本發(fā)明涉及滾動軸承可靠性動態(tài)評估技術領域，具體涉及一種基于按類統(tǒng)計的滾動軸承可靠性可視化動態(tài)評估方法。

背景技術：

滾動軸承作為機械設備中重要的零部件和最易損壞的關鍵部件之一，其性能和可靠性對整個機械設備的性能和可靠運行起著至關重要的作用。據(jù)資料統(tǒng)計，在機械設備故障事故中，由滾動軸承故障引起的數(shù)量大約占30％左右。因此，進行滾動軸承可靠性評估，防止因其故障導致設備事故，確保設備安全穩(wěn)定的運行是十分必要的。

傳統(tǒng)的滾動軸承可靠性評估，是通過大量的失效試驗數(shù)據(jù)進行總體推斷，得到可靠性指標。因此，為了獲得失效試驗數(shù)據(jù)往往需要進行長周期、大樣本的破壞性試驗，使得技術研究和產品開發(fā)周期長、投入大，嚴重制約了新技術與產品的發(fā)展。由于滾動軸承的退化過程是一個隨機過程，其性能變量服從一定的分布規(guī)律，因此有方法對性能數(shù)據(jù)進行分布參數(shù)的估計，依據(jù)設計標準或經驗選擇固定失效閾值，將分布模型中超出失效閾值的部分作為失效分布，來獲得可靠性指標。但該方法中的分布模型是需要先驗知識的靜態(tài)模型，不能隨運行時間的變化進行自適應調整，且該模型不能直觀地表達設備的退化狀態(tài)。因此，無法實現(xiàn)滾動軸承退化過程的直觀顯示和實時跟蹤及可靠性的動態(tài)評估。

技術實現(xiàn)要素：

為了克服上述現(xiàn)有技術的缺點，本發(fā)明的目的在于提供一種基于按類統(tǒng)計的滾動軸承可靠性可視化動態(tài)評估方法，能夠形象顯示滾動軸承的狀態(tài)變化過程，實現(xiàn)對滾動軸承運行過程中的可靠性的動態(tài)評估，具有動態(tài)、準確、直觀的特點。

為實現(xiàn)上述目的，本發(fā)明采取的技術方案為：

一種基于按類統(tǒng)計的滾動軸承可靠性可視化動態(tài)評估方法，包括以下步驟：

第一步，獲取滾動軸承的振動數(shù)據(jù)，提取其均方根和峭度兩個性能特征指標，對均方根和峭度這兩個特征指標進行歸一化處理：X_i和分別為第i維的性能指標數(shù)據(jù)序列和預處理后的性能指標數(shù)據(jù)序列，預處理公式為：

第二步，獲取正常狀態(tài)下二維性能指標數(shù)據(jù)作為統(tǒng)計樣本把該統(tǒng)計樣本稱為正常類，并計算正常類平滑因子σ：

σ＝g*d

d為樣本點之間的距離，g＝1.1～1.4，

利用核密度法計算正常類每個樣本點的概率密度分布曲線，并對m個樣本點的概率密度分布曲線進行疊加，得到初始按類概率模型f(x)：

將初始按類概率模型進行可視化得到初始按類概率圖像模型，并基于拉依達準則在初始按類概率圖像模型中通過3σ處的概率值確定該正常類的邊界線；

第三步，當有新數(shù)據(jù)時，根據(jù)分類邊界線進行類別判斷，并對新的類建立新的按類概率圖像模型，具體步驟為：

步驟1：通過對比新樣本點的概率值與3σ處的概率值，判斷新樣本點是否屬于正常類，采用雙三次插值法求取新數(shù)據(jù)在圖像模型中的概率值，p_new為新樣本點處概率值，p_bie為分類邊界處的概率值，判斷指標p計算公式為：

p＝p_new-p_bie

當p＜0時，判斷新數(shù)據(jù)為正常類數(shù)據(jù)，將其加入到正常類中更新按類概率圖像模型和分類邊界線；

當p＞0時，判斷新數(shù)據(jù)不屬于正常類數(shù)據(jù)，將其作為新的類，即非正常類；

步驟2：當非正常類中的樣本累加到一定量時，利用該類樣本按照第二步計算該類的平滑因子并建立其概率模型、確定該類的分類邊界線，將不同類的概率模型進行疊加及可視化，即可得到新的按類概率圖像模型；

第四步，根據(jù)按類概率圖像模型中非正常類的圖像分布區(qū)域面積占總圖像分布區(qū)域面積的比值得到故障率h(t)，根據(jù)故障率計算出可靠性指標R(t)，

圖像分布區(qū)域面積反映了一段時間內性能特征值的概率密度分布區(qū)域，通過在按類概率圖像模型中，每類中大于該類3σ概率值的像素點數(shù)來估計每類的圖像分布區(qū)域面積；

第五步，當又有新數(shù)據(jù)時，根據(jù)每類的分類邊界線進行類別的判斷，屬于其中一類就加入，不屬于其中一類就另成一類，通過數(shù)據(jù)的不斷積累，動態(tài)更新按類概率圖像模型，從而得到不同時刻的可靠性指標。

本發(fā)明的優(yōu)點為：

1.利用滾動軸承的性能指標為對象進行可靠性評估，可以通過監(jiān)測性能參數(shù)得到其退化過程的性能指標，且可以在只有少數(shù)或零失效的情況下，得到更準確的可靠性推論。

2.利用核密度法估計滾動軸承性能指標的概率密度分布，不需要事先對樣本的分布形式做任何假設，而是從樣本本身出發(fā)估計其概率密度分布，通過該方法估計的概率密度分布能夠漸進逼近任何形式的分布，消除隨機因素對概率密度分布的影響，并且在滾動軸承運行過程中當外部工況變化引起數(shù)據(jù)變化時，該概率密度分布可以自適應調整以適應實際情況。

3.通過對樣本進行類別劃分和對模型進行可視化，所建立的二維性能數(shù)據(jù)的按類概率圖像模型能夠根據(jù)滾動軸承狀態(tài)的變化進行自適應調整，且能夠準確直觀地描述滾動軸承的退化狀態(tài)，實現(xiàn)滾動軸承狀態(tài)變化過程的實時跟蹤，從而實現(xiàn)滾動軸承在運行過程中可靠性的動態(tài)評估。

附圖說明

圖1是本發(fā)明的滾動軸承可靠性動態(tài)評估流程圖。

圖2是滾動軸承的性能指標變化圖。

圖3是滾動軸承的按類概率圖像模型隨時間變化圖，其中圖3(a)是33h的按類概率圖像模型；圖3(b)是91h的按類概率圖像模型；圖3(c)是115h的按類概率圖像模型；圖3(d)是142h的按類概率圖像模型。

圖4是滾動軸承可靠性指標隨時間變化圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明進行詳細說明。

參照圖1，一種基于按類統(tǒng)計的滾動軸承可靠性可視化動態(tài)評估方法，包括以下步驟：

第一步，獲取滾動軸承的振動數(shù)據(jù)，提取其均方根和峭度這兩個性能特征指標，為了減小不同維數(shù)據(jù)離散程度的不一致性，對均方根和峭度這兩個特征指標進行歸一化處理：X_i和分別為第i維的性能指標數(shù)據(jù)序列和預處理后的性能指標數(shù)據(jù)序列，預處理公式為：

如圖2所示，圖2為滾動軸承兩個性能指標隨時間變化的曲線圖；

第二步，獲取正常狀態(tài)下一定量的二維性能指標數(shù)據(jù)作為統(tǒng)計樣本把該統(tǒng)計樣本稱為正常類，并計算正常類平滑因子σ：

σ＝g*d

d為樣本點之間的距離，g＝1.1～1.4，

滾動軸承的概率密度分布曲線實質上是以各個樣本為中心的概率密度函數(shù)之和，平滑因子就是該概率密度函數(shù)的標準差，因此，平滑因子的大小會影響滾動軸承整體的概率密度分布，如果平滑因子σ選擇過大，使概率密度分布曲線變得平滑，不能很好地表達細節(jié)信息；如果選擇過小，噪聲信息會對概率密度分布產生影響，使該概率密度分布無法有效識別有用信息中的噪聲干擾。通常情況下，平滑因子σ都是根據(jù)經驗給出，但由于平滑因子對最終概率密度函數(shù)的計算有重要影響，僅憑經驗的傳統(tǒng)計算方法很難獲得最優(yōu)的概率密度估計，而通過上述計算得到平滑因子的方法是一種簡單而有效的估計方法。

利用核密度法計算正常類每個樣本點的概率密度分布曲線，并對m個樣本點的概率密度分布曲線進行疊加，得到初始按類概率模型：

為了消除隨機因素對概率密度分布的影響，采用非參數(shù)核密度法，不需要事先對樣本的分布形式做任何假設，而是從樣本本身出發(fā)估計其概率密度分布，通過該方法估計的概率密度分布能夠漸進逼近任何形式的分布，在滾動軸承運行過程中當外部工況變化引起數(shù)據(jù)變化時，該概率密度分布可以自適應調整以適應實際情況，且為了更準確描述滾動軸承的退化狀態(tài)，對樣本進行類別劃分，建立一個可實時更新的按類概率圖像模型。

將初始按類概率模型進行可視化得到初始按類概率圖像模型，并基于拉依達準則在初始按類概率圖像模型中通過3σ處的概率值確定該正常類的邊界線；

對不同類別的樣本進行劃分，需要確定分類邊界線，由于新樣本點落在(μ-3σ,μ+3σ)之外的概率僅為0.27％，為小概率事件，一旦出現(xiàn)，一般認為該樣本點脫離了該類的分布區(qū)域，因此，在按類概率圖像模型中通過3σ處的概率值確定分類邊界線。

第三步，當有新數(shù)據(jù)時，根據(jù)分類邊界線進行類別判斷，并對新的類建立新的按類概率圖像模型，具體步驟為：

步驟1：通過對比新樣本點的概率值與3σ處的概率值，判斷新樣本點是否屬于正常類，采用雙三次插值法求取新性能數(shù)據(jù)在圖像模型中的概率值，p_new為新樣本點處概率值，p_bie為分類邊界處的概率值，判斷指標p計算公式為：

p＝p_new-p_bie

當p＜0時，判斷新數(shù)據(jù)為正常類數(shù)據(jù)，將其加入到正常類中更新按類概率圖像模型和分類邊界線；

當p＞0時，判斷新數(shù)據(jù)不屬于正常類數(shù)據(jù)，將其作為新的類，即非正常類；

步驟2：當非正常類中的樣本累加到一定量(本文設為5個)時，利用該類樣本按照第二步計算該類的平滑因子并建立其概率模型、確定該類的分類邊界線，將不同類的概率模型進行疊加及可視化，即可得到新的按類概率圖像模型；

第四步，根據(jù)按類概率圖像模型中非正常類的圖像分布區(qū)域面積占總圖像分布區(qū)域面積的比值得到故障率h(t)，根據(jù)故障率計算出可靠性指標R(t)，

圖像分布區(qū)域面積反映了一段時間內性能特征值的概率密度分布區(qū)域，通過在按類概率圖像模型中，每類中大于該類3σ概率值的像素點數(shù)來估計每類的圖像分布區(qū)域面積。

例如在初始按類概率圖像模型中的樣本全部都是正常類，因此可靠性指標為1；

第五步，當又有新數(shù)據(jù)時，根據(jù)每類的分類邊界線進行類別的判斷，屬于其中一類就加入，不屬于其中一類就另成一類，通過數(shù)據(jù)的不斷積累，動態(tài)更新按類概率圖像模型，從而得到不同時刻的可靠性指標。

參照圖3，圖3是滾動軸承的按類概率圖像模型隨時間變化圖，在圖3中，越亮的部分表示概率值越大，且隨滾動軸承運行狀態(tài)的不斷變化，分析樣本的不斷積累，按類概率圖像模型也在不斷更新。在剛開始運行階段，滾動軸承處于正常狀態(tài)，性能指標數(shù)據(jù)變化較小，這些樣本點屬于正常類，按類圖像模型中只有這一類，如圖3(a)所示；隨著運行時間的增加，滾動軸承性能發(fā)生退化，性能指標數(shù)據(jù)變化率增大，按類圖像模型中的類型越來越多，如圖3(b)中有兩類、圖3(c)中有三類、圖3(d)中有四類。因此，該圖像模型即融合了兩類性能指標，又能準確直觀顯示滾動軸承的退化過程，進而準確地評估可靠性的下降程度。

參照圖4，圖4是滾動軸承可靠性指標隨時間變化圖，從圖中可以看出在滾動軸承運行早期，運行狀態(tài)平穩(wěn)，在特征空間中，特征指標分布的區(qū)域相對穩(wěn)定，所有樣本點為一個類型——正常類，可靠性指標為1；當運行了89h左右，軸承出現(xiàn)微小缺陷，這時樣本點出現(xiàn)了不同的類型，可靠性指標開始下降；隨著運行時間的增加，軸承不斷劣化，樣本點的類型不斷增加，可靠性指標越來越小；隨著運行時間的增加，大約在115h左右，可靠性指標幾乎變?yōu)榱?，表明?15h后滾動軸承處于故障后期階段。