滚动轴承剩余寿命预测的加权融合相关向量机模型

摘要

滚动轴承剩余寿命预测的加权融合相关向量机模型，首先利用改进的粒子滤波框架，降低或者消除离群点对各个核函数模型预测效果的影响，然后基于各个单一相关向量机模型对数据的泛化能力，筛选出泛化能力强的单一相关向量机模型，并对它们进行加权融合，获得加权融合相关向量机模型，实现各个单一相关向量机模型特性的优势互补，提高了加权融合相关向量机对滚动轴承运行状态和剩余寿命的预测效果，本发明获得的加权融合相关向量机预测模型预测精度高、鲁棒性强，更适合于工程实际应用。

主权项

滚动轴承剩余寿命预测的加权融合相关向量机模型，其特征在于，包括以下步骤：1)采集滚动轴承运行原始振动信号；2)对原始数据预处理，提取能反映滚动轴承寿命衰退过程的性能指标并对指标平滑处理；3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集，并使用训练样本集训练；4)从概率密度函数N(x₀,σ²)中进行随机采样，产生一组初始数据粒子群其中x_i,0表示初始时刻第i个数据粒子，N_s代表粒子总数，在初始化之时每个粒子均等对待，权值均为1/N_s；5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第k(k＝1,2,…,K)时刻的预测值矩阵，K为训练样本长度，y'_k＝[(y'_k)¹,(y'_k)²,…,(y'_k)^m]式中，为第m个单一相关向量机第k时刻的数据粒子预测向量；6)训练集中第k时刻的真实数据粒子群其中y_i,k表示第k时刻的第i个真实数据粒子，依据迭代预测值矩阵和真实数据粒子y_i,k，更新每个数据粒子的权值更新表达式为：$w_{i,k}^j=\frac{1}{\sqrt{2{\mathrm{\pi \sigma }}_v^2}}{e}^{-\frac{1}{2}{\left(\frac{{\left(y_k^{\prime }\right)}_i^j-y_{i,k}}{{\sigma }_v}\right)}^2}$然后进行归一化：$w_{i,k}^j=\frac{w_{i,k}^j}{\underset{j=1}{\overset{j=m}{\Sigma }}\underset{i=1}{\overset{i=N_s}{\Sigma }}{w}_{i,k}^j}$7)在粒子滤波框架下改进，取消重采样，当递推次数k小于K之时，k＝k+1，返回步骤5)，当k＝K时，将各个数据粒子各个时刻的权重求和，即时刻权重和：${\left(w_{\Sigma }\right)}_i^j=\underset{k=1}{\overset{K}{\Sigma }}{w}_{i,k}^j,j=1,2,...,m;i=1,2,...,N_s$8)选出每个单一相关向量机的数据粒子权值和的最大值，记max[(w_Σ)^j]为第j个单一相关向量机的N_s个粒子权值和中的最大值，并将其作为对应单一相关向量机的代表权值，代表权值越大，表示对应的单一相关向量机的预测能力越强，记w_vmean为代表权值的平均值，即：$w_{vmean}=\frac{\underset{j=1}{\overset{m}{\Sigma }}max\left[{\left(w_{\Sigma }\right)}^j\right]}{m}$选择代表权值大于或等于平均值w_vmean，即权值满足max[(w_Σ)^j]≥w_vmean的为性能优良的单一相关向量机，将筛选出来的性能优良单一相关向量机的代表权值作为其对应的融合权值并记为w_h(h＝1,2,…,H)，H为选出的性能优良的相关向量机总个数；9)对性能优良的单一相关向量机融合权值进行归一化：$w_h=w_h/\underset{h=1}{\overset{H}{\Sigma }}{w}_h$10)建立加权融合相关向量机，根据融合权值进行组合，利用加权融合相关向量机的预测值为：$y=\underset{h=1}{\overset{H}{\Sigma }}{w}_h{y}_h$式中，y_h为第h个性能优良的单一相关向量机的预测值；11)利用加权融合相关向量机模型进行预测，然后将预测的结果和真实值进行比较，做出预测效果评估。