一種基于概率密度函數(shù)的旋轉(zhuǎn)機(jī)械健康狀態(tài)評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機(jī)械裝備的性能退化評(píng)估領(lǐng)域，具體涉及一種基于核密度估計(jì)和K-L 散度等統(tǒng)計(jì)學(xué)方法以實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械的健康狀態(tài)評(píng)估。
【背景技術(shù)】
[0002] 旋轉(zhuǎn)機(jī)械廣泛應(yīng)用于大型制造系統(tǒng)和重要技術(shù)裝備中，例如數(shù)控機(jī)床、風(fēng)力發(fā)電 機(jī)、航空航天發(fā)動(dòng)機(jī)等。在這些制造系統(tǒng)和裝備中，滾動(dòng)軸承、齒輪等旋轉(zhuǎn)機(jī)械中的關(guān)鍵部 件發(fā)揮著重要作用，但是旋轉(zhuǎn)機(jī)械零件在運(yùn)轉(zhuǎn)中需要承受交變的機(jī)械應(yīng)力和偶然沖擊，加 上本身固有的制造誤差，經(jīng)常會(huì)產(chǎn)生一些早期缺陷（如：輕度磨損、點(diǎn)蝕等）。如果這些缺 陷不及時(shí)診斷發(fā)現(xiàn)，就會(huì)隨著時(shí)間的推移不斷惡化，最終導(dǎo)致系統(tǒng)失效，帶來巨大的財(cái)產(chǎn)損 失。對(duì)于現(xiàn)代化大型復(fù)雜旋轉(zhuǎn)機(jī)械設(shè)備，盡管可以通過改善設(shè)計(jì)、制造工藝來提高零部件的 質(zhì)量，但仍然不能完全避免故障的發(fā)生。健康狀態(tài)評(píng)估和故障診斷已經(jīng)成為保障旋轉(zhuǎn)機(jī)械 裝備正常運(yùn)轉(zhuǎn)和預(yù)防故障發(fā)生的重要技術(shù)手段。通過這兩種技術(shù)的結(jié)合，可以盡早地發(fā)現(xiàn) 設(shè)備運(yùn)行過程中的早期故障，從而通過對(duì)早期故障加以隔離，避免設(shè)備的突發(fā)性失效和意 外停機(jī)。健康狀態(tài)評(píng)估的首要工作是利用先進(jìn)的傳感和監(jiān)測(cè)技術(shù)，對(duì)關(guān)鍵零部件及系統(tǒng)進(jìn) 行狀態(tài)監(jiān)測(cè)。為了監(jiān)測(cè)旋轉(zhuǎn)機(jī)械設(shè)備的健康狀況，需要對(duì)該設(shè)備的運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確地評(píng) 估，然后根據(jù)評(píng)估結(jié)果制定合理的維修計(jì)劃。使用敏感的健康指標(biāo)探測(cè)機(jī)械設(shè)備異常狀態(tài) 和正常狀態(tài)的分界點(diǎn)或分界面，不但有助于預(yù)防機(jī)械產(chǎn)品發(fā)生嚴(yán)重的功能失效，而且可以 避免災(zāi)難性失效引起的巨額財(cái)產(chǎn)損失。在旋轉(zhuǎn)機(jī)械健康狀態(tài)評(píng)估中，選擇合適的健康評(píng)估 指標(biāo)和建立健康狀態(tài)評(píng)估模型尤為重要。
[0003] 基于數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)評(píng)估和故障診斷方法是近年來逐漸興起的一種新技術(shù)， 計(jì)算機(jī)技術(shù)的快速發(fā)展使得大數(shù)據(jù)并行高速計(jì)算變得非常容易，推動(dòng)了依靠大量數(shù)據(jù)分析 的健康評(píng)估技術(shù)的發(fā)展。從應(yīng)用的角度看，基于數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)評(píng)估和故障診斷方法 比基于物理模型的方法更為切實(shí)可行，這是由于數(shù)據(jù)采集通常要比精確建立物理模型更加 容易。除此之外，基于數(shù)據(jù)驅(qū)動(dòng)的健康評(píng)估方法還有兩個(gè)明顯的優(yōu)點(diǎn)：一是該類方法更容易 實(shí)現(xiàn)自動(dòng)化評(píng)估，這與現(xiàn)代工業(yè)的智能化發(fā)展是切合的；二是該類方法不需要太多參數(shù)設(shè) 置和專家經(jīng)驗(yàn)知識(shí)，所以具有一定的穩(wěn)健性。一般來說，一種數(shù)據(jù)驅(qū)動(dòng)的健康評(píng)估方法應(yīng)包 括數(shù)據(jù)獲取、特征提取、特征選擇或特征變換、選擇評(píng)估指標(biāo)及設(shè)計(jì)評(píng)估模型、評(píng)估結(jié)果輸 出五個(gè)步驟。其中，評(píng)估指標(biāo)的選擇及評(píng)估模型的設(shè)計(jì)是該類方法的關(guān)鍵。
[0004] 目前，現(xiàn)有的基于數(shù)據(jù)驅(qū)動(dòng)的健康評(píng)估方法大多都是建立在數(shù)據(jù)融合的基礎(chǔ)上， 然后通過一些比較成熟的機(jī)器學(xué)習(xí)等智能技術(shù)進(jìn)行回歸預(yù)測(cè)，當(dāng)選取的健康評(píng)估指標(biāo)達(dá)到 預(yù)先設(shè)定的閾值時(shí)，則認(rèn)為所監(jiān)測(cè)的對(duì)象發(fā)生故障或者達(dá)到失效狀態(tài)。例如，基于支持向量 機(jī)（SupportVectorMachine,SVM)的健康狀態(tài)評(píng)估方法，基于人工神經(jīng)網(wǎng)絡(luò)（Artificial NeuralNetwork,ANN)的健康狀態(tài)評(píng)估方法等。然而由于噪聲測(cè)量誤差等對(duì)有效振動(dòng)信號(hào) 的污染，使得回歸及分類問題存在一定的不確定性，進(jìn)而導(dǎo)致了結(jié)果誤差較大，即很難找到 一個(gè)恰當(dāng)?shù)某矫媸沟盟袠颖韭湓谠试S的較小誤差帶范圍內(nèi)。
[0005] 由以上常用方法得到的分類及回歸預(yù)測(cè)結(jié)果誤差較大的原因與它們的訓(xùn)練過程 的原理有關(guān)。現(xiàn)有的健康狀態(tài)評(píng)估方法往往忽略了樣本間的統(tǒng)計(jì)信息和關(guān)聯(lián)信息，而統(tǒng)計(jì) 信息對(duì)于隨機(jī)信號(hào)處理是極為關(guān)鍵的，即對(duì)于正確分類及回歸預(yù)測(cè)很有幫助。目前，國內(nèi)外 從樣本統(tǒng)計(jì)性角度開展的智能故障診斷方法的研究還非常有限。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是為了從原始樣本中提取更加全面、有效的統(tǒng)計(jì)學(xué)信息，從而提高 回歸預(yù)測(cè)的準(zhǔn)確率和推廣能力，提出一種基于概率密度函數(shù)的旋轉(zhuǎn)機(jī)械健康狀態(tài)評(píng)估方 法。
[0007] 本發(fā)明利用核密度估計(jì)（KernelDensityEstimation，KDE)和K-L散度 (Kullback-LeiblerDivergence)兩種統(tǒng)計(jì)學(xué)工具實(shí)現(xiàn)健康狀態(tài)的評(píng)估。因而本發(fā)明一種 基于概率密度函數(shù)的旋轉(zhuǎn)機(jī)械健康狀態(tài)評(píng)估方法，包括如下步驟：
[0008] 步驟1 :采集被監(jiān)測(cè)對(duì)象的原始振動(dòng)數(shù)據(jù)；
[0009] 步驟2 :從步驟1中得到的原始振動(dòng)數(shù)據(jù)中提取多個(gè)的時(shí)域和頻域特征，獲得時(shí)域 特征集和頻域特征集；
[0010] 步驟3 :對(duì)步驟2中得到的時(shí)域和頻域特征集進(jìn)行降維處理獲得敏感特征，并且計(jì) 算這些敏感特征的貢獻(xiàn)率，然后獲得貢獻(xiàn)率向量；
[0011] 步驟4:采集被監(jiān)測(cè)對(duì)象每一個(gè)時(shí)刻的原始振動(dòng)數(shù)據(jù)為一個(gè)樣本，使用一個(gè)窗寬 為k的移動(dòng)滑動(dòng)窗來動(dòng)態(tài)地選定樣本集，即落入滑動(dòng)窗的k個(gè)樣本構(gòu)成一個(gè)樣本集合，計(jì)算 獲得樣本集合的統(tǒng)計(jì)特性；
[0012] 步驟5 :利用核密度估計(jì)方法，計(jì)算各個(gè)樣本集關(guān)于步驟3中提取的敏感特征下的 概率密度函數(shù)；
[0013] 步驟6 :計(jì)算出相同敏感特征下相鄰兩個(gè)樣本集的概率密度函數(shù)的K-L散度值；
[0014] 步驟7 :計(jì)算集成K-L散度，以集成K-L散度值作為監(jiān)測(cè)對(duì)象的健康評(píng)估指標(biāo)，集 成K-L散度組成新的時(shí)間序列用來判斷監(jiān)測(cè)對(duì)象健康狀態(tài)退化的嚴(yán)重程度。集成K-L散度 越小，相鄰的兩個(gè)樣本集的概率密度函數(shù)越相似；反之，當(dāng)集成K-L散度越大，相鄰的兩個(gè) 樣本集的概率密度函數(shù)差別越大；換句話說，集成K-L散度值越小表示相鄰兩個(gè)時(shí)刻的退 化程度越不明顯，而當(dāng)集成化K-L散度越大表示相鄰兩個(gè)時(shí)刻的退化程度越明顯。
[0015] 進(jìn)一步地，所述步驟2中得到的通過總體平均經(jīng)驗(yàn)?zāi)B(tài)分解方法和希爾伯特變換 等信號(hào)處理方法獲取多個(gè)時(shí)域和頻域特征。
[0016] 進(jìn)一步地，所述步驟3中使用主成分分析進(jìn)行特征變換；具體計(jì)算過程如下：
[0017] 步驟3. 1 :由所述步驟2中提取的時(shí)域和頻域特征組成的樣本觀測(cè)矩陣：
[0019] 其中，η維向量xji= 1，2,…p)代表某一個(gè)具體的時(shí)域或頻域的統(tǒng)計(jì)特征，p代 表特征總維數(shù)，η代表總的觀測(cè)樣本數(shù)；
[0020] 步驟3. 2 :對(duì)觀樣本觀測(cè)矩陣進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，減少不同特征單位不同引起 的影響，得到新的標(biāo)準(zhǔn)化處理之后的矩陣^'=?'(，···，（）；
[0021] 步驟3. 3 :計(jì)算矩陣XnOT的協(xié)方差矩陣
[0022] 步驟3. 4 :計(jì)算協(xié)方差矩陣C的特征值以及特征向量：
[0023] Cv1=λxvx (2)
[0024] 其中，λ1表示協(xié)方差矩陣C的第i個(gè)特征值，v1是λi對(duì)應(yīng)的特征向量；
[0025] 步驟3. 5 :按照降序?qū)λ械奶卣髦颠M(jìn)行重新排序，得到新的特征值序列：Λ= [入:，λ2，···，λρ]，其中，λρλ2>…〉λρ，對(duì)應(yīng)的特征向量序列為V= [Vl，ν2，… ,Vp]；
[0026] 步驟3. 6 :按照預(yù)先規(guī)定的累積貢獻(xiàn)率選擇出m個(gè)主成分：
[0028] 步驟3. 7 :由m個(gè)主成分組成的特征變換矩陣：
[0029] V= (Vi,v2, ···,vm) (4)
[0030] 得到新的特征矩陣：
[0031] Y=VT(x!,x2, ···,xm)T=(y1;y2, ···,ym)T(5)
[0032] 步驟3. 8 :分別計(jì)算m個(gè)敏感特征的分類貢獻(xiàn)率Fj;定義：
[0034] 構(gòu)造貢獻(xiàn)率向量F=的,F2,…，F(xiàn)m)。
[0035] 進(jìn)一步地，步驟3. 6中累計(jì)貢獻(xiàn)率Θ取值為85%~90%。
[0036] 進(jìn)一步地，所述步驟4中提到的移動(dòng)滑窗，窗寬為8~15。
[0037] 進(jìn)一步地，所述步驟6中提到的K-L散度也稱為相對(duì)熵或者信息增益。在概率