，無量綱特征出現(xiàn)急劇上升或下降且反復波動；
25、b2.1.2在t2之后的樣本，有量綱特征的幅值出現(xiàn)急劇上升且無波動，無量綱特征出現(xiàn)急劇上升或下降且無波動；
26、b2.2從t1至t2之間的樣本數(shù)記為z2，對應的時間段內(nèi)，滾動軸承為退化狀態(tài)，記為β態(tài)；
27、b3.從t2至生命周期末端的樣本數(shù)記為z3，對應的時間段內(nèi)，滾動軸承為失效狀態(tài)y；
28、c.根據(jù)特征數(shù)據(jù)集fd構建因果特征加權高階網(wǎng)絡，具體步驟如下：
29、c1.根據(jù)步驟b獲得的拐點t1，t2，將特征數(shù)據(jù)集fd劃分為三個數(shù)據(jù)集，具體步驟如下：
30、c1.1特征數(shù)據(jù)集fd中的n個向量，每個向量被切分為三部分，記作
31、c1.2構成健康特征數(shù)據(jù)集fdα，記為
32、c1.3構成退化特征數(shù)據(jù)集fdβ，記為
33、c1.4構成失效特征數(shù)據(jù)集fdγ，記為
34、c2.利用三種特征數(shù)據(jù)集fdα、fdβ、fdγ分別構建健康、退化、失效三種狀態(tài)的因果特征加權高階網(wǎng)絡，并記為gα，gβ，gγ；
35、所述的三個因果特征高階網(wǎng)絡統(tǒng)一記為g*＝{v*，e*，w*}，*∈{α，β，γ}；
36、其中，v*為網(wǎng)絡g*的節(jié)點集合，對應網(wǎng)絡g*中一個節(jié)點
37、e*為網(wǎng)絡g*的邊集合，表示若兩個特征與之間存在因果關系，則本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，其步驟包括：
2.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，定義由時域、頻域和熵值構成的n個特征，為信號數(shù)據(jù)集SD中每組樣本計算n個特征的值，具體步驟如下：
3.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，利用Z*h1個時域特征的值找到拐點T1，標識滾動軸承的健康狀態(tài)α及其樣本數(shù)，具體步驟如下：
4.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，利用Z*h1個時域特征的值找到拐點T2，標識滾動軸承的退化狀態(tài)β及其樣本數(shù)，具體步驟如下：
5.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，根據(jù)步驟B獲得的拐點T1，T2，將特征數(shù)據(jù)集FD劃分為三個數(shù)據(jù)集，具體步驟如下：
6.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，構建網(wǎng)絡Gα，Gβ，Gγ的邊集合，具體步驟如下：
7.如權利要求1所述
...【技術特征摘要】
1.一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，其步驟包括：
2.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，定義由時域、頻域和熵值構成的n個特征，為信號數(shù)據(jù)集sd中每組樣本計算n個特征的值，具體步驟如下：
3.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，利用z*h1個時域特征的值找到拐點t1，標識滾動軸承的健康狀態(tài)α及其樣本數(shù)，具體步驟如下：
4.如權利要求1所述的一種基于高階抑制排序算法的滾動軸承復合故障預測特征選擇方法，利用z...
【專利技術屬性】
技術研發(fā)人員：于重重，徐瑋晨，吳宗檸，趙霞，李夢雄，
申請(專利權)人：北京工商大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。