1.一种液压泵寿命预测方法,其特征在于:包括:采集液压泵在不同工况下的振动信号、压力信号和温度信号,将所述振动信号、压力信号和温度信号组成原始监测数据;
对所述原始监测数据进行小波分解,提取所述原始监测数据的高频系数和低频系数,基于所述高频系数和低频系数构建特征向量;
将所述特征向量输入预先训练的健康估计模型,得到液压泵的健康指数;
基于所述健康指数建立威布尔分布模型,通过最大似然估计法计算所述威布尔分布模型的尺度参数和形状参数;
根据所述尺度参数和形状参数计算液压泵的剩余使用寿命;
所述健康估计模型包括输入层、多尺度特征提取层、双向LSTM层、注意力层和输出层;
所述多尺度特征提取层采用下式表示:,
其中,表示尺度级别,为在时间步输入的特征向量,为尺度权重矩阵,为偏置向量;为尺度激活函数,其具体公式为:,
其中,为自适应系数,为双曲正切函数,为sigmoid函数,为当前神经元的线性组合输出;
所述双向LSTM层包括前向传播LSTM和反向传播LSTM;
所述双向LSTM层的状态更新如下式所示:,
,
,
,
,
其中,、、分别为输入门、遗忘门和输出门,为记忆单元状态,表示哈达玛积,σ为Sigmoid激活函数,为输入门权重矩阵,为上一时刻的隐藏状态,为当前时刻的输入,为输入门的循环权重矩阵,为上一时刻的记忆单元状态,为输入门偏置项,为Sigmoid激活函数,为遗忘门权重矩阵,为遗忘门的循环权重矩阵,为遗忘门偏置项,为候选信息权重矩阵,为候选信息偏置项,为输出门权重矩阵,为输出门的循环权重矩阵,为输出门偏置项,为LSTM单元在时间步的隐状态输出。
2.如权利要求1所述的液压泵寿命预测方法,其特征在于:所述特征向量的构建包括:基于所述高频系数和低频系数,计算自适应权重系数;
对所述高频系数和低频系数分别计算特征参数;所述特征参数包括加权均值、组合标准差、复合峭度、增强型偏度、修正均方根值以及波形因子;
所述特征参数组成初始特征矩阵,并通过主成分分析方法进行特征降维,得到所述特征向量。
3.如权利要求2所述的液压泵寿命预测方法,其特征在于:所述自适应权重系数的计算如下式所示:,
其中,和为调节因子,为第层小波系数的标准差,为第层的能量值,为总能量值,为第个小波细节系数。
4.如权利要求3所述的液压泵寿命预测方法,其特征在于:所述加权均值的计算如下式所示:,
所述组合标准差的计算如下式所示:
,
所述复合峭度的计算如下式所示:
,
所述增强型偏度的计算如下式所示:
,
所述修正均方根值的计算如下式所示:,
所述波形因子的计算如下式所示:
,
其中,为信号强度权重,为采样点数,为希尔伯特变换,和为修正系数,为快速傅里叶变换,为信噪比,和为增益系数,为加权均值,为组合标准差,为复合峭度、为增强型偏度,为修正均方根值,为波形因子。
5.如权利要求4所述的液压泵寿命预测方法,其特征在于:计算所述液压泵的剩余使用寿命包括:将所述健康估计模型得到的健康指数作为基础数据源,通过威布尔分布模型的概率密度函数进行建模;
根据建模后的威布尔分布模型,构建似然函数,并对其进行求导;
对求导后的似然函数利用数值迭代的方式,逼近最优参数;
将最优参数反代回所述求导后的似然函数,得到所述尺度参数和形状参数;
根据所述尺度参数、所述形状参数和所述健康指数计算所述液压泵的剩余使用寿命。
6.如权利要求5所述的液压泵寿命预测方法,其特征在于:所述液压泵的剩余使用寿命的计算如下式所示:,
其中,为尺度参数,为概率修正因子,代表已运行时间,为健康指数的概率衰减函数,为动态调节系数,为退化速率修正因子,为剩余使用寿命,为形状参数。
7.一种液压泵寿命预测系统,基于权利要求1~6任一所述的液压泵寿命预测方法,其特征在于:包括:数据采集模块,用于采集液压泵在不同工况下的振动信号、压力信号和温度信号,将所述振动信号、压力信号和温度信号组成原始监测数据;
特征向量构建模块,用于对所述原始监测数据进行小波分解,提取所述原始监测数据的高频系数和低频系数,基于所述高频系数和低频系数构建特征向量;
模型构建模块,用于将所述特征向量输入预先训练的健康估计模型,得到液压泵的健康指数;
参数求解模块,用于基于所述健康指数建立威布尔分布模型,通过最大似然估计法计算所述威布尔分布模型的尺度参数和形状参数;
寿命计算模块,用于根据所述尺度参数和形状参数计算液压泵的剩余使用寿命。