CN106528938B - 一种基于按类统计的滚动轴承可靠性可视化动态评估方法 - Google Patents

Abstract

一种基于按类统计的滚动轴承可靠性可视化动态评估方法，先获取滚动轴承的振动信号，计算其均方根指标和峭度指标，以这两个性能指标序列为分析对象，获取一定量正常运行时刻的统计样本，建立基于核密度法的初始按类概率模型，并进行可视化处理得到初始按类概率图像模型，然后确定分类边界线，从按类概率图像模型中提取故障率，计算出可靠性指标，当有新性能数据时，根据分类边界线进行类别判断，建立新的按类概率图像模型，确定每类的分类边界线，并提取可靠性指标，随着分析样本的不断累积，得到不同类的样本，使按类概率图像模型和可靠性指标不断更新，实现滚动轴承可靠性的动态评估，本发明具有动态、准确、直观的特点。

Description

一种基于按类统计的滚动轴承可靠性可视化动态评估方法

技术领域

本发明涉及滚动轴承可靠性动态评估技术领域，具体涉及一种基于按类统计的滚动轴承可靠性可视化动态评估方法。

背景技术

滚动轴承作为机械设备中重要的零部件和最易损坏的关键部件之一，其性能和可靠性对整个机械设备的性能和可靠运行起着至关重要的作用。据资料统计，在机械设备故障事故中，由滚动轴承故障引起的数量大约占30％左右。因此，进行滚动轴承可靠性评估，防止因其故障导致设备事故，确保设备安全稳定的运行是十分必要的。

传统的滚动轴承可靠性评估，是通过大量的失效试验数据进行总体推断，得到可靠性指标。因此，为了获得失效试验数据往往需要进行长周期、大样本的破坏性试验，使得技术研究和产品开发周期长、投入大，严重制约了新技术与产品的发展。由于滚动轴承的退化过程是一个随机过程，其性能变量服从一定的分布规律，因此有方法对性能数据进行分布参数的估计，依据设计标准或经验选择固定失效阈值，将分布模型中超出失效阈值的部分作为失效分布，来获得可靠性指标。但该方法中的分布模型是需要先验知识的静态模型，不能随运行时间的变化进行自适应调整，且该模型不能直观地表达设备的退化状态。因此，无法实现滚动轴承退化过程的直观显示和实时跟踪及可靠性的动态评估。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于按类统计的滚动轴承可靠性可视化动态评估方法，能够形象显示滚动轴承的状态变化过程，实现对滚动轴承运行过程中的可靠性的动态评估，具有动态、准确、直观的特点。

为实现上述目的，本发明采取的技术方案为：

一种基于按类统计的滚动轴承可靠性可视化动态评估方法，包括以下步骤：

第一步，获取滚动轴承的振动数据，提取其均方根和峭度两个性能特征指标，对均方根和峭度这两个特征指标进行归一化处理：X_i和分别为第i维的性能指标数据序列和预处理后的性能指标数据序列，预处理公式为：

第二步，获取正常状态下二维性能指标数据作为统计样本把该统计样本称为正常类，并计算正常类平滑因子σ：

σ＝g*d

d为样本点之间的距离，g＝1.1～1.4，

利用核密度法计算正常类每个样本点的概率密度分布曲线，并对m个样本点的概率密度分布曲线进行叠加，得到初始按类概率模型f(x)：

将初始按类概率模型进行可视化得到初始按类概率图像模型，并基于拉依达准则在初始按类概率图像模型中通过3σ处的概率值确定该正常类的边界线；

第三步，当有新数据时，根据分类边界线进行类别判断，并对新的类建立新的按类概率图像模型，具体步骤为：

步骤1：通过对比新样本点的概率值与3σ处的概率值，判断新样本点是否属于正常类，采用双三次插值法求取新数据在图像模型中的概率值，p_new为新样本点处概率值，p_bie为分类边界处的概率值，判断指标p计算公式为：

p＝p_new-p_bie

当p＜0时，判断新数据为正常类数据，将其加入到正常类中更新按类概率图像模型和分类边界线；

当p＞0时，判断新数据不属于正常类数据，将其作为新的类，即非正常类；

步骤2：当非正常类中的样本累加到一定量时，利用该类样本按照第二步计算该类的平滑因子并建立其概率模型、确定该类的分类边界线，将不同类的概率模型进行叠加及可视化，即可得到新的按类概率图像模型；

第四步，根据按类概率图像模型中非正常类的图像分布区域面积占总图像分布区域面积的比值得到故障率h(t)，根据故障率计算出可靠性指标R(t)，

图像分布区域面积反映了一段时间内性能特征值的概率密度分布区域，通过在按类概率图像模型中，每类中大于该类3σ概率值的像素点数来估计每类的图像分布区域面积；

第五步，当又有新数据时，根据每类的分类边界线进行类别的判断，属于其中一类就加入，不属于其中一类就另成一类，通过数据的不断积累，动态更新按类概率图像模型，从而得到不同时刻的可靠性指标。

本发明的优点为：

1.利用滚动轴承的性能指标为对象进行可靠性评估，可以通过监测性能参数得到其退化过程的性能指标，且可以在只有少数或零失效的情况下，得到更准确的可靠性推论。

2.利用核密度法估计滚动轴承性能指标的概率密度分布，不需要事先对样本的分布形式做任何假设，而是从样本本身出发估计其概率密度分布，通过该方法估计的概率密度分布能够渐进逼近任何形式的分布，消除随机因素对概率密度分布的影响，并且在滚动轴承运行过程中当外部工况变化引起数据变化时，该概率密度分布可以自适应调整以适应实际情况。

3.通过对样本进行类别划分和对模型进行可视化，所建立的二维性能数据的按类概率图像模型能够根据滚动轴承状态的变化进行自适应调整，且能够准确直观地描述滚动轴承的退化状态，实现滚动轴承状态变化过程的实时跟踪，从而实现滚动轴承在运行过程中可靠性的动态评估。

附图说明

图1是本发明的滚动轴承可靠性动态评估流程图。

图2是滚动轴承的性能指标变化图。

图3是滚动轴承的按类概率图像模型随时间变化图，其中图3(a)是33h的按类概率图像模型；图3(b)是91h的按类概率图像模型；图3(c)是115h的按类概率图像模型；图3(d)是142h的按类概率图像模型。

图4是滚动轴承可靠性指标随时间变化图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

参照图1，一种基于按类统计的滚动轴承可靠性可视化动态评估方法，包括以下步骤：

第一步，获取滚动轴承的振动数据，提取其均方根和峭度这两个性能特征指标，为了减小不同维数据离散程度的不一致性，对均方根和峭度这两个特征指标进行归一化处理：X_i和分别为第i维的性能指标数据序列和预处理后的性能指标数据序列，预处理公式为：

如图2所示，图2为滚动轴承两个性能指标随时间变化的曲线图；

第二步，获取正常状态下一定量的二维性能指标数据作为统计样本把该统计样本称为正常类，并计算正常类平滑因子σ：

σ＝g*d

d为样本点之间的距离，g＝1.1～1.4，

滚动轴承的概率密度分布曲线实质上是以各个样本为中心的概率密度函数之和，平滑因子就是该概率密度函数的标准差，因此，平滑因子的大小会影响滚动轴承整体的概率密度分布，如果平滑因子σ选择过大，使概率密度分布曲线变得平滑，不能很好地表达细节信息；如果选择过小，噪声信息会对概率密度分布产生影响，使该概率密度分布无法有效识别有用信息中的噪声干扰。通常情况下，平滑因子σ都是根据经验给出，但由于平滑因子对最终概率密度函数的计算有重要影响，仅凭经验的传统计算方法很难获得最优的概率密度估计，而通过上述计算得到平滑因子的方法是一种简单而有效的估计方法。

利用核密度法计算正常类每个样本点的概率密度分布曲线，并对m个样本点的概率密度分布曲线进行叠加，得到初始按类概率模型：

为了消除随机因素对概率密度分布的影响，采用非参数核密度法，不需要事先对样本的分布形式做任何假设，而是从样本本身出发估计其概率密度分布，通过该方法估计的概率密度分布能够渐进逼近任何形式的分布，在滚动轴承运行过程中当外部工况变化引起数据变化时，该概率密度分布可以自适应调整以适应实际情况，且为了更准确描述滚动轴承的退化状态，对样本进行类别划分，建立一个可实时更新的按类概率图像模型。

将初始按类概率模型进行可视化得到初始按类概率图像模型，并基于拉依达准则在初始按类概率图像模型中通过3σ处的概率值确定该正常类的边界线；

对不同类别的样本进行划分，需要确定分类边界线，由于新样本点落在(μ-3σ,μ+3σ)之外的概率仅为0.27％，为小概率事件，一旦出现，一般认为该样本点脱离了该类的分布区域，因此，在按类概率图像模型中通过3σ处的概率值确定分类边界线。

第三步，当有新数据时，根据分类边界线进行类别判断，并对新的类建立新的按类概率图像模型，具体步骤为：

步骤1：通过对比新样本点的概率值与3σ处的概率值，判断新样本点是否属于正常类，采用双三次插值法求取新性能数据在图像模型中的概率值，p_new为新样本点处概率值，p_bie为分类边界处的概率值，判断指标p计算公式为：

p＝p_new-p_bie

当p＜0时，判断新数据为正常类数据，将其加入到正常类中更新按类概率图像模型和分类边界线；

当p＞0时，判断新数据不属于正常类数据，将其作为新的类，即非正常类；

步骤2：当非正常类中的样本累加到一定量(本文设为5个)时，利用该类样本按照第二步计算该类的平滑因子并建立其概率模型、确定该类的分类边界线，将不同类的概率模型进行叠加及可视化，即可得到新的按类概率图像模型；

第四步，根据按类概率图像模型中非正常类的图像分布区域面积占总图像分布区域面积的比值得到故障率h(t)，根据故障率计算出可靠性指标R(t)，

图像分布区域面积反映了一段时间内性能特征值的概率密度分布区域，通过在按类概率图像模型中，每类中大于该类3σ概率值的像素点数来估计每类的图像分布区域面积。

例如在初始按类概率图像模型中的样本全部都是正常类，因此可靠性指标为1；

第五步，当又有新数据时，根据每类的分类边界线进行类别的判断，属于其中一类就加入，不属于其中一类就另成一类，通过数据的不断积累，动态更新按类概率图像模型，从而得到不同时刻的可靠性指标。

参照图3，图3是滚动轴承的按类概率图像模型随时间变化图，在图3中，越亮的部分表示概率值越大，且随滚动轴承运行状态的不断变化，分析样本的不断积累，按类概率图像模型也在不断更新。在刚开始运行阶段，滚动轴承处于正常状态，性能指标数据变化较小，这些样本点属于正常类，按类图像模型中只有这一类，如图3(a)所示；随着运行时间的增加，滚动轴承性能发生退化，性能指标数据变化率增大，按类图像模型中的类型越来越多，如图3(b)中有两类、图3(c)中有三类、图3(d)中有四类。因此，该图像模型即融合了两类性能指标，又能准确直观显示滚动轴承的退化过程，进而准确地评估可靠性的下降程度。

参照图4，图4是滚动轴承可靠性指标随时间变化图，从图中可以看出在滚动轴承运行早期，运行状态平稳，在特征空间中，特征指标分布的区域相对稳定，所有样本点为一个类型——正常类，可靠性指标为1；当运行了89h左右，轴承出现微小缺陷，这时样本点出现了不同的类型，可靠性指标开始下降；随着运行时间的增加，轴承不断劣化，样本点的类型不断增加，可靠性指标越来越小；随着运行时间的增加，大约在115h左右，可靠性指标几乎变为零，表明在115h后滚动轴承处于故障后期阶段。

Claims (1)

1.一种基于按类统计的滚动轴承可靠性可视化动态评估方法，其特征在于，包括以下步骤：

第一步，获取滚动轴承的振动数据，提取其均方根和峭度两个性能特征指标，对均方根和峭度这两个特征指标进行归一化处理：X_i和分别为第i维的性能指标数据序列和预处理后的性能指标数据序列，预处理公式为：

第二步，获取正常状态下二维性能指标数据作为统计样本把该统计样本称为正常类，并计算正常类平滑因子σ：

d为样本点之间的距离，g＝1.1～1.4，

利用核密度法计算正常类每个样本点的概率密度分布曲线，并对m个样本点的概率密度分布曲线进行叠加，得到初始按类概率模型f(x)：

将初始按类概率模型进行可视化得到初始按类概率图像模型，并基于拉依达准则在初始按类概率图像模型中通过3σ处的概率值确定该正常类的边界线；

第三步，当有新数据时，根据分类边界线进行类别判断，并对新的类建立新的按类概率图像模型，具体步骤为：

步骤1：通过对比新样本点的概率值与3σ处的概率值，判断新样本点是否属于正常类，采用双三次插值法求取新数据在图像模型中的概率值，p_new为新样本点处概率值，p_bie为分类边界处的概率值，判断指标p计算公式为：

p＝p_new-p_bie

当p＜0时，判断新数据为正常类数据，将其加入到正常类中更新按类概率图像模型和分类边界线；

当p＞0时，判断新数据不属于正常类数据，将其作为新的类，即非正常类；

步骤2：当非正常类中的样本累加到一定量时，利用该类样本按照第二步计算该类的平滑因子并建立其概率模型、确定该类的分类边界线，将不同类的概率模型进行叠加及可视化，即可得到新的按类概率图像模型；

第四步，根据按类概率图像模型中非正常类的图像分布区域面积占总图像分布区域面积的比值得到故障率h(t)，根据故障率计算出可靠性指标R(t)，

图像分布区域面积反映了一段时间内性能特征值的概率密度分布区域，通过在按类概率图像模型中，每类中大于该类3σ概率值的像素点数来估计每类的图像分布区域面积；

第五步，当又有新数据时，根据每类的分类边界线进行类别的判断，属于其中一类就加入，不属于其中一类就另成一类，通过数据的不断积累，动态更新按类概率图像模型，从而得到不同时刻的可靠性指标。