一种基于特定频段信息熵和RBM的健康因子构建方法

发布时间：2021-12-31 19:27

　　针对传统物理健康因子存在单调性差、对早期故障不敏感等问题,提出一种基于特定频段信息熵和受限玻尔兹曼机（SEI-RBM）的虚拟健康因子构建模型。该模型由物理健康因子构建层和特征融合层两部分组成:在物理健康因子构建层中,提出一种基于特定频段信息熵的物理健康因子构建方法;特征融合层中,利用单调性准则选取部分物理健康因子组成特征集,利用受限玻尔兹曼机（RBM）对健康因子特征集进行融合,得到虚拟健康因子。实验结果表明:利用该模型构建的虚拟健康因子能够有效提高滚动轴承性能退化曲线的单调性,有助于提高剩余寿命预测的精确度。 

【文章来源】：振动与冲击. 2020,39(06)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

受限玻尔兹曼机结构简图

式中:X={xk}k=1∶K为健康因子组成的序列,xk为tk时刻的健康因子数值;K为序列中所有健康因子数目;d/dx=xk+1-xk为健康因子序列的微分值;No.of d/dx>0和No.of d/dx<0分别为正微分值与负微分值。健康因子的单调性数值Mon(X)位于区间[0,1],其值越趋近于1,表示该健康因子的单调性越好。2.3 基于特定频段信息熵的物理健康因子

利用式(1)计算滚动轴承振动信号的信息熵时,信息源X表示时域的加速度信号或者经过傅里叶变换后的频域信号。计算信息熵时,首先将加速度信号进行正则化处理,使其幅值在区间[0,1];然后将区间[0,1]平分成256个小区间,每个小区间编号为1,2,…,256。当正则化后的加速度信号幅值小于1/500时,将其归为编号为1的小区间;当幅值介于1/500和3/500时,将其归为编号为2的小区间,依次类推。将所有的振动信号按照幅值分配到各个小区间后,非空集的小区间个数便是式(1)中信息源可能出现的结果数目n,而每种可能出现的结果的概率f(xi)是第i个小区间中的数据个数与数据总个数的比值。编号方法如图3所示。在上述信息熵计算方法的基础上,特定频段信息熵计算步骤如下:

【参考文献】：
期刊论文
[1]基于深度学习的轴承健康因子无监督构建方法[J]. 赵光权,刘小勇,姜泽东,胡聪.  仪器仪表学报. 2018(06)
[2]基于LFSS和改进BBA的滚动轴承在线性能退化评估特征选择方法[J]. 程军圣,黄文艺,杨宇.  振动与冲击. 2018(11)
[3]基于多尺度降维的柴油机信号信息熵增强方法[J]. 吴春志,贾继德,贾翔宇,张帅.  振动与冲击. 2018(03)
[4]一种基于复合谱与关联熵融合的特征提取方法[J]. 孙健,李洪儒.  机械工程学报. 2017(24)
[5]基于自适应LTSA算法的滚动轴承故障诊断[J]. 佘博,田福庆,汤健,李克玉.  华中科技大学学报(自然科学版). 2017(01)



本文编号：3560833