一種基于信息熵的滾動(dòng)軸承性能退化模糊?;A(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種滾動(dòng)軸承性能退化趨勢(shì)的預(yù)測(cè)方法,特別涉及一種基于香農(nóng) (Shannon)信息熵和模糊信息粒化的滾動(dòng)軸承性能退化趨勢(shì)的模糊?;A(yù)測(cè)方法。
【背景技術(shù)】
[0002] 滾動(dòng)軸承的性能退化是威脅旋轉(zhuǎn)機(jī)械安全服役的主要問題,如果能夠?qū)L動(dòng)軸承 的服役性能進(jìn)行可靠預(yù)測(cè),提前了解其變化趨勢(shì),即可避免危險(xiǎn)因素累計(jì)超限和旋轉(zhuǎn)機(jī)械 驟然停機(jī)停產(chǎn)等惡性事件的發(fā)生。廣義上講,設(shè)備性能退化預(yù)測(cè)是針對(duì)目前正在運(yùn)行的設(shè) 備,判別設(shè)備的當(dāng)前運(yùn)行狀態(tài),分析設(shè)備當(dāng)前狀態(tài)的成因,預(yù)測(cè)設(shè)備未來的發(fā)展趨勢(shì),并提 出可行的解決方案。其研究?jī)?nèi)容主要涉及機(jī)械動(dòng)力學(xué)、材料學(xué)、信號(hào)處理技術(shù)、模式識(shí)別與 人工智能、計(jì)算機(jī)技術(shù)等,其主要方法是依據(jù)機(jī)械動(dòng)力學(xué)和材料學(xué)的理論,分析設(shè)備當(dāng)前的 運(yùn)行狀態(tài)信號(hào),預(yù)測(cè)設(shè)備未來的運(yùn)行狀態(tài)趨勢(shì)。
[0003] 傳統(tǒng)在滾動(dòng)軸承的性能退化趨勢(shì)預(yù)測(cè)過程中,有兩個(gè)必要環(huán)節(jié),即特征提取和趨 勢(shì)預(yù)測(cè)。在特征提取環(huán)節(jié),技術(shù)人員是利用信號(hào)處理方法獲取反映滾動(dòng)軸承性能退化歷程 的特征指標(biāo)量;在趨勢(shì)預(yù)測(cè)環(huán)節(jié),技術(shù)人員是利用人工智能、計(jì)算機(jī)技術(shù)建立預(yù)測(cè)模型,預(yù) 測(cè)特征指標(biāo)量未來的發(fā)展趨勢(shì),推理出滾動(dòng)軸承未來的發(fā)展?fàn)顟B(tài)。在特征提取環(huán)節(jié),振動(dòng)信 號(hào)是目前反映滾動(dòng)軸承運(yùn)行狀態(tài)最直接的一種信號(hào)源,反映滾動(dòng)軸承服役特性的振動(dòng)信號(hào) 特征本身十分微弱,并且信號(hào)特征還受到周圍環(huán)境的干擾,導(dǎo)致所測(cè)得的服役歷程振動(dòng)信 號(hào)具有強(qiáng)耦合、非線性、非平穩(wěn)特質(zhì),精確提取滾動(dòng)軸承的服役歷程特征難度較大。在趨勢(shì) 預(yù)測(cè)環(huán)節(jié),人工神經(jīng)網(wǎng)絡(luò)(Artif icial Neural Network,ANN),和支持向量機(jī)(Support Vector Machine,SVM)是目前應(yīng)用較多的智能預(yù)測(cè)模型,ANN收斂速度慢,容易出現(xiàn)過學(xué)習(xí) 或欠學(xué)習(xí)而陷入局部極小,SVM的性能有一定提升,但是參數(shù)選擇具有一定的隨機(jī)性,因此 要建立合理可靠的智能預(yù)測(cè)模型也并非易事。上述原因直接導(dǎo)致以振動(dòng)信號(hào)源為基礎(chǔ)對(duì)滾 動(dòng)軸承的性能退化趨勢(shì)進(jìn)行預(yù)測(cè)的研究,至今沒有取得重大突破。
[0004] 本發(fā)明不僅拓展了傳統(tǒng)的設(shè)備性能退化趨勢(shì)預(yù)測(cè)模式,而且針對(duì)每個(gè)環(huán)節(jié)也進(jìn)行 更新改進(jìn)。在滾動(dòng)軸承的性能退化趨勢(shì)預(yù)測(cè)過程中,除了傳統(tǒng)的特征提取和趨勢(shì)預(yù)測(cè)環(huán)節(jié) 外,增加了信息?;h(huán)節(jié),即形成了"特征提取-信息?;?趨勢(shì)預(yù)測(cè)"一體化趨勢(shì)預(yù)測(cè)模 式。這樣的改進(jìn)不僅可以實(shí)現(xiàn)滾動(dòng)軸承的性能退化趨勢(shì)預(yù)測(cè),而且還可以在一個(gè)時(shí)間段內(nèi) 實(shí)現(xiàn)滾動(dòng)軸承性能指標(biāo)的波動(dòng)范圍預(yù)測(cè)。在特征提取環(huán)節(jié),為了準(zhǔn)確提取滾動(dòng)軸承性能退 化歷程的振動(dòng)狀態(tài)特征,使用以集成經(jīng)驗(yàn)?zāi)J椒纸猓╡nsemble empirical mode decomposition,EEMD)為代表的現(xiàn)代時(shí)頻分析方法對(duì)其非線性、非平穩(wěn)信號(hào)進(jìn)行處理,以信 息熵作為非線性分析指標(biāo)來表征信號(hào)復(fù)雜性和不規(guī)則性。EEMD與信息熵結(jié)合提取EEMD能譜 熵能大大提高特征指標(biāo)對(duì)滾動(dòng)軸承服役特性的敏感性。在信息粒化環(huán)節(jié),以三角型模糊粒 子為基準(zhǔn),對(duì)滾動(dòng)軸承的服役特征序列進(jìn)行模糊信息?;?,使其能夠合理的描述原窗口中 的子序列信息。這樣既濾除了連續(xù)過程信息中可能的冗余特征,又有效克服了間斷信息采 集中可能出現(xiàn)的不完備特征。在趨勢(shì)預(yù)測(cè)環(huán)節(jié),以最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LS_SVM)為理論基礎(chǔ),采用粒子群算法對(duì)LS-SVM的參數(shù)進(jìn)行并 行尋優(yōu),進(jìn)而建立滾動(dòng)軸承的性能退化趨勢(shì)預(yù)測(cè)模型。隨后利用該模型對(duì)滾動(dòng)軸承信息粒 化后的粒狀信息序列,即L0U、R、UP三個(gè)參數(shù)序列分別進(jìn)行預(yù)測(cè),得出滾動(dòng)軸承性能指標(biāo)的 退化趨勢(shì)定量描述以及與之對(duì)應(yīng)的指標(biāo)范圍描述。根據(jù)該描述信息,技術(shù)人員可以反演并 推理出滾動(dòng)軸承未來的發(fā)展?fàn)顟B(tài)。
【發(fā)明內(nèi)容】
[0005] 為了解決滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)過程中特征難以提取、模型難以構(gòu)建等理論 問題,本發(fā)明提出了一種基于信息熵的滾動(dòng)軸承性能退化模糊粒化預(yù)測(cè)方法,所采用的技 術(shù)方案是:采用EEMD對(duì)滾動(dòng)軸承的時(shí)間歷程序列振動(dòng)信號(hào)進(jìn)行處理,基于Shannon信息熵理 論獲取振動(dòng)信號(hào)的能譜熵序列,采用信息?;碚搶?duì)能譜熵序列進(jìn)行信息?;?,在LS-SVM 框架下構(gòu)建趨勢(shì)預(yù)測(cè)模型,將滾動(dòng)軸承的?;畔⑤斎虢o預(yù)測(cè)模型,最終實(shí)現(xiàn)滾動(dòng)軸承性 能退化趨勢(shì)的有效預(yù)測(cè)。具體步驟如下:
[0006] 步驟一,對(duì)在滾動(dòng)軸承上采集的每一個(gè)振動(dòng)信號(hào)以集成經(jīng)驗(yàn)?zāi)J椒纸饧夹g(shù)進(jìn)行處 理,分別得到多層內(nèi)稟模態(tài)函數(shù)分量;
[0007] 步驟二,對(duì)每個(gè)振動(dòng)信號(hào)的所有內(nèi)稟模態(tài)函數(shù)分量計(jì)算香農(nóng)熵,得到按時(shí)間歷程 排列的η維特征向量,η為按時(shí)間歷程采集的軸承信號(hào)數(shù)目;
[0008] 步驟三,采用模糊信息?;碚搶?duì)η維特征向量進(jìn)行模糊粒化,將整個(gè)時(shí)間序列信 息,即η維特征向量劃分為有限個(gè)子序列操作窗口,對(duì)每一個(gè)子序列操作窗口的信息通過數(shù) 學(xué)表達(dá)方式進(jìn)行模糊化;
[0009] 步驟四,構(gòu)建最小二乘支持向量機(jī),將訓(xùn)練樣本輸入到最小二乘支持向量機(jī),并采 用粒子群對(duì)最小二乘支持向量機(jī)的參數(shù)進(jìn)行并行尋優(yōu);
[0010] 步驟五,將?;蟮牧钚畔⑤斎氲絻?yōu)化后的最小二乘支持向量機(jī),利用最優(yōu)的 最小二乘支持向量機(jī)迭代預(yù)測(cè)出滾動(dòng)軸承的性能退化趨勢(shì)及性能指標(biāo)的波動(dòng)范圍,在對(duì)此 預(yù)測(cè)模型的預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。
[0011] 所述步驟一中對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)J椒纸饧夹g(shù)進(jìn)行處理過程 為:采用集成經(jīng)驗(yàn)?zāi)J椒纸饧夹g(shù),將滾動(dòng)軸承的振動(dòng)信號(hào)x(t)分解為多個(gè)內(nèi)稟模態(tài)函數(shù)分 量:
[0013] 式中Cj (t)為第j個(gè)內(nèi)稟模態(tài)函數(shù)分量,r (t)是振動(dòng)信號(hào)x( t)的趨勢(shì)項(xiàng),m為內(nèi)稟模 態(tài)函數(shù)分量的總層數(shù)。
[0014] 所述步驟二中對(duì)振動(dòng)信號(hào)的所有內(nèi)稟模態(tài)函數(shù)分量計(jì)算香農(nóng)熵的處理過程為:對(duì) 振動(dòng)信號(hào)的m層內(nèi)稟模態(tài)函數(shù)分量進(jìn)行幅值能量相加,得到各層內(nèi)稟模態(tài)函數(shù)分量 Cj (t)的 瞬時(shí)幅值Ei:
[0016]式中N為該內(nèi)稟模態(tài)函數(shù)分量Cj (tk)的數(shù)據(jù)點(diǎn)數(shù)。根據(jù)各個(gè)內(nèi)稟模態(tài)函數(shù)分量能 量,結(jié)合香農(nóng)熵理論,計(jì)算出振動(dòng)信號(hào)的能譜熵:
[0018] 式中pi為第i個(gè)內(nèi)稟模態(tài)函數(shù)在整個(gè)信號(hào)能量中的百分比,m為內(nèi)稟模態(tài)函數(shù)分量 的最大階數(shù),且PiiEi/E,以上則完成了單次振動(dòng)信號(hào)集成經(jīng)驗(yàn)?zāi)J椒纸馓幚?,?duì)按時(shí)間歷 程采集的Μ次振動(dòng)信號(hào)均依照上述方法進(jìn)行處理,得到時(shí)間歷程上的一個(gè)能譜熵序列H = ?ΗΕ1,ΗΕ2,··_,Hem},M為整個(gè)時(shí)間歷程上滾動(dòng)軸承的振動(dòng)信號(hào)數(shù)目。
[0019] 所述步驟三中采用模糊信息?;碚搶?duì)Μ維能譜熵向量進(jìn)行模糊?;?,是指在能 譜熵序列Η={ΗΕ1,Η Ε2,···,ΗΕΜ}上,將整個(gè)時(shí)間序列信息劃分為有限個(gè)子序列操作窗口,在子 序列窗口中建立一個(gè)模糊粒子Ρ,即一個(gè)能合理描述Η的模糊概念G:
[0021]式中,xeu,G_ei_/ ,G由隸屬函數(shù)yG來描述,λ是可能性概率,采用三角型模糊信息 粒對(duì)窗口信息進(jìn)行模糊?;潆`屬函數(shù)Α為:
[0023]式中