金屬結構損傷剩余壽命的第二代小波支持向量機評估方法技術

本發明專利技術公開了一種金屬結構損傷剩余壽命的第二代小波支持向量機評估方法。該方法采用經驗模式分解得到本征模式分量，提取本征模式分量的時頻域統計特征；并采用距離評估準則選取最敏感特征構建最優特征集；利用自組織神經網絡特征融合技術構建出隨時間變化的具有明顯性能退化趨勢的最小量化誤差指標；提出一種第二代小波變換的雙正交小波支持向量機核函數，構建第二代小波支持向量機的壽命預測模型，將最小量化誤差指標作為預測特征，實現小子樣下對機械裝備金屬結構部件的損傷剩余壽命定量評估。

【技術實現步驟摘要】

本專利技術屬機械裝備故障預示領域，具體涉及關鍵金屬結構部件損傷故障檢測及剩余壽命的定量評估方法。
技術介紹
隨著現代戰爭對武器裝備任務出勤率和戰備完好率要求的提高，以及材料科學、測試技術、信號分析和人工智能技術的飛速發展，目前武器裝備大量采用故障預測和狀態管理技術(Prognostic and Health Management, PHM)以實現“視情維修”，即依據狀態的預防維修。這項技木通過檢測系統的狀態來預測系統及其部件的故障情況，并確定其剰余壽命；利用多傳感器信息融合技術診斷系統故障，并基于可用資源和使用需求對維修活動做出管理和決策。PHM是實現武器裝備“視情維修”的重要手段，具有故障預測、檢測、隔離、關鍵部件壽命跟蹤、故障報告以及壽命預測等功能，能夠實現在準確的時間對準確的部位采取準確的維修活動，從而有效減少維修項目，節省維修費用，減少武器裝備的事故率。因此，進行武器裝備關鍵金屬結構的運行狀態監測、診斷與剰余壽命預測技術研究對提高武器裝備安全可靠工作具有重大的科學意義和工程實用價值。然而，在對武器裝備運行狀態監測的實施過程中，常常存在先驗知識缺乏、故障樣本稀缺和故障模式不完備的問題。支持向量機是基于統計學習理論的新型機器學習方法，是ー種專門研究有限樣本分類和預測的學習方法。但在實際應用中，核函數參數的選擇問題使得支持向量機極易發生過學習或欠學習現象，直接影響其推廣性能。
技術實現思路
本專利技術的目的在于提供ー種機械裝備金屬結構損傷剩余壽命的第二代小波支持向量機定量評估方法。該方法精度高、成本低、簡單可靠，便于工程實踐中使用。為達到上述目的，本專利技術采用了以下技術方案:I)采用經驗模式分解對振動信號進行分解得本征模式分量，提取本征模式分量的時頻域統計特征構成全體特征集；采用特征距離評估方法從全體特征集中選取最敏感特征得最優特征集；利用自組織神經網絡特征融合方法由最優特征集訓練出具有明顯性能退化趨勢的最小量化誤差指標；2)通過構造基于第二代小波變換的雙正交小波支持向量機(Support VectorMachine, SVM)核函數得第二代小波支持向量機的壽命預測模型；3)經過步驟2)后，將最小量化誤差指標作為模型輸入，通過模型輸出實現小子樣下機械裝備金屬結構部件損傷剩余壽命定量評估。所述步驟I)的具體方法如下:首先，對于ー個原始振動信號X (t)，采用經驗模式分解將X (t)分解得到前m個本征模式分量，m取值為2、3或4，對每個本征模式分量分別計算14個時域統計特征Ftinre和13個頻域統計特征F&equeney，得到全體特征集Ftotal,Ftotal= ，共mX27個特征；從全體特征集Fttrtal中選擇大于給定閾值的特征評估指標所對應的特征，從而構成最優特征集；然后,將最優特征集輸入到自組織特征映射神經網絡(Self-Organizing FeatureMap，簡稱SOM)中進行訓練，構建出能真實反映機械設備金屬結構的性能衰退軌跡評估指標-最小量化誤差(Minimum quantizarion error, MQE) ;S0M神經網絡通過訓練可以使權值向量根據它們和輸入向量之間的距離進行分類，不同的類代表輸入向量中設備不同運行狀態的數據，狀態的轉變通過SOM神經網絡中最佳匹配単元的運行軌跡來描述，在正常狀態，最佳匹配單元聚集同一區域，當有初始損傷出現時，初始損傷的最佳匹配単元就會偏離正常狀態的匹配単元區，偏離大小取決于損傷的類型和嚴重程度，所以基于偏離正常狀態的量化誤差可以評估機械設備金屬部件的衰退程度。所述構建最小量化誤差指標的具體方法為:首先用正常狀態的數據訓練自組織特征映射神經網絡，得到正常狀態的神經元權值向量，然后將最優特征集作為輸入向量和映射層的所有正常狀態的神經元權值向量作比較，計算其歐氏距離，定義與輸入向量距離最小的神經元為最佳匹配單元(Best matchingunit, BMU),最佳匹配單元和輸入向量之間的距離本質是輸入向量偏離正常狀態的距離，將其定義為最小量化誤差指標: MQE=| D-mBMU式中:MQE表不最小量化誤差；D表不輸入向量；mBMU表不最佳匹配單兀的權值向量；這ー最小距離可作為ー種衰退評估指標，若最小量化誤差超過了預設臨界點，則表示此時對應的工作點已不屬于由正常狀態數據訓練的特征空間，可能己是缺陷狀態；MQE越大，表示此時金屬結構狀態偏離正常狀態的程度越大，損傷程度越大，因此通過追蹤MQE值，可以定量描述設備的衰退性能。所述步驟2)的具體方法如下:首先，利用基于支持向量機核函數條件和提升框架的第二代小波變換理論構造基于沖擊故障信號特征的第二代小波核函數，定義如下:權利要求1.ー種，其特征在于:包括以下步驟: 1)采用經驗模式分解對振動信號進行分解得本征模式分量，提取本征模式分量的時頻域統計特征構成全體特征集；采用特征距離評估方法從全體特征集中選取最敏感特征得最優特征集；利用自組織神經網絡特征融合方法由最優特征集訓練出具有明顯性能退化趨勢的最小量化誤差指標； 2)通過構造基于第二代小波變換的雙正交小波支持向量機核函數得第二代小波支持向量機的壽命預測模型； 3)經過步驟2)后，將最小量化誤差指標作為模型輸入，通過模型輸出實現小子樣下機械裝備金屬結構部件損傷剩余壽命定量評估。2.根據權利要求1所述ー種，其特征在于:所述步驟I)的具體方法如下: 首先，對于ー個原始振動信號X (t)，采用經驗模式分解將X (t)分解得到前m個本征模式分量，m取值為2、3或4，對每個本征模式分量分別計算時域統計特征和頻域統計特征，得到全體特征集，從全體特征集中選擇大于給定閾值的特征評估指標所對應的特征，從而構成最優特征集； 然后，將最優特征集輸入到自組織特征映射神經網絡中進行訓練，構建最小量化誤差指標。3.根據權利要求2所述ー種，其特征在于:所述構建最小量化誤差指標的具體方法為: 首先用正常狀態的數據訓練自組織特征映射神經網絡，得到正常狀態的神經元權值向量，然后將最優特征集作為輸入向量和所有正常狀態的神經元權值向量作比較，計算其歐氏距離，定義與輸入向量距離最小的神經元為最佳匹配 單元，最佳匹配單元和輸入向量之間的距離本質是輸入向量偏離正常狀態的距離，將其定義為最小量化誤差指標: MQE = I I D-1H3mu I 式中:MQE表示最小量化誤差；D表示輸入向量;mBMU表示最佳匹配單元的權值向量。4.根據權利要求1所述ー種，其特征在于:所述步驟2)的具體方法如下: 首先，利用基于支持向量機核函數條件和提升框架的第二代小波變換理論構造基于沖擊故障信號特征的第二代小波核函數，定義如下:全文摘要本專利技術公開了一種。該方法采用經驗模式分解得到本征模式分量，提取本征模式分量的時頻域統計特征；并采用距離評估準則選取最敏感特征構建最優特征集；利用自組織神經網絡特征融合技術構建出隨時間變化的具有明顯性能退化趨勢的最小量化誤差指標；提出一種第二代小波變換的雙正交小波支持向量機核函數，構建第二代小波支持向量機的壽命預測模型，將最小量化誤差指標作為預測特征，實現小子樣下對機械裝備金屬結構部件的損傷剩余壽命定量評估。文檔編號G01M99/00GK103115789SQ20本文檔來自技高網...

【技術保護點】
一種金屬結構損傷剩余壽命的第二代小波支持向量機評估方法，其特征在于：包括以下步驟：1）采用經驗模式分解對振動信號進行分解得本征模式分量，提取本征模式分量的時頻域統計特征構成全體特征集；采用特征距離評估方法從全體特征集中選取最敏感特征得最優特征集；利用自組織神經網絡特征融合方法由最優特征集訓練出具有明顯性能退化趨勢的最小量化誤差指標；2）通過構造基于第二代小波變換的雙正交小波支持向量機核函數得第二代小波支持向量機的壽命預測模型；3）經過步驟2）后，將最小量化誤差指標作為模型輸入，通過模型輸出實現小子樣下機械裝備金屬結構部件損傷剩余壽命定量評估。

【技術特征摘要】

【專利技術屬性】
技術研發人員：陳雪峰，劉治汶，申中杰，何正嘉，孫闖，
申請(專利權)人：西安交通大學，
類型：發明
國別省市：