CN109615126A

CN109615126A - 一种轴承剩余寿命预测方法

Info

Publication number: CN109615126A
Application number: CN201811465424.XA
Authority: CN
Inventors: 马海龙; 李臻
Original assignee: Beijing Tiandi Long Jump Technology Co Ltd
Current assignee: Beijing Tiandi Long Jump Technology Co Ltd
Priority date: 2018-12-03
Filing date: 2018-12-03
Publication date: 2019-04-12

Abstract

本发明涉及一种轴承剩余寿命预测方法，其特征在于，包括以下步骤：1)获取待测轴承的测试数据样本；2)计算测试数据样本的峰值指标；3)将测试数据样本的峰值指标与预设的报警阈值进行对比，若峰值指标小于预设的报警阈值占比达到预设的百分比，则输出待测轴承的剩余寿命；若峰值指标小于预设的报警阈值占比没有达到预设的百分比，则进入步骤4)；4)采用PCA法得到轴承剩余寿命预测的特征量；5)采用灰色预测GM(1，1)模型，得到待测轴承的若干寿命预测值，并记录预测步数；6)根据得到的寿命预测值和预测步数以及预设的剩余寿命终止值和预测步数，对应输出待测轴承的剩余寿命，本发明可广泛用于煤机故障诊断领域中。

Description

一种轴承剩余寿命预测方法

技术领域

本发明是关于一种轴承剩余寿命预测方法，属于煤机故障诊断领域。

背景技术

滚动轴承作为煤炭机械设备最常见、最重要的易损部件之一，其运行状态决定煤机设备的健康状态和使用周期。随着煤机故障诊断方法的发展，利用在线监测系统对煤机设备的轴承进行监测成为煤机设备日常维护的重要手段之一，然而，在线监测系统的监测结果只能诊断出轴承的运行状态是否出现异常，并不能够诊断出该轴承还可以继续运行多长时间。在振动冲击大、潮湿和多尘等煤机设备运行的典型工况下，如何有效地利用现有的监测数据对轴承的剩余寿命进行预测成为煤机故障诊断领域的难点。

现有技术中存在多种轴承剩余寿命预测方法，但是大多不适于煤机工况条件，例如以有效值作为特征量输入的预测方法在煤机轴承剩余寿命预测中会表现出较大的误差，不能满足工程实际需求等。特征量选取是轴承剩余寿命预测的关键步骤之一，特征量是指从轴承振动加速度信号中提取的包含轴承健康状态信息的特征指标。常用的轴承剩余寿命预测特征量例如小波熵、峭度指标、峰值指标、峰度指标和波形指标，这些特征指标通常对轴承生命周期中的某个阶段敏感，例如峰度指标对于故障初期比较敏感，随着故障的发展会逐渐减小。然而，上述这些指标只是表达了轴承健康状态的片面信息，对轴承剩余寿命进行预测，需要提取出能够全面反映轴承状态信息的特征指标。

发明内容

针对上述问题，本发明的目的是提供一种能够全面反映轴承状态信息且能够精确预测轴承寿命的轴承剩余寿命预测方法。

为实现上述目的，本发明采取以下技术方案：一种轴承剩余寿命预测方法，其特征在于，包括以下步骤：1)获取待测轴承的测试数据样本；2)计算测试数据样本的峰值指标；3)将测试数据样本的峰值指标与预设的报警阈值进行对比，若峰值指标小于预设的报警阈值占比达到预设的百分比，则输出待测轴承的剩余寿命；若峰值指标小于预设的报警阈值占比没有达到预设的百分比，则进入步骤4)；4)采用PCA法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量；5)采用灰色预测GM(1，1)模型，根据轴承剩余寿命预测的特征量，得到待测轴承的若干寿命预测值，并记录预测步数；6)根据得到的寿命预测值和预测步数以及预设的剩余寿命终止值和预测步数，对应输出待测轴承的剩余寿命。

进一步，所述测试数据样本为待测轴承的振动加速度信号。

进一步，所述步骤3)的具体过程为：3.1)根据待测轴承的全寿命周期数据，预先设定报警阈值；3.2)将测试数据样本的峰值指标与预设的报警阈值进行对比，若测试数据样本的峰值指标小于预设的报警阈值的占比达到预设的百分比，则输出待测轴承的剩余寿命：

L＝L₁-L₀

其中，L₁表示待测轴承的额定寿命；L₀表示待测轴承的使用时间；若测试数据样本的峰值指标大于预设的报警阈值的占比没有达到预设的百分比，则进入步骤4)。

进一步，所述报警阈值为：

其中，Peak_mean为待测轴承的全寿命周期数据中平稳段n组振动历史数据的若干峰值的平均值，且p_i表示第i组振动历史数据的峰值。

进一步，所述预设的百分比为80％。

进一步，所述步骤4)中采用PCA法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量，具体过程为：4.1)假设有n个测试数据样本，每一测试数据样本提取m个特征量，则测试数据样本的特征量集矩阵为：

其中，X_i表示第i个测试数据样本的特征量集；x_im表示第i个测试数据样本的第m个特征指标；4.2)对测试数据样本的特征量矩阵A按列进行零均值处理，使得每一列的均值均为零，得到标准化矩阵A′；4.3)计算标准化矩阵A′的协方差矩阵cov(A′)：

其中，表示标准化后的随机向量及其转置的协方差；4.4)计算协方差矩阵cov(A′)的特征值及其特征向量，并按照从大到小的顺序进行排列，构建测试数据样本的特征向量矩阵K：

其中，向量表示第i个特征值所对应的特征向量；

4.5)根据测试数据样本的特征向量矩阵K和测试数据样本的特征量矩阵A，得到特征向量矩阵K的第一主元向量g，并将其作为轴承剩余寿命预测的特征量：

进一步，所述预设的剩余寿命终止值为采用PCA法得到的待测轴承全寿命周期数据的特征向量矩阵中第一主元变量的最大值。

进一步，所述步骤6)中根据得到的寿命预测值和预测步数以及预设的剩余寿命终止值和预测步数，对应输出轴承的剩余寿命，具体过程为：将得到的若干寿命预测值和预测步数与对应预设的剩余寿命终止值和预测步数进行对比，若任一寿命预测值大于剩余寿命终止值，则停止预测，输出此时的预测步数；若所有寿命预测值均小于剩余寿命终止值，且预测步数大于预设的预测步数，则输出待测轴承的剩余寿命L＝L₁-L₀；若所有寿命预测值均小于剩余寿命终止值，且预测步数不大于预设的预测步数，则输出待测轴承的剩余寿命L＝预测步数×数据间隔，其中，数据间隔表示待测轴承的运行状态数据获取的时间间隔。

进一步，所述预设的预测步数为300。

本发明由于采取以上技术方案，其具有以下优点：1、本发明采用分段计算的方式实现轴承全生命周期的剩余寿命预测，将轴承的全寿命周期分为两部分，即报警前的平稳段和报警后的性能衰减段，充分考虑了煤机工况对轴承剩余寿命的影响，使得煤机轴承寿命预测更加精准。2、本发明采用PCA法，将得到的测试数据样本的特征向量矩阵中的第一主元向量作为轴承剩余寿命预测的特征量，该第一主元向量是一个更抗干扰、更全面、更有效的轴承剩余寿命预测综合退化量指标，能够全面反映轴承的状态信息。3、本发明采用灰色预测GM(1，1)模型作为轴承性能衰减段的预测模型，具有输入有效样本数量少，预测精确的特点，可以广泛应用于煤机故障诊断领域中。

附图说明

图1是本发明方法的流程图；

图2是本发明中全寿命周期数据的峰值变化趋势曲线图；

图3是本发明中全寿命周期数据的第一主元向量变化趋势曲线图。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

如图1所示，本发明提供的轴承剩余寿命预测方法，包括以下步骤：

1)获取煤机设备中滚动轴承的运行状态数据，其中，运行状态数据包括测试数据样本和历史数据样本，测试数据样本为滚动轴承的振动加速度信号，样本采集的时间间隔可以为1天；历史数据样本为滚动轴承的全寿命周期数据。

2)计算测试数据样本的峰值指标，其中，峰值指标的计算可以采用现有技术公开的方法，在此不多做赘述。

3)将测试数据样本的峰值指标与预设的报警阈值进行对比，若测试数据样本的峰值指标小于预设的报警阈值的占比达到80％以上，则输出滚动轴承的剩余寿命，若测试数据样本的峰值指标小于预设的报警阈值的占比没有达到80％以上，即测试数据样本的峰值指标大于预设的报警阈值的占比达到20％以上，则进入步骤4)。

3.1)根据滚动轴承的全寿命周期数据，预先设定报警阈值。

如图2所示，在滚动轴承的全寿命周期数据中提取平稳段滚动轴承的n组振动历史数据，并求取其峰值，得到若干峰值Peak＝[p₁,p₂,…,p_n]，其中，p_i表示第i组振动历史数据的峰值。

计算上述若干峰值的平均值：

因此，可以设定报警阈值Alarm：

3.2)将测试数据样本的峰值指标与预设的报警阈值进行对比，若测试数据样本的峰值指标小于预设的报警阈值的占比达到80％以上，则输出滚动轴承的剩余寿命L：

L＝L₁-L₀

其中，L₁表示滚动轴承的额定寿命，该额定寿命应符合ISO281：2007标准(即滚动轴承额定动载荷和额定寿命标准)中对轴承额定寿命的定义，考虑了轴承润滑、工况、污染物和安装等因素的影响；L₀表示滚动轴承的使用时间，即滚动轴承的实际运行时间。

若测试数据样本的峰值指标大于预设的报警阈值的占比达到20％以上，则进入步骤4)。

4)获取测试数据样本的小波包熵指标、峭度指标、峰值指标、峰度指标和波形指标等特征指标，其中，获取测试数据样本的特征指标可以采用现有技术公开的方法，具体过程在此不多做赘述。

5)采用PCA(主元分析)法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量，通过PCA法，可以建立一个更抗干扰、更全面、更有效的轴承剩余寿命预测综合退化量指标，具体为：

5.1)假设有n个测试数据样本，每一测试数据样本提取m个特征量，则测试数据样本的特征量集为：

X_i＝(x_i1,x_i2,…x_im)

其中，X_i表示第i个测试数据样本的特征量集；x_im表示第i个测试数据样本的第m个特征指标。

测试数据样本的特征量集即可以表示为矩阵形式：

5.2)对测试数据样本的特征量矩阵A按列进行零均值处理，使得每一列的均值均为零，得到标准化矩阵A′。

5.3)计算标准化矩阵A′的协方差矩阵cov(A′)：

其中，表示标准化后的随机向量及其转置的协方差，可以按照如下公式计算：

其中，X和Y表示随机向量；N表示随机向量的长度。

5.4)计算协方差矩阵cov(A′)的特征值及其特征向量，并按照从大到小的顺序进行排列，构建测试数据样本的特征向量矩阵K：

其中，向量表示第i个特征值所对应的特征向量。

5.5)根据测试数据样本的特征向量矩阵K和测试数据样本的特征量矩阵A，得到特征向量矩阵K的第一主元向量g，并将其作为轴承剩余寿命预测的特征量：

6)采用灰色预测GM(1，1)模型，根据轴承剩余寿命预测的特征量，得到滚动轴承的若干寿命预测值，并记录预测步数。

采用灰色预测GM(1，1)模型的具体过程如下：

假设得到的数据序列可以表示为：

x＝{x(1),x(2)，…,x(n)}

其中，x(n)表示第n个数据。

对该数据序列进行一次累加处理，得到一个新的数据序列Y_n：

Y_n＝{X¹(1),X¹(2),…X¹(n)}

其中，一次累加为x_i表示第i个数据。

根据新的数据序列，建立GM(1，1)微分方程：

其中，a、u表示待估参数，令向量

采用下式求解向量

其中：

y_n＝[x(2),x(3),…x(n)]

因此，GM(1，1)微分方程的离散解可以表示为：

其中，表示累加处理后的预测值。

将累加处理后的预测值进行还原，得到预测值x(k+1)：

因此，本发明可以采用上述灰色预测GM(1，1)法，根据轴承剩余寿命预测的特征量，得到若干寿命预测值x(k+1)，并记录预测步数。

7)采用PCA法，根据滚动轴承的全寿命周期数据，预先设定滚动轴承的剩余寿命终止值。

选取滚动轴承的全寿命周期数据中性能衰减段的若干全寿命周期数据，按照上述步骤5)中PCA法的过程，根据滚动轴承的全寿命周期数据，得到全寿命周期数据的特征向量矩阵的第一主元变量g。选取第一主元变量g中的最大值作为滚动轴承的剩余寿命终止值，即滚动轴承的剩余寿命终止值＝max(g_i)。

8)将得到的若干寿命预测值和预测步数与对应预设的剩余寿命终止值和预测步数进行对比，若任一寿命预测值大于剩余寿命终止值，则停止预测，输出此时的预测步数；若所有寿命预测值均小于剩余寿命终止值，且预测步数大于预设的预测步数300，则输出滚动轴承的剩余寿命L＝L₁-L₀；若所有寿命预测值均小于剩余寿命终止值，且预测步数不大于预设的预测步数300，则输出滚动轴承的剩余寿命L＝预测步数×数据间隔，其中，数据间隔表示滚动轴承的运行状态数据获取的时间间隔。

下面通过某一煤矿主运胶带机的滚筒滚动轴承实测数据为具体实施例，详细说明本发明的轴承剩余寿命预测方法，其中，轴承的型号为23144CCK/W33，转速为69r/min，采样频率为4000Hz：

1)获取滚动轴承的全寿命周期数据100组，用于确定滚动轴承的报警阈值和剩余寿命终止值；获取滚动轴承的在线测试数据，每天选取1组数据作为测试数据样本，共计30组。

2)计算测试数据样本的峰值指标，如下表1所示：

表1：测试数据样本的峰值指标

组号	峰值	组号	峰值	组号	峰值
						1	4.01	11	3.75	21	9.76
2	6.11	12	7.17	22	9.93
						3	4.96	13	5.02	23	23.99
4	6.88	14	3.97	24	15.71
						5	8.20	15	3.01	25	12.00
6	3.86	16	5.52	26	10.71
						7	5.31	17	3.75	27	25.73
8	8.21	18	7.60	28	11.57
						9	5.86	19	13.86	29	24.51
10	4.70	20	21.28	30	6.95

3)根据滚动轴承的全寿命周期数据，设定报警阈值并将测试数据样本的峰值指标与预设的报警阈值进行对比，可以看出，峰值指标大于报警阈值的数量达到9个，占比为30％，因此，进入步骤4)。

4)获取测试数据样本的小波熵、峭度指标、峰值指标、峰度指标和波形指标五个特征指标，该特征指标可以按照如下表2所示的公式进行计算：

表2：各特征指标的表达式

采用上述表达式计算得到的测试数据样本的小波包熵指标、峭度指标、峰值指标、峰度指标和波形指标得到如下表3所示：

5)采用PCA法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量。

6)采用灰色预测GM(1，1)模型，根据轴承剩余寿命预测的特征量，对滚动轴承进行剩余寿命预测，得到若干寿命预测值，并记录预测步数为28。

7)采用PCA法，根据滚动轴承的全寿命周期数据，预先设定滚动轴承的剩余寿命终止值Val＝20。

8)将寿命预测值和预测步数n与对应预设的剩余寿命终止值和预测步数进行对比，由于最终寿命预测值小于剩余寿命终止值且剩余寿命预测共28次，显然预测步数远小于300，则按照公式L＝预测步数×数据间隔，计算滚动轴承的剩余寿命，预测步数为28，数据间隔为1天，因此，滚动轴承的剩余寿命L＝28×1＝28天。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims

1.一种轴承剩余寿命预测方法，其特征在于，包括以下步骤：

1)获取待测轴承的测试数据样本；

2)计算测试数据样本的峰值指标；

3)将测试数据样本的峰值指标与预设的报警阈值进行对比，若峰值指标小于预设的报警阈值占比达到预设的百分比，则输出待测轴承的剩余寿命；若峰值指标小于预设的报警阈值占比没有达到预设的百分比，则进入步骤4)；

4)采用PCA法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量；

5)采用灰色预测GM(1，1)模型，根据轴承剩余寿命预测的特征量，得到待测轴承的若干寿命预测值，并记录预测步数；

6)根据得到的寿命预测值和预测步数以及预设的剩余寿命终止值和预测步数，对应输出待测轴承的剩余寿命。

2.如权利要求1所述的一种轴承剩余寿命预测方法，其特征在于，所述测试数据样本为待测轴承的振动加速度信号。

3.如权利要求2所述的一种轴承剩余寿命预测方法，其特征在于，所述步骤3)的具体过程为：

3.1)根据待测轴承的全寿命周期数据，预先设定报警阈值；

3.2)将测试数据样本的峰值指标与预设的报警阈值进行对比，若测试数据样本的峰值指标小于预设的报警阈值的占比达到预设的百分比，则输出待测轴承的剩余寿命：

L＝L₁-L₀

其中，L₁表示待测轴承的额定寿命；L₀表示待测轴承的使用时间；

若测试数据样本的峰值指标大于预设的报警阈值的占比没有达到预设的百分比，则进入步骤4)。

4.如权利要求3所述的一种轴承剩余寿命预测方法，其特征在于，所述报警阈值为：

5.如权利要求3所述的一种轴承剩余寿命预测方法，其特征在于，所述预设的百分比为80％。

6.如权利要求1所述的一种轴承剩余寿命预测方法，其特征在于，所述步骤4)中采用PCA法，根据测试数据样本的特征指标，得到轴承剩余寿命预测的特征量，具体过程为：

4.1)假设有n个测试数据样本，每一测试数据样本提取m个特征量，则测试数据样本的特征量集矩阵为：

其中，X_i表示第i个测试数据样本的特征量集；x_im表示第i个测试数据样本的第m个特征指标；

4.2)对测试数据样本的特征量矩阵A按列进行零均值处理，使得每一列的均值均为零，得到标准化矩阵A′；

4.3)计算标准化矩阵A′的协方差矩阵cov(A′)：

其中，表示标准化后的随机向量及其转置的协方差；

4.4)计算协方差矩阵cov(A′)的特征值及其特征向量，并按照从大到小的顺序进行排列，构建测试数据样本的特征向量矩阵K：

其中，向量表示第i个特征值所对应的特征向量；

7.如权利要求1所述的一种轴承剩余寿命预测方法，其特征在于，所述预设的剩余寿命终止值为采用PCA法得到的待测轴承全寿命周期数据的特征向量矩阵中第一主元变量的最大值。

8.如权利要求3所述的一种轴承剩余寿命预测方法，其特征在于，所述步骤6)中根据得到的寿命预测值和预测步数以及预设的剩余寿命终止值和预测步数，对应输出轴承的剩余寿命，具体过程为：

将得到的若干寿命预测值和预测步数与对应预设的剩余寿命终止值和预测步数进行对比，若任一寿命预测值大于剩余寿命终止值，则停止预测，输出此时的预测步数；

若所有寿命预测值均小于剩余寿命终止值，且预测步数大于预设的预测步数，则输出待测轴承的剩余寿命L＝L₁-L₀；

若所有寿命预测值均小于剩余寿命终止值，且预测步数不大于预设的预测步数，则输出待测轴承的剩余寿命L＝预测步数×数据间隔，其中，数据间隔表示待测轴承的运行状态数据获取的时间间隔。

9.如权利要求1至8任一项所述的一种轴承剩余寿命预测方法，其特征在于，所述预设的预测步数为300。