本发明属于旋转机械健康状态评估，涉及一种时变转速工况下基于基准转换神经网络的旋转机械健康指标构建方法。
背景技术：
1、旋转机械在生产生活中有着广泛的应用，齿轮、轴承等零部件是其传动链的重要组成部分。由于变速、重载、高温、腐蚀等恶劣的运行环境，旋转机械的齿轮、轴承等关键零部件容易出现点蚀和断裂等缺陷。这些缺陷的扩展会破坏设备的平稳运行，导致噪音和振动幅度增大，降低设备精度和可靠性，最终导致设备故障甚至造成人员伤亡。因此，定量评估旋转机械运行期间的健康状态十分重要。机械设备在正常运行期间不允许以频繁停机的形式观察其健康状态和检测退化程度。健康指标作为连接机械健康监测和剩余寿命预测的重要桥梁，不仅可以定量地揭示设备运行的健康状态，还可以借助于特定的预测手段预估其剩余使用寿命。
2、然而现有的健康指标构建方法通常只适用于恒定转速下运行的机械设备。在实际工程中，旋转机械因生产活动的要求往往需要改变其运行工况，如汽车档位的变换、工业机器人关节运动的变化和风力涡轮机的变桨等。这就造成采集到的状态监测信号会受到转速变化的调幅干扰，导致现有健康指标构建方法不能清晰准确地揭示设备的健康退化过程，进而影响剩余寿命的判断。如果能够将所有的状态观测值统一到一个设定的基线转速上，则可以消除转速变化引入的干扰。基于此，研究一种时变转速工况下的机械健康指标构建方法至关重要。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种时变转速工况下基于基准转换神经网络的旋转机械健康指标构建方法，提高旋转机械剩余使用寿命预测的准确性。
2、为达到上述目的，本发明提供如下技术方案：
3、一种时变转速工况下基于基准转换神经网络的旋转机械健康指标构建方法，具体包括以下步骤：
4、s1：数据采集；利用状态监测系统采集机械设备全寿命周期的振动信号x＝(x1,x2,…,xn)t，其中n为全寿命周期的样本数目，m为单个样本的采样点数；同时采集设备实时的转速s＝(s1,s2,…,sn)t等状态信息；
5、s2：数据预处理：对采集到的全寿命周期振动信号进行预处理；
6、s3：确定基线转速带；
7、s4：建立基线转速带下的性能退化模型：确定基线转速带后，给定一个观测值，可以根据转速信息判断其是否为基准观测值；对于非基线转速带内的观测值，建立性能退化模型进行插值以近似其基准观测；
8、s5：非基准观测插值：求得基线转速带下的退化模型参数后，根据所建立的双指数退化模型对非基准观测值进行插补以获得全寿命周期近似的基准状态观测序列即基准健康指标；
9、s6：构建基准转换神经网络，用于将原始状态观测变量转换到基线转速下的虚拟基准观测值；
10、s7：训练优化基准转换神经网络；
11、s8：构建健康指标：对在役机械设备，输入测试数据，利用优化的基准转换神经网络得到旋转机械健康指标。
12、进一步，步骤s2中，数据预处理具体包括：对采集到的全寿命周期振动信号进行滤波降噪、剔除异常值和转速匹配等预处理；为降低数据维度，提取振动信号的rms值或其它趋势性的统计特征作为状态观测变量f＝(f1,f2,…,fn)t。
13、进一步，步骤s3中，确定基线转速带具体包括：定义一个在基线转速附近浮动的转速带：
14、s∈[(1-δ)×sb,(1+δ)×sb]
15、其中，sb代表设备的额定转速，δ为浮动系数。浮动系数δ可以根据工程经验或数据分析结果进行设定。
16、进一步，步骤s4具体包括：选择双指数模型作为基线转速带下状态值的退化拟合模型，表达式为：
17、y(t)＝α1exp(β1t)+α2exp(β2t)+ε
18、其中，y(t)是t时刻基准状态观测值的近似值，α1,α2,β1和β2是状态参数；为高斯噪声项。
19、进一步，步骤s5中，在获得足够多的状态观测变量后，根据基线转速带内的基准观测序列{f*}对退化模型的参数进行估计：
20、
21、其中，fi*表示ti时刻在基线转速带下获取的状态观测值，表示状态参数的估计值。
22、进一步，步骤s6中，构建的基准转换神经网络包括输入层、输出层和n个隐藏层；其中，输入层具有三个神经元，在训练和测试时仅需要输入三个参数，分别为原始状态观测变量f、基线转速比rs和退化时间比rt；输出层的预测值则为转换到基线转速带下的虚拟基准观测值；
23、基线转速比rs是设备当前转速s(t)相对于基线转速sb的比值，包含关于设备实际转速与指定的基线转速的信息；退化时间比rt是指设备当前运行时刻tk相对于其全寿命周期t的比值，它包含设备运行时间信息；在训练和测试过程中，rt的计算方式是不同的，即：
24、
25、其中，n为全寿命周期已知的同类设备样本数，tj为第j个同类设备样本的全寿命周期。
26、进一步，步骤s7中，训练优化基准转换神经网络具体包括：假设θbtnn代表基准转换神经网络中的权重和偏置参数，网络训练过程中，将网络的预测值与全寿命周期近似的基准观测值间的均方误差作为优化目标：
27、
28、其中，nbatch为训练时输入数据的批次大小，为目标函数；训练策略选用小批量随机梯度下降算法优化网络参数，利用反向传播算法，其优化参数通过最小化目标函数计算为：
29、
30、其中，lr为网络学习率，θbtnn为网络参数，为优化后的网络参数；迭代上述训练过程得到优化的基准转换神经网络。
31、进一步，步骤s8中，构建健康指标具体包括：基于优化的基准转换神经网络，对在役机械设备，输入测试数据{f}，{rs}，{rt}到θbtnn实时预测其转换到基线转速下的健康指标值，得到全寿命周期健康指标向量h＝[h1,h2,…,hn]t，从而揭示其性能退化过程，为后续故障预警和剩余寿命预测奠定基础。
32、本发明的有益效果在于：本发明能够对时变转速工况下的旋转机械健康状态进行评估，提高了旋转机械剩余使用寿命预测的准确性，从而降低机械设备的维修成本。
33、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种时变转速工况下基于基准转换神经网络的旋转机械健康指标构建方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的旋转机械健康指标构建方法，其特征在于，步骤s2中，数据预处理具体包括：对采集到的全寿命周期振动信号进行滤波降噪、剔除异常值和转速匹配；为降低数据维度，提取振动信号的rms值或其它趋势性的统计特征作为状态观测变量f＝(f1,f2,…,fn)t。
3.根据权利要求1所述的旋转机械健康指标构建方法，其特征在于，步骤s3中，确定基线转速带具体包括：定义一个在基线转速附近浮动的转速带：
4.根据权利要求2所述的旋转机械健康指标构建方法，其特征在于，步骤s4具体包括：选择双指数模型作为基线转速带下状态值的退化模型，表达式为：
5.根据权利要求4所述的旋转机械健康指标构建方法，其特征在于，步骤s5中，在获得足够多的状态观测变量后，根据基线转速带内的基准观测序列{f*}对退化模型的参数进行估计：
6.根据权利要求1所述的旋转机械健康指标构建方法，其特征在于，步骤s6中，构建的基准转换神经网络包括输入层、输出层和n个隐藏层；其中，输入层具有三个神经元，在训练和测试时仅需要输入三个参数，分别为原始状态观测变量f、基线转速比rs和退化时间比rt；输出层的预测值则为转换到基线转速带下的虚拟基准观测值；
7.根据权利要求6所述的旋转机械健康指标构建方法，其特征在于，步骤s7中，训练优化基准转换神经网络具体包括：假设θbtnn代表基准转换神经网络中的权重和偏置参数，网络训练过程中，将网络的预测值与全寿命周期近似的基准状态观测值fb*间的均方误差作为优化目标：
8.根据权利要求7所述的旋转机械健康指标构建方法，其特征在于，步骤s8中，构建健康指标具体包括：基于优化的基准转换神经网络，对在役机械设备，输入测试数据{f}，{rs}，{rt}到θbtnn实时预测其转换到基线转速下的健康指标值，得到全寿命周期健康指标向量h＝[h1,h2,…,hn]t。
