基于表观遗传自适应重构符号回归的回转支承健康评估方法

The key components of the shield machine, wind power generator or other major equipment have bad working conditions and the maintenance is difficult and cost highly, which require high reliability and long life. That effective maintenance is adopted to optimize the working conditions according to health evaluation is the main strategy to improve the operating reliability and prolong the service life. This project takes the slewing bearing as the research object, and the research on health evaluation method based on multi-characteristic signals will be carried out. There is a "black box" problem in the traditional data-driven model which lacks actual physical meanings, a new method based on epigenetic adaptive reconstruction symbolic regression is proposed. Firstly, considering the influence of the environment, an initial evaluation model is established by using epigenetic symbolic programming based on the multi-characteristic signals. Because of the increase of gene population diversity, the model search space is expanded and the global search ability is enhanced. In addition, tree structure models are replaced by the stack structures, which can effectively eliminate some invalid model parameters and improve the simplicity of the model. Secondly, inspired by variable structure control, model structure adaptation method is proposed .The candidate models are obtained by reconstructing the initial model component, and then these candidate models are simplified by local gradient adaptation. The method emphasizes the influence of the structure on the accuracy of the model, focusing on the adaptive structure of the model rather than the parameter adaptation, and improving the generalization of the model.

盾构机、风力发电机等重大设备中核心部件的工况恶劣，维修难度大且费用高，要求高可靠性和长寿命。根据健康状态评估结果，采取有效的主动维护来优化工作条件，已成为提高运行可靠性和延长寿命的主要策略。本项目以回转支承为研究对象，开展基于多特征信号的健康评估方法研究。针对传统基于数据驱动的模型存在“黑箱子”效应和缺乏实际物理含义的问题，提出基于表观遗传自适应重构符号回归的建模方法。首先考虑环境的影响，采用表观遗传规划对多特征信号数据进行符号回归建立初始评估模型，由于基因种群多样性提高，扩大了模型搜索空间，增强全局搜索能力，且采用堆栈编码代替树形结构，可以有效的剔除一些无效的模型参数，提高模型的精简度。然后，受变结构控制思想启发，通过对初始模型成员进行结构重组而获得候选模型，通过局部梯度自适应来精简候选模型。该方法强调结构对模型精度的影响，专注于模型结构自适应而不是参数自适应，提高模型泛化能力。

回转支承以其优异的性能大量应用于各种大型机械设备中，其具有出色的承受载荷和传递运动的能力，回转支承也被形象的称为“关节”,因此回转支承的状态和寿命成为影响整个设备乃至生产系统的关键。本项目从多特征反映回转支承状态、基于符号回归方法建模、模型结构自适应优化、半经验模型的推广和传感器测点的优化布局等方面开展了回转支承健康评估方法的研究。主要成果如下：.（1）研究回转支承健康状况，可以使用单一振动信号，也可以使用多信号。利用均值法提取短时间内正负振动信号的有效平均值，以获得回转支承的空间序列信号,考虑到高质量振动信号难以获取，利用多源优化变分模态分解生成高维模态信号群代替振动信号，并选取温度和扭矩进行融合。.（2）数据驱动模型存在“黑箱”效应，提出一种基于符号回归的方法。首先对传统隐式模型进行改进，利用改进深度置信网络和基于模糊化支持向量机回归进行实验探讨，经过改进的模型在识别精度得到提高。其次利用符号回归建立显示模型，并对传统符号回归方法的缺点进行改进，初步建立较为完善的模型。.（3）针对基于符号回归方法建模后存在的不足，提出混合遗传规划-模型结构自适应方法，利用该建模策略建立显式寿命模型，致力于探讨剩余寿命与变量之间的映射关系，为了全方位的探讨各变量对模型的影响，以均方误差为目标函数进行反向调节并优化网络层中的权重。.（4）为构建一种具体函数映射关系且能够适应不同工况下的回转支承半经验寿命模型，运用动态结构自适应符号方法重建寿命表达式，并通过动态耦合项跟踪性能的实时退化，动态结构自适应符号方法具有可靠的泛化能力，与重建前的初始模型相比，交叉实验验证预测误差大幅降低。.（5）采用有限元软件建立具有不同形状和参数化尺寸缺陷的三维计算模型，进行模拟实际工况的缺陷动力学仿真，在MATLAB中计算得到不同尺度损伤下回转支承的动态响应变化的解析解，并且与基于有限元方法的数值解进行对比，根据结果对传感器的量程和分布进行优化。