本發(fā)明涉及性能趨勢(shì)領(lǐng)域，具體而言，涉及滾動(dòng)軸承運(yùn)行狀態(tài)退化趨勢(shì)預(yù)測(cè)方法。

背景技術(shù)：

機(jī)械設(shè)備應(yīng)用于人類(lèi)生活、工作和生產(chǎn)的方方面面，并在其中扮演了舉足輕重的角色。目前，機(jī)械設(shè)備正朝著大型化、高速化、精密化、系統(tǒng)化、連續(xù)化和自動(dòng)化方向發(fā)展，機(jī)械設(shè)備的運(yùn)行環(huán)境越來(lái)越復(fù)雜多變，更是為設(shè)備的健康管理提出了新的挑戰(zhàn)。隨著設(shè)備的運(yùn)行，零件老化、可靠性降低、剩余壽命減少等問(wèn)題，與設(shè)備能否持續(xù)安全高效地工作、維護(hù)能否及時(shí)有效地執(zhí)行，亟待人類(lèi)解決。軸承是機(jī)械設(shè)備重要的組成元件，在機(jī)械系統(tǒng)中發(fā)揮著十分重要的作用。軸承的性能退化趨勢(shì)及壽命預(yù)測(cè)方法一直是機(jī)械設(shè)備健康管理研究的重點(diǎn)。為了有效防止設(shè)備工作精度下降，最大限度地利用以軸承為代表的機(jī)械設(shè)備關(guān)鍵零部件的工作能力，節(jié)約物料開(kāi)支，減少事故發(fā)生，越來(lái)越有必要跟蹤零部件的運(yùn)行過(guò)程。對(duì)機(jī)械設(shè)備關(guān)鍵零部件進(jìn)行退化趨勢(shì)及壽命研究已成為現(xiàn)代設(shè)備健康管理中極其重要的一環(huán)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種滾動(dòng)軸承運(yùn)行狀態(tài)退化趨勢(shì)預(yù)測(cè)方法，其顯著降低設(shè)備維護(hù)費(fèi)用、提高裝備的整體可靠性。

本發(fā)明提供一種技術(shù)方案：

一種滾動(dòng)軸承運(yùn)行狀態(tài)退化趨勢(shì)預(yù)測(cè)方法，包括：步驟一、采集并得到表征滾動(dòng)軸承運(yùn)行狀態(tài)的原始振動(dòng)信號(hào)；步驟二、對(duì)所述步驟一得到的所述原始振動(dòng)信號(hào)進(jìn)行消噪處理，得到能夠具體表征滾動(dòng)軸承運(yùn)行狀態(tài)的有用信號(hào)；步驟三、提取所述步驟二得到的所述有用信號(hào)的時(shí)域特征和頻域特征；步驟四、對(duì)所述時(shí)域特征與所述頻域特征進(jìn)行特征融合，得到表征滾動(dòng)軸承運(yùn)行趨勢(shì)的特征指標(biāo)；步驟五、構(gòu)建退化趨勢(shì)預(yù)測(cè)模型，對(duì)所述特征指標(biāo)進(jìn)行退化趨勢(shì)預(yù)測(cè)。

進(jìn)一步地，所述退化趨勢(shì)模型包括最小二乘支持向量機(jī)、粒子群算法與誤差累計(jì)和方法，所述最小二成支持向量機(jī)用于構(gòu)建預(yù)測(cè)模型，所述粒子群算法用于對(duì)所述預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化，所述誤差累計(jì)和方法用于對(duì)所述預(yù)測(cè)模型的預(yù)測(cè)誤差進(jìn)行控制。

進(jìn)一步地，所述特征融合的方法為主成分分析法，所述時(shí)域特征與所述頻域特征組成多維特征矩陣，所述多維特征矩陣通過(guò)所述主成分分析法得到所述特征指標(biāo)。

進(jìn)一步地，所述步驟二利用小波消噪方法對(duì)所述原始振動(dòng)信號(hào)進(jìn)行消噪，并得到所述有用信號(hào)。

本發(fā)明的有益效果在于：依靠在線監(jiān)測(cè)振動(dòng)傳感器采集的滾動(dòng)軸承的振動(dòng)信號(hào)，獲取有用信息并在時(shí)域、頻域、時(shí)頻域等域提取信息的狀態(tài)特征，得到能表征軸承運(yùn)行狀態(tài)的多維特征集，并進(jìn)行滾動(dòng)軸承運(yùn)行狀態(tài)的性能退化趨勢(shì)預(yù)測(cè)及壽命預(yù)測(cè)，是軸承基于視情維修、提高可靠性的重要基礎(chǔ)。但是多維特征集中可能存在相互冗余的兩個(gè)或多個(gè)特征，也可能存在與軸承運(yùn)行性能狀態(tài)完全無(wú)關(guān)的特征，同時(shí)由于滾動(dòng)軸承結(jié)構(gòu)、工作環(huán)境等的復(fù)雜性，導(dǎo)致單一的簡(jiǎn)單特征指標(biāo)很難完整地反映滾動(dòng)軸承在服役周期過(guò)程中的性能退化趨勢(shì)，難以確定其剩余壽命，對(duì)于軸承維修、保養(yǎng)及提高可靠性均十分不利。而本發(fā)明提出一種依靠在線監(jiān)測(cè)振動(dòng)信號(hào)的滾動(dòng)軸承運(yùn)行狀態(tài)性能退化趨勢(shì)及剩余壽命預(yù)測(cè)方法，首先通過(guò)小波消噪剔除采集信號(hào)中的噪聲并保留有用信息，而后分別在時(shí)域、頻域、時(shí)頻域等域提取信息的狀態(tài)特征并形成多維特征集。結(jié)合主成分分析法，對(duì)多維特征集進(jìn)行融合，在不減少原有數(shù)據(jù)所包含的信息內(nèi)容以及剔除多維特征信息中的冗余與無(wú)效成分的基礎(chǔ)上，得到統(tǒng)計(jì)意義上方差最優(yōu)的特征指標(biāo)，而后基于能夠全面完整的反映軸承在服役周期內(nèi)的運(yùn)行性能退化趨勢(shì)的特征指標(biāo)且以最小二乘支持向量機(jī)作為趨勢(shì)預(yù)測(cè)模型，使用交叉驗(yàn)證法，并綜合使用粒子群算法優(yōu)化參數(shù)，得到能夠較高精度預(yù)測(cè)軸承性能退化趨勢(shì)的新方法。本發(fā)明能夠得到一個(gè)能全面預(yù)測(cè)滾動(dòng)軸承性能退化趨勢(shì)的新方法，能夠維進(jìn)一步開(kāi)展視情維護(hù)策略研究奠定堅(jiān)實(shí)基礎(chǔ)，從而顯著降低費(fèi)用、提高裝備的整體可靠性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹。應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定。對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1為本發(fā)明的實(shí)施例提供的滾動(dòng)軸承運(yùn)行狀態(tài)退化趨勢(shì)預(yù)測(cè)方法的流程示意圖；

圖2為本發(fā)明的實(shí)施例提供的誤差累計(jì)和方法的流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行詳細(xì)說(shuō)明。

請(qǐng)參閱圖1，本實(shí)施例提供了一種滾動(dòng)軸承運(yùn)行狀態(tài)退化趨勢(shì)預(yù)測(cè)方法。下面對(duì)該方法的具體步驟進(jìn)行說(shuō)明。

步驟(1)：在線監(jiān)測(cè)振動(dòng)傳感器采集滾動(dòng)軸承振動(dòng)信號(hào)(包括了反映軸承運(yùn)行性能狀態(tài)的有用信號(hào)及噪聲信號(hào))。

步驟(2)：采用matlab軟件自帶的小波消噪函數(shù)(主要依據(jù)matlab算法，其中基函數(shù)、分解層數(shù)、閾值方法及閾值等選取是關(guān)鍵)消除振動(dòng)信號(hào)中的大部分噪聲干擾，并保留能夠反映軸承運(yùn)行性能狀態(tài)的有用信號(hào)。

步驟(3)：提取時(shí)域特征集(包括量綱特征及無(wú)量綱特征，詳細(xì)見(jiàn)表1、表2)、頻域特征集(詳細(xì)見(jiàn)表3)、時(shí)頻域特征集(經(jīng)驗(yàn)?zāi)B(tài)分解方法(empiricalmodeldecomposition,emd)能有效地提取軸承狀態(tài)監(jiān)測(cè)信號(hào)中的非線性、非平穩(wěn)信號(hào)特征，且具備較高時(shí)頻分辨率，此處的時(shí)頻域特征集即為emd提取的軸承狀態(tài)監(jiān)測(cè)信號(hào)中的非線性特征)及威布爾參數(shù)特征集(威布爾分布的形狀參數(shù)和尺度參數(shù)可作為反映軸承運(yùn)行狀態(tài)的特征量。由于希爾伯特變換能較好地提取軸承早期故障信息，因此狀態(tài)監(jiān)測(cè)信號(hào)先經(jīng)過(guò)希爾伯特變換得到新的數(shù)據(jù)，而后采用極大似然方法即可得到威布爾分布的形狀參數(shù)和尺度參數(shù)，即威布爾參數(shù)特征集)，得到能夠表征軸承運(yùn)行性能狀態(tài)的多維特征集，并構(gòu)建多維特征集矩陣。

表1含量綱時(shí)域特征指標(biāo)

表2無(wú)量綱時(shí)域特征指標(biāo)

表3頻域特征

機(jī)械設(shè)備關(guān)鍵零部件的狀態(tài)監(jiān)測(cè)信號(hào)中通常包含非線性、非平穩(wěn)信息，經(jīng)驗(yàn)?zāi)B(tài)分解方法(empiricalmodedecomposition,emd)是一種非線性、非平穩(wěn)信號(hào)分析方法，它將信號(hào)分解成一系列本征模函數(shù)(intrinsicmodefunction,imf)之和。對(duì)于非線性的特征，應(yīng)用較為廣泛的方法還有小波方法。相較于小波方法，經(jīng)驗(yàn)?zāi)B(tài)分解方法不但能夠有效的提取信號(hào)中的微弱特征，而且不用選取基函數(shù)，因此，自適應(yīng)性較強(qiáng)，非常適合處理非線性信號(hào)。通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解方法消除了人為因素對(duì)結(jié)果的影響，分解結(jié)果依賴分析信號(hào)本身，能有效地提取非線性、非平穩(wěn)信號(hào)的微弱特征，并可得到較高的時(shí)頻分辨率，具有良好的時(shí)頻聚集性。所以本實(shí)施例利用經(jīng)驗(yàn)?zāi)B(tài)分析方法來(lái)提取零部件監(jiān)測(cè)信號(hào)中的非線性特征。

設(shè)通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解，信號(hào)獲得多個(gè)模態(tài)分量fi(t)和余項(xiàng)rn(t)，把rn(t)看作信號(hào)的第n+1個(gè)分量fn+1(t)，則第i(i＝1,2,...,n+1)個(gè)分量fi(t)的能量為：

式中，n為imf分量fi(t)的數(shù)據(jù)長(zhǎng)度。

根據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解完備正交性，可以得出：

e[x(t)]＝e[f1(t)]+e[f2(t)]+...+e[fn+1(t)]

威布爾分布是在可靠性分析中常用的統(tǒng)計(jì)分布模型之一，可分為兩參數(shù)威布爾分布和三參數(shù)威布爾分布。威布爾分布的形狀參數(shù)和尺度參數(shù)也可作為反映零部件運(yùn)行狀態(tài)的特征量。本實(shí)施例考慮兩參數(shù)威布爾分布，其概率密度函數(shù)為：

式中β是形狀參數(shù)，η是尺度參數(shù)。

通常將參數(shù)估計(jì)方法分為圖解法和解析法兩大類(lèi)，圖解法包括經(jīng)驗(yàn)分布圖法、威布爾概率圖法和風(fēng)險(xiǎn)率統(tǒng)計(jì)圖法等；解析法包括極大似然估計(jì)法和回歸估計(jì)法等。本實(shí)施例通過(guò)極大似然估計(jì)法求解參數(shù)。極大似然估計(jì)函數(shù)為：

式中，n為數(shù)據(jù)長(zhǎng)度。由于希爾伯特變換對(duì)零部件早期故障信息的提取具有良好效果，xi為狀態(tài)檢測(cè)信號(hào)經(jīng)過(guò)希爾伯特變換后的數(shù)據(jù)。

關(guān)于上式，分別對(duì)β和η求偏導(dǎo)，并令其為零，得：

上式為非線性方程組，利用牛頓迭代法求解得到參數(shù)β和η的估計(jì)值。由于通過(guò)極大似然估計(jì)法得到的估計(jì)值通常會(huì)存在較大誤差，修正形狀參數(shù)β可以使估計(jì)誤差減小，其修正公式為：

式中，n為數(shù)據(jù)長(zhǎng)度，βu是修正值，β是估計(jì)值。

步驟(4)：利用主成分分析法pca(principalcomponentsanalysis)對(duì)滾動(dòng)軸承消噪后振動(dòng)信號(hào)的多維特征進(jìn)行融合，在不減少原有數(shù)據(jù)所包含信息內(nèi)容的基礎(chǔ)上，得到能全面表征滾動(dòng)軸承運(yùn)行狀態(tài)性能退化趨勢(shì)的特征指標(biāo)。

利用主成分分析進(jìn)行多維特征融合得到零部件運(yùn)行過(guò)程中的性能退化特征指標(biāo)是將原來(lái)的多維特征集通過(guò)某種線性映射，形成比原有維數(shù)更少的新的多維特征集。新的特征集間兩兩相互正交，且向量按照特征間的差異性從大到小排序，排序第一的向量反映了特征間的最大差異。這樣由多維特征間最大差異量組成的新向量不僅可以涵蓋特征中的有用信息，而且去除了原來(lái)多維特征集的冗余部分，實(shí)現(xiàn)了用主成分的方式來(lái)描述高維數(shù)據(jù)特征。

設(shè)某次采集到的數(shù)據(jù)中共有n個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)有p個(gè)特征變量，則構(gòu)成一個(gè)n×p階的多維特征矩陣：

式中xi＝(x1i,x2i,...,xni)^t，xij是第i個(gè)數(shù)據(jù)的第j個(gè)特征變量。

通過(guò)主成分變換得到由x1,x2,...,xp表示的線性組合：

如果系數(shù)lij滿足：1)li1²+li2²+...+lip²＝1，i＝1,2,..,p；2)系數(shù)lij使線性組合yi與yj(i≠j)相互無(wú)關(guān)；3)yi按照x1,x2,...,xp的所有線性組合方差大小排序，則原多維特征集的第一、第二、第p主成分為y1,y2,...,yp。

上式所表示的主成分分析過(guò)程就是通過(guò)對(duì)多維特征的協(xié)方差矩陣求特征值與特征向量，并將按大小順序排列后的特征值所對(duì)應(yīng)的特征向量作為線性組合的系數(shù)。利用主成分分析方法對(duì)多維特征x進(jìn)行融合得到零部件性能退化特征指標(biāo)的步驟是：

(1)計(jì)算零部件多維特征矩陣x的均值向量:

將多維特征中心化：

(2)計(jì)算多維特矩陣的協(xié)方差矩陣：

計(jì)算多維特征矩陣的特征值與特征向量，將最大特征值所對(duì)應(yīng)的特征向量作為對(duì)多維特征矩陣線性變化的系數(shù)，得到零部件性能退化特征指標(biāo)。

步驟(5)：根據(jù)步驟(4)得到的結(jié)論，設(shè)計(jì)預(yù)測(cè)模型及參數(shù)優(yōu)化。以最小二乘支持向量機(jī)作為預(yù)測(cè)模型，對(duì)參數(shù)模型優(yōu)化中使用交叉驗(yàn)證法，并綜合使用粒子群優(yōu)化算法，來(lái)提高每次訓(xùn)練的準(zhǔn)確率和精確度。并利用誤差累計(jì)和方法(cumulativesum,cusum)對(duì)當(dāng)前模型的預(yù)測(cè)能力進(jìn)行檢驗(yàn)，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。

通過(guò)粒子群算法優(yōu)化得到的預(yù)測(cè)模型，雖然參數(shù)已經(jīng)達(dá)到某種意義上的最優(yōu)，但是卻缺乏對(duì)模型的預(yù)測(cè)能力進(jìn)行進(jìn)一步的檢驗(yàn)，本實(shí)施例利用用誤差累積和方法(cumulativesum,cusum)對(duì)當(dāng)前模型的預(yù)測(cè)能力進(jìn)行檢驗(yàn)，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。

請(qǐng)參閱圖2，以下給出誤差累計(jì)和方法的具體步驟。

假設(shè)預(yù)測(cè)模型的誤差z＝y(tǒng)i-yi是服從均值為μ，方差為σ²的正態(tài)分布，對(duì)服從正態(tài)分布的數(shù)組z進(jìn)行標(biāo)準(zhǔn)化后得到：

累積和方法利用兩個(gè)指標(biāo)來(lái)檢驗(yàn)當(dāng)前模型的預(yù)測(cè)能力：

ubi＝max[0,(di-m)+ubi-1]

lbi＝max[0,(-di-m)+lbi-1]

在上式中，ubi表示誤差的正偏差，lbi表示誤差的負(fù)偏差。初始狀態(tài)ub0和lb0都為0，通常情況下，參數(shù)m取0.5，閾值h取3。

本實(shí)施例提出的基于最小二乘支持向量回歸機(jī)、粒子群算法和誤差累積和方法進(jìn)行機(jī)械設(shè)備關(guān)鍵零部件趨勢(shì)預(yù)測(cè)的研究步驟如下：

(1)對(duì)機(jī)械設(shè)備關(guān)鍵零部件的運(yùn)行狀態(tài)進(jìn)行在線監(jiān)測(cè)，對(duì)獲得的振動(dòng)信號(hào)進(jìn)行濾波處理(小波消噪方法)，以保證振動(dòng)數(shù)據(jù)包含的特征信息不被噪聲淹沒(méi)；

(2)提取監(jiān)測(cè)數(shù)據(jù)的多維特征信息，利用特征融合的方式(主成分分析方法)獲得機(jī)械設(shè)備關(guān)鍵零部件運(yùn)行狀態(tài)性能退化趨勢(shì)的特征指標(biāo)；

(3)建立基于最小二乘支持向量回歸機(jī)、粒子群算法和累積和方法的趨勢(shì)預(yù)測(cè)模型；

(4)將特征指標(biāo)輸入預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)機(jī)械設(shè)備關(guān)鍵零部件運(yùn)行狀態(tài)的退化趨勢(shì)預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果。

步驟(6)：趨勢(shì)預(yù)測(cè)，將步驟4中得到的特征指標(biāo)作為趨勢(shì)預(yù)測(cè)模型的輸入數(shù)據(jù)，并確定訓(xùn)練集和測(cè)試集；對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)性能退化趨勢(shì)進(jìn)行預(yù)測(cè)。

在本實(shí)施例中，訓(xùn)練集長(zhǎng)度為100，本發(fā)明所提方法和對(duì)比方法進(jìn)行單步預(yù)測(cè)，其中交叉驗(yàn)證法均選擇5-fold；粒子群算法的主要參數(shù)設(shè)置分別為：最大進(jìn)化數(shù)量為200、種群最大數(shù)量為20、全局和局部搜索能力分別設(shè)置為1.7和1.5；遺傳算法的主要參數(shù)設(shè)置為：最大進(jìn)化代數(shù)為200，種群最大數(shù)量為20。