針對(duì)傳統(tǒng)物理健康因子存在單調(diào)性差、對(duì)早期故障不敏感等問題,提出一種基于特定頻段信息熵和受限玻爾茲曼機(jī)（SEI-RBM）的虛擬健康因子構(gòu)建模型。該模型由物理健康因子構(gòu)建層和特征融合層兩部分組成:在物理健康因子構(gòu)建層中,提出一種基于特定頻段信息熵的物理健康因子構(gòu)建方法;特征融合層中,利用單調(diào)性準(zhǔn)則選取部分物理健康因子組成特征集,利用受限玻爾茲曼機(jī)（RBM）對(duì)健康因子特征集進(jìn)行融合,得到虛擬健康因子。實(shí)驗(yàn)結(jié)果表明:利用該模型構(gòu)建的虛擬健康因子能夠有效提高滾動(dòng)軸承性能退化曲線的單調(diào)性,有助于提高剩余壽命預(yù)測(cè)的精確度。 

【文章來源】：振動(dòng)與沖擊. 2020,39(06)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

受限玻爾茲曼機(jī)結(jié)構(gòu)簡圖

式中:X={xk}k=1∶K為健康因子組成的序列,xk為tk時(shí)刻的健康因子數(shù)值;K為序列中所有健康因子數(shù)目;d/dx=xk+1-xk為健康因子序列的微分值;No.of d/dx>0和No.of d/dx<0分別為正微分值與負(fù)微分值。健康因子的單調(diào)性數(shù)值Mon(X)位于區(qū)間[0,1],其值越趨近于1,表示該健康因子的單調(diào)性越好。2.3 基于特定頻段信息熵的物理健康因子

利用式(1)計(jì)算滾動(dòng)軸承振動(dòng)信號(hào)的信息熵時(shí),信息源X表示時(shí)域的加速度信號(hào)或者經(jīng)過傅里葉變換后的頻域信號(hào)。計(jì)算信息熵時(shí),首先將加速度信號(hào)進(jìn)行正則化處理,使其幅值在區(qū)間[0,1];然后將區(qū)間[0,1]平分成256個(gè)小區(qū)間,每個(gè)小區(qū)間編號(hào)為1,2,…,256。當(dāng)正則化后的加速度信號(hào)幅值小于1/500時(shí),將其歸為編號(hào)為1的小區(qū)間;當(dāng)幅值介于1/500和3/500時(shí),將其歸為編號(hào)為2的小區(qū)間,依次類推。將所有的振動(dòng)信號(hào)按照幅值分配到各個(gè)小區(qū)間后,非空集的小區(qū)間個(gè)數(shù)便是式(1)中信息源可能出現(xiàn)的結(jié)果數(shù)目n,而每種可能出現(xiàn)的結(jié)果的概率f(xi)是第i個(gè)小區(qū)間中的數(shù)據(jù)個(gè)數(shù)與數(shù)據(jù)總個(gè)數(shù)的比值。編號(hào)方法如圖3所示。在上述信息熵計(jì)算方法的基礎(chǔ)上,特定頻段信息熵計(jì)算步驟如下:

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的軸承健康因子無監(jiān)督構(gòu)建方法[J]. 趙光權(quán),劉小勇,姜澤東,胡聰.  儀器儀表學(xué)報(bào). 2018(06)
[2]基于LFSS和改進(jìn)BBA的滾動(dòng)軸承在線性能退化評(píng)估特征選擇方法[J]. 程軍圣,黃文藝,楊宇.  振動(dòng)與沖擊. 2018(11)
[3]基于多尺度降維的柴油機(jī)信號(hào)信息熵增強(qiáng)方法[J]. 吳春志,賈繼德,賈翔宇,張帥.  振動(dòng)與沖擊. 2018(03)
[4]一種基于復(fù)合譜與關(guān)聯(lián)熵融合的特征提取方法[J]. 孫健,李洪儒.  機(jī)械工程學(xué)報(bào). 2017(24)
[5]基于自適應(yīng)LTSA算法的滾動(dòng)軸承故障診斷[J]. 佘博,田福慶,湯健,李克玉.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)



本文編號(hào)：3560833