CN110232249B - 一种滚动轴承剩余寿命预测方法 - Google Patents

一种滚动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN110232249B
CN110232249B CN201910524558.2A CN201910524558A CN110232249B CN 110232249 B CN110232249 B CN 110232249B CN 201910524558 A CN201910524558 A CN 201910524558A CN 110232249 B CN110232249 B CN 110232249B
Authority
CN
China
Prior art keywords
life
rolling bearing
bearings
bearing
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910524558.2A
Other languages
English (en)
Other versions
CN110232249A (zh
Inventor
冯辅周
万安
吴春志
江鹏程
张丽霞
刘锋
丛华
何嘉武
朴相范
吴守军
陈汤
王杰
丁闯
姬龙鑫
王子涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN201910524558.2A priority Critical patent/CN110232249B/zh
Publication of CN110232249A publication Critical patent/CN110232249A/zh
Application granted granted Critical
Publication of CN110232249B publication Critical patent/CN110232249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种滚动轴承剩余寿命预测方法，通过训练多尺度卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的寿命进行预测，包括以下步骤：用多个未经使用的轴承，进行加速退化实验，获得其全寿命振动信号；利用反双曲正切函数将轴承的寿命转换为健康指标；建立多尺度卷积神经网络模型，用中获得的数据对模型进行训练；利用加速度传感器测量待预测寿命的滚动轴承的振动信号；将所得振动信号输入训练后的多尺度卷积神经网络模型，获得待预测寿命的滚动轴承的健康指标；将获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命。其目的在于提供一种复杂实际工况下，能够高效准确的预测滚动轴承剩余寿命的滚动轴承剩余寿命预测方法。

Description

一种滚动轴承剩余寿命预测方法
技术领域
本发明属于故障预测与健康管理领域，具体涉及一种滚动轴承剩余寿命预测方法。
背景技术
轴承在现代机械中应用非常广泛，根据轴承元件摩擦性质的不同，轴承可分为滚动轴承和滑动轴承，其中滚动轴承应用最多。滚动轴承的主要功能为对轴进行支撑，其工作状况对机械的安全稳定运行有很大影响，因此准确高效的轴承剩余寿命预测是保证机械持续良好运行的基础。
传统的滚动轴承寿命计算方法只在外部稳定载荷工况下有较好的准确度，但在实际机械运行中，其载荷情况多变，轴承工作情况很复杂，现有的计算方法很难准确预测轴承的剩余寿命。现有的滚动轴承剩余寿命预测方法，多基于卷积神经网络模型进行预测，当数据量较大时，其网络层数过多，会加大模型的训练难度，训练效率较低。此外，现有的轴承健康指标构建方法多是简单的直线型，不符合轴承的故障特性，导致滚动轴承的剩余寿命预测精度较低。
发明内容
本发明的目的在于提供一种复杂实际工况下，能够高效准确的预测滚动轴承剩余寿命的一种滚动轴承剩余寿命预测方法。
本发明的一种滚动轴承剩余寿命预测方法，通过训练多尺度卷积神经网络模型，用滚动轴承的振动信号对滚动轴承的寿命进行预测，包括以下步骤：
S1.用多个与待预测寿命的轴承同一型号的未经使用的轴承，分别进行加速退化实验，实验中每隔10秒或20秒采集一次轴承的振动信号，直至轴承完全失效，获得多个轴承的全寿命振动信号；
S2.利用反双曲正切函数将轴承的剩余寿命转换为其健康指标HI；
S3.建立多尺度卷积神经网络模型，其输入为轴承的振动信号，输出为轴承的健康指标，用步骤S1中获得的多个轴承的数据对多尺度卷积神经网络进行训练；
S4.利用加速度传感器测量待预测寿命的滚动轴承的振动信号；
S5.将步骤S4中测量得到的振动信号输入步骤S3训练后的多尺度卷积神经网络中，获得待预测寿命的滚动轴承的健康指标；
S6.用步骤S2中的反双曲正切函数将步骤S5中获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命。
本发明的有益效果如下：
本发明建立基于反双曲正切函数的轴承健康指标，利用滚动轴承的全寿命振动数据对建立的多尺度卷积神经网络模型进行训练，用训练后的模型来预测滚动轴承的剩余寿命。多尺度卷积神经网络模型可以有效提高模型的训练效率，基于反双曲正切函数的健康指标更加符合轴承的故障特性，能够有效提高滚动轴承剩余寿命的预测精度。
下面结合附图对本发明的一种滚动轴承剩余寿命预测方法作进一步详细说明。
附图说明
图1为本发明实施方法的示意图；
图2为基于反双曲正切函数构建的健康指标。
具体实施方式
参见图1，根据本发明的滚动轴承剩余寿命预测方法包括步骤：
S1.用多个与待预测寿命的轴承同一型号的未经使用的轴承，分别进行加速退化实验，实验中每隔10秒或20秒采集一次轴承的振动信号，直至轴承完全失效，获得多个轴承的全寿命振动信号；
S2.利用反双曲正切函数将轴承的剩余寿命转换为其健康指标HI；
S3.建立多尺度卷积神经网络模型，其输入为轴承的振动信号，输出为轴承的健康指标，用步骤S1中获得的多个轴承的数据对多尺度卷积神经网络进行训练；
S4.利用加速度传感器测量待预测寿命的滚动轴承的振动信号；
S5.将步骤S4中测量得到的振动信号输入步骤S3训练后的多尺度卷积神经网络中，获得待预测寿命的滚动轴承的健康指标；
S6.用步骤S2中的反双曲正切函数将步骤S5中获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命。
本发明建立基于反双曲正切函数的轴承健康指标，利用滚动轴承的全寿命振动数据对建立的多尺度卷积神经网络模型进行训练，用训练后的模型来预测滚动轴承的剩余寿命。多尺度卷积神经网络模型可以有效提高模型的训练效率，基于反双曲正切函数的健康指标更加符合轴承的故障特性，能够有效提高滚动轴承剩余寿命的预测精度。
在一实施例中，一般采用2-5个轴承进行加速退化实验。
在一实施例中，参见图2，步骤S3中的健康指标HI的构建过程如下：
对于一个全寿命周期为T的轴承，其工作到t时刻时，令
t'＝(2t/T-1)/1.02
a＝2×max(atanh(t'))
HI＝(t'+0.5×a)/a
其中t'是中间参数，参数a主导反双曲正切函数的平移和缩放，可根据不同轴承全寿命周期T的不同来选择参数a，使得健康指标HI落入[0,1]内。
在一实施例中，步骤S3中所述多尺度卷积神经网络模型，其卷积层中设置3个不同的尺度，每个尺度中卷积核进行不同移动步长的卷积计算。
最后补充如下：
卷积神经网络是一种现有的理论，是深度学习中常用的一种模型。它由输入层、多个卷积层和池化层、全连接层、输出层等组成，其中卷积层将来自前一层的输入与多个卷积核按照一定的步长进行卷积操作，进行特征提取。在本文中，在卷积神经网络的卷积层将单一尺度单一步长扩展为三个尺度三种步长，从而构成多尺度卷积神经网络，可提高特征提取的维度，从而提高模型训练的效率。

Claims (4)

1.一种滚动轴承剩余寿命预测方法，其特征在于：该方法包括以下步骤：
S1.用多个与待预测寿命的轴承同一型号的未经使用的轴承，分别进行加速退化实验，实验中每隔10秒或20秒采集一次轴承的振动信号，直至轴承完全失效，获得多个轴承的全寿命振动信号；
S2.利用反双曲正切函数将轴承的剩余寿命转换为其健康指标HI；
S3.建立多尺度卷积神经网络模型，其输入为轴承的振动信号，输出为轴承的健康指标，用步骤S1中获得的多个轴承的数据对多尺度卷积神经网络进行训练；
S4.利用加速度传感器测量待预测寿命的滚动轴承的振动信号；
S5.将步骤S4中测量得到的振动信号输入步骤S3训练后的多尺度卷积神经网络中，获得待预测寿命的滚动轴承的健康指标；
S6.用步骤S2中的反双曲正切函数将步骤S5中获得的健康指标转换为待预测寿命的滚动轴承的剩余寿命；
步骤S2中的健康指标HI的构建过程如下：
对于一个全寿命周期为T的轴承，其工作到t时刻时，令
t'＝(2t/T-1)/1.02
a＝2×max(atanh(t'))
HI＝(t'+0.5×a)/a
其中t'是中间参数，参数a主导反双曲正切函数的平移和缩放，根据不同轴承全寿命周期T的不同来选择参数a，使得健康指标HI落入[0,1]内。
2.根据权利要求1所述的一种滚动轴承剩余寿命预测方法，其特征在于：步骤S1所述加速退化实验，在10-20小时内使轴承加速退化，直至完全失效。
3.根据权利要求2所述的一种滚动轴承剩余寿命预测方法，其特征在于：在步骤S1中，采用2-5个轴承进行加速退化实验。
4.根据权利要求1或2或3所述的一种滚动轴承剩余寿命预测方法，其特征在于：步骤S3中所述多尺度卷积神经网络模型，其卷积层中设置3个不同的尺度，每个尺度中卷积核进行不同移动步长的卷积计算。
CN201910524558.2A 2019-06-17 2019-06-17 一种滚动轴承剩余寿命预测方法 Active CN110232249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910524558.2A CN110232249B (zh) 2019-06-17 2019-06-17 一种滚动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910524558.2A CN110232249B (zh) 2019-06-17 2019-06-17 一种滚动轴承剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN110232249A CN110232249A (zh) 2019-09-13
CN110232249B true CN110232249B (zh) 2023-04-18

Family

ID=67860044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910524558.2A Active CN110232249B (zh) 2019-06-17 2019-06-17 一种滚动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN110232249B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705181B (zh) * 2019-10-13 2022-06-24 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN110823575B (zh) * 2019-11-09 2021-03-16 北京工业大学 一种基于性能退化字典构造与相似性的轴承寿命预测方法
CN112990524A (zh) * 2019-12-16 2021-06-18 中国科学院沈阳计算技术研究所有限公司 基于残差修正的滚动轴承剩余寿命预测方法
CN111680446B (zh) * 2020-01-11 2022-11-15 哈尔滨理工大学 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法
CN111399474B (zh) * 2020-02-29 2021-05-14 中南大学 一种基于健康指标的均衡控制模块寿命预测方法及装置
CN111832216B (zh) * 2020-04-14 2022-07-12 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN111595583B (zh) * 2020-05-29 2022-02-01 重庆大学 基于gau神经网络的轴承剩余寿命的预测方法
CN112347571B (zh) * 2020-09-18 2022-04-26 中国人民解放军海军工程大学 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法
CN112231931B (zh) * 2020-11-04 2024-02-02 中国人民解放军陆军装甲兵学院 一种通过建立pfr模型的发动机寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021719A (zh) * 2016-05-19 2016-10-12 浙江工业大学 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法
WO2018071005A1 (en) * 2016-10-11 2018-04-19 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021719A (zh) * 2016-05-19 2016-10-12 浙江工业大学 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法
WO2018071005A1 (en) * 2016-10-11 2018-04-19 Hitachi, Ltd. Deep long short term memory network for estimation of remaining useful life of the components
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A multi-scale convolution neural network for featureless fault diagnosis;Jinjiang Wang等;《2016 International Symposium on Flexible Automation(ISFA)》;20161219;全文 *
基于Walker等效应变的涡轮盘低周疲劳寿命预测;张国乾等;《航空材料学报》;20131201(第06期);全文 *

Also Published As

Publication number Publication date
CN110232249A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232249B (zh) 一种滚动轴承剩余寿命预测方法
Lou et al. Machinery fault diagnosis based on domain adaptation to bridge the gap between simulation and measured signals
Zhao et al. Performance prediction using high-order differential mathematical morphology gradient spectrum entropy and extreme learning machine
CN110866314B (zh) 多层双向门控循环单元网络的旋转机械剩余寿命预测方法
CN113221277A (zh) 一种基于数字孪生模型的轴承性能退化评估方法及系统
CN110823561B (zh) 一种基于材料模型库的非稳态载荷下轧机传动轴系统关键件疲劳寿命实时监控的方法
CN102207998B (zh) 基于无失效数据的评估产品寿命及其可靠性的方法
CN106897904A (zh) 产品生命周期建模方法、装置及电子设备
CN111143934A (zh) 一种基于时间卷积网络的结构变形预测方法
CN111914490B (zh) 一种基于深度卷积随机森林自编码的泵站机组状态评价方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN114216682A (zh) 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN115879245A (zh) 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法
Kang et al. A dual-experience pool deep reinforcement learning method and its application in fault diagnosis of rolling bearing with unbalanced data
CN110543869A (zh) 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
Wenqiang et al. Remaining useful life prediction for mechanical equipment based on temporal convolutional network
CN117514649A (zh) 一种风电机组健康状态监测方法及装置
CN107956731A (zh) 电站空冷风机频率变化对机组背压参数影响的预测方法
CN116878839A (zh) 一种机械设备的寿命预测方法、装置、设备、存储介质
CN117010442A (zh) 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统
CN115563810A (zh) 丝杆寿命预测方法、装置、电子设备及可读存储介质
Wang et al. Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach
CN113168739B (zh) 用于检查至少一台车辆的方法以及电子计算装置
CN112990524A (zh) 基于残差修正的滚动轴承剩余寿命预测方法
CN114647904A (zh) 一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant