(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210642013.3 (22)申请日 2022.06.08 (71)申请人 安徽农业大 学 地址 230036 安徽省合肥市长江西路13 0号 (72)发明人 李庆　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 苗娟 (51)Int.Cl. G06F 30/17(2020.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06F 17/10(2006.01) G06Q 10/04(2012.01) G06F 119/04(2020.01) (54)发明名称 一种滚动轴承退化轨迹增广四元数预测方 法及存储介质 (57)摘要 本发明的一种滚动轴承退化轨迹增广四元 数预测方法及存储介质， 包括利用振动加速度传 感器采集滚动轴承的多通道加速寿命信号； 提取 各通道数据的时域与频域特征序列， 利用PCA降 维方法构建各通道融合健康因子时间序列； 计算 各通道融合健康因子时间序列的分数阶数与多 通道融合健康因子时间序列的平均分数阶数； 构 建基于广义Hamilton ‑real积分框架下分数阶增 广四元数退化预测模型； 对滚动轴承服役退化中 后期的退化轨迹进行预测跟踪分析。 本发明考虑 了多通道与高维度退化数据的时空耦合特性与 长相关特性， 对采集的多通道与高维度退化数据 可实时一次性预测， 无需逐通道/逐维度预测， 模 型预测精度高、 响应速度快， 具有良好的工业应 用价值。 权利要求书4页 说明书11页 附图5页 CN 114925476 A 2022.08.19 CN 114925476 A 1.一种滚动轴承退化轨 迹增广四元 数预测方法， 其特 征在于： 包括以下步骤： 步骤1： 利用振动加速度传感器采集轴承加速退化运行过程中的多通道加速寿命振动 数据； 步骤2： 对采集的多通道加速寿命振动数据进行预处理， 剔除数据的野点； 然后根据预 处理后的数据， 计算得到轴承多通道加速寿命 振动数据的时域与频域特 征因子时间序列； 步骤3： 针对各个通道振动加速度数据的时域与频域特征因子时间序列， 利用PCA方法 对时域与频域特征 因子时间序列进行降维， 得到各个通道振动数据的融合健康因子时间序 列； 步骤4： 根据各通道融合健康因子时间序列， 计算各通道融合健康因子时间序列的 Hurst指数与多通道融合 健康因子时间序列的平均分数阶数； 步骤5： 基于广义Hamilton ‑real积分框架下分数阶增广四元数模型， 建立退化预测模 型， 将各个通道融合健康因子时间序列作为多通道输入， 预测未来融合多通道健康因子退 化时间序列， 并输出； 步骤6： 根据退化预测结果， 对轴承等旋转设备关键零部件实施预测性维护。 2.根据权利要求1所述的滚动轴 承退化轨迹增广四元数预测方法， 其特征在于： 其中步 骤4中的计算各通道融合健康因子时间序列的Hurst指数， 多通道融合健康因子时间序列的 平均分数阶数， 其具体实施方法如下： 利用重标极差法计算各个通道融合健康因子时间序列的Hurst指数值H， 具体方法如 下， 其中R(n)为数据重整化范围， S(n)为标准差， 即 则Hurst指数 H(i),i＝1:k， k为通道个数。 3.根据权利要求2所述的滚动轴 承退化轨迹增广四元数预测方法， 其特征在于： 所述对 于单通道时间序列数据的Hurst指数H通过在对数图上绘制log(R(n)/S(n))与log(S(n))的 曲线得到； 对于多通道加速寿命振动数据， 其Hurst指 数为 k为通道个数， 则 多通道融合 健康因子时间序列的平均分数阶数p为p＝H ‑0.5。 4.根据权利要求1所述的滚动轴 承退化轨迹增广四元数预测方法， 其特征在于： 所述步 骤5中基于广义Hamilt on‑real积分框架下分数阶增广四元数模 型， 建立退化预测模 型其具 体步骤如下： 步骤4.1： 构建新的基于增广最小均值p次幂项与高斯相关熵诱导惩罚项的目标成本函 数为，权　利　要　求　书 1/4 页 2 CN 114925476 A 2式中， |e*(n)e(n)e*(n)e(n)|p是增广最小均值p次幂项， 是高 斯相关熵诱导惩罚项， p是分数 阶数； 权重因子β ≥0用来平衡增广的最小均值p次幂项和高 斯相关熵诱 导惩罚项， wi(n)为滤波器权值； 步骤4.2： 上述公式(2)滤波器权值w(n)通过经典梯度下降法估计得到， 具体迭代方程 为， 式中， η为收敛步长， 误差e(n)＝d(n) ‑y(n)， d(n)为期望信号， y(n)为输出信号； 步骤4.3： 滤波器权值w(n)为一种增广滤波器权重为wa(n)＝[hT(n),gT(n),uT(n),vT (n)]T， 输入向量为xa(n)＝[xT(n),xiT(n),xjT(n),xkT(n)]T， 各个权向量的随机权值更新公 式为， 式中， 参数μ为新收敛步长， 与 分别表示目标成本函数 JAQLMP(n)关于h*,g*,u*,与v*的共轭梯度； 其中， 共轭梯度 具体为 为 的共轭复数； 步骤4.4： 根据广义Hamilton ‑real积分规则， 公式(2)中的目标成本函数JAQLMP(n)的第1 项E[|e*(n)e(n)e*(n)e(n)|p]的偏导数为， 其中， 上式最后一项 为， 步骤4.5： 根据 广义Hami lton‑real积分规则， 公式(6)中的 项可表达为， 上式中的项 与 表达为， 权　利　要　求　书 2/4 页 3 CN 114925476 A 3