CN110276416A - 一种滚动轴承故障预测方法 - Google Patents

Abstract

一种滚动轴承故障预测方法，先获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，作去奇异值处理，提取时域特征、频域特征和时频域特征，再利用欧式距离对特征进行筛选，然后利用筛选的特征数据训练自适应核谱聚类异常诊断模型，然后利用筛选的特征数据训练深度长短期记忆循环神经网络模型；最后实时获取滚动轴承在线监测振动信号并去奇异值处理，提取上述筛选出来的特征，将特征输入到自适应核谱聚类异常诊断模型中，实现异常诊断，再以异常发生时间为起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络模型中，实现故障时间预测。本发明能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测。

Description

一种滚动轴承故障预测方法

技术领域

本发明涉及一种滚动轴承故障预测方法，尤其涉及一种基于自适应核谱聚类和深度长短期记忆循环神经网络的滚动轴承故障预测方法。

背景技术

滚动轴承是机械设备最常见的部件之一，其工作状态直接影响整个机械设备的可靠性与安全性。一旦滚动轴承出现故障，机械设备将会停转，出现功能丧失等各种异常现象，甚至造成重大安全事故。因此开展滚动轴承故障预测对于提高机械设备的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。

文献显示很多数据驱动的方法被用来实现滚动轴承的故障预测，例如支持向量机、人工神经网络等。虽然这些方法可以实现滚动轴承的故障预测，但是也存在两点问题。第一个问题，滚动轴承的退化过程大致可以分为健康阶段、异常阶段、和故障阶段。现有文献中方法大多从健康阶段开始进行故障预测，缺乏异常诊断过程。第二个问题，支持向量机、人工神经网络等方法仅仅是对输入数据和输出数据进行映射，无法对不同时刻的时间序列数据进行记忆。

发明内容

本发明要解决的技术问题是提供一种滚动轴承故障预测方法。

为了解决上述技术问题，本发明采取以下技术方案：

一种滚动轴承故障预测方法，包括以下步骤：

包括训练阶段和测试阶段；

训练阶段包括如下步骤：

步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；

步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；

步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；

步骤4：选取滚动轴承健康状态下的筛选特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；

步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM-RNN)模型；

测试阶段包括如下步骤：

步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；

步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；

步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；

步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。

所述步骤3中平均特征的计算公式如下：

其中，F^center表示平均特征，表示平均特征的第m个值，表示第l个提取的特征的第m个值，L表示提取的所有的时域特征、频域特征和时频域特征的总数，m表示采样点总数，l和m为自然数。

所述步骤3中所有提取的特征到平均特征的欧式距离计算公式如下：

所述步骤4中训练自适应核谱聚类(AKSC)异常诊断模型的过程如下：

随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集其中δ_i∈R^M表示任意的训练样本点，M表示筛选特征的数量，N_tr表示训练样本数量，函数用于将训练数据集F_tr从原始维度R^M映射到较高维度并得到特征矩阵为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化为：

得到初始核谱聚类模型，上式中，为模型参数，是全为1的向量，b_l表示偏置项，表示Kronecker乘积，表示在w⁽¹⁾,…,w^(k-1)跨越的空间中N_tr训练数据点的投影，D为过渡矩阵，γ^(l)表示正则化常数。

所述得到初始核谱聚类模型后，还进行校准操作，具体为：

随机选取部分滚动轴承健康状态下的筛选特征数据作为校准数据集其中δ_i∈R^M表示任意的校准样本点，M表示筛选特征的数量，N_ca表示训练样本数量，本征空间c_i,ca中每个校准数据的坐标计算如下：

其中K(·)是径向基函数核函数，α^(l)是权系数，K表示RBF核相似度函数，然后，根据聚类中心之间的欧氏距离和特征空间中数据点的位置，可计算δ_i,ca的聚类隶属度，确定数据点的聚类关系，当新的数据点进入时，聚类中心将被更新。

所述步骤8中，利用自适应核谱聚类(AKSC)异常诊断模型进行的滚动轴承异常诊断过程如下：

定义一个离群值指标OI来表示异常水平，并实时识别滚动轴承的异常行为，向训练好的自适应核谱聚类(AKSC)异常诊断模型中输入步骤7中获得的在线监测数据提取的特征的数据δ_i，其中δ_i∈R^M，M表示筛选特征的数量，异常值指标的计算公式如下：

其中OI表示数据δ_i与聚类中心之间的最大相似度值，K表示RBF核相似函数，C^s代表聚类中心，代表特征空间中的聚类中心，K_α(·)代表核函数的特征向量的余弦相似度函数，当OI指标低于给定的容限阈值时，表示当前的在线监测数据与正常状态有差异，即出现异常状态。

本发明具有以下有益效果：

1、本发明针对滚动轴承故障预测问题，基于AKSC和DLSTM-RNN建立了一种滚动轴承故障在线预测方法，能够对滚动轴承的故障时间进行实时精确预测，实现滚动轴承的故障实时监测，保障滚动轴承的安全、稳定、长周期运行。

2、本发明将时域、频域和时频域特征结合起来，达到更加广泛的特征提取，得到足够多的振动信号信息。

3、本发明应用一种新的基于欧氏距离的振动信号特征筛选方法，可以实现有效特征的筛选。

4、本发明应用一种新的基于AKSC的滚动轴承异常检测方法，可以在线快速精确实施滚动轴承异常检测，为故障预测确定预测起点。

5、与现有技术比较，本发明的滚动轴承故障预测方法能够提高轴承故障预测的准确性和有效性，为解决轴承故障诊断问题提供了一种新思路。

附图说明

图1本发明方法的流程图；

图2滚动轴承加速性能退化实验装置；

图3滚动轴承特征筛选结果图；

图4基于AKSC的滚动轴承异常检测结果。

具体实施方式

为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1，一种基于自适应核谱聚类和深度长短期记忆循环神经网络的滚动轴承故障预测方法包含训练阶段和测试阶段：

训练阶段包括如下步骤：

步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理。

步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征。

提取的时域特征共12个，包括：绝对平均值、均方根值、方根幅值、峰值、歪度、峭度、波形指标、峰值因子、脉冲因子、裕度因子、歪度因子、和峭度因子；

提取的频域特征共12个，包括如下的f f₁～f f₁₂。

其中，s(i)是振动信号经傅里叶变换得到的频谱，N为谱线数，f_i是第i条谱线的频率值。

提取的时频域特征是基于CEEMDAN方法的。CEEMDAN方法可以将滚动轴承的振动信号自适应的分解，得到若干个本征模态函数。通过计算各本征模态函数中的能量值来获得时频域特征，公式如下。

其中，E_i表示滚动轴承振动信号的第i个时频域特征，IMF_i(t)表示CEEMDAN分解振动信号得到的第i个本征模态函数，N表示滚动轴承振动信号中采样点个数。

步骤3：计算步骤2中提取的所有特征的平均特征，该平均特征的计算公式如下

其中，F^center表示平均特征，表示平均特征的第m个值，表示第l个提取的特征的第m个值，L表示所有提取特征的总数,m表示采样点总数，l和m为自然数。然后分别计算所有提取的特征到平均特征的欧式距离，将与平均特征的欧氏距离小于设定阈值的特征筛选出来。第l个提取的特征到平均特征的欧氏距离的计算公式如下

步骤4：选取滚动轴承健康状态下的筛选特征数据，即按照步骤1-3重新选取健康状态下的滚动轴承的相关特征数据，训练自适应核谱聚类(AKSC)异常诊断模型。训练自适应核谱聚类(AKSC)异常诊断模型过程如下：

随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集其中δ_i∈R^M表示任意的训练样本点，M表示筛选特征的数量，N_tr表示训练样本数量。函数用于将F_tr从原始维度R^M映射到较高维度并得到特征矩阵为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化，即该最小化的目标函数为：

其中为模型参数，是全为1的向量，b_l表示偏置项，表示Kronecker乘积，表示在w⁽¹⁾,w⁽²⁾,…,w^(k-1)跨越的空间中N_tr训练数据点的投影，D表示过渡矩阵，γ^(l)表示正则化常数，K表示RBF核相似度函数，即在空间中的投影。

得到初始阶段的核谱聚类模型后，接着是校准阶段。初始核谱聚类模型的参数自动更新，以便匹配未来的数据演进并最大化识别精度。随机选取部分滚动轴承健康状态下的筛选特征数据作为校准数据集其中δ_i∈R^M表示任意的校准样本点，M表示筛选特征的数量，N_ca表示训练样本数量。本征空间c_i,ca中每个校准数据的坐标计算如下：

其中K(·)是径向基函数核函数，α^(l)是权系数，K表示RBF核相似函数。然后，根据聚类中心之间的欧氏距离和特征空间中数据点的位置，可以计算δ_i,ca的聚类隶属度。确定数据点的聚类关系。当新的数据点进入时，聚类中心将被更新。

步骤5：利用步骤3中筛选的特征训练深度长短期记忆循环神经网络(DLSTM-RNN)模型。

测试阶段包括如下步骤：

步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理。

步骤7：针对滚动轴承在线监测振动信号，提取步骤3中筛选出来的特征。

步骤8：将步骤7中提取的特征输入训练好的AKSC模型,实现滚动轴承异常诊断。异常诊断过程如下：

定义一个离群值指标OI来表示异常水平，并实时识别滚动轴承的异常行为。向训练好的AKSC模型中输入步骤7中获得的在线监测数据提取的特征数据δ_i，其中δ_i∈R^M，M表示筛选特征的数量。异常值指标的计算公式如下：

其中OI表示数据点δ_i与聚类中心之间的最大相似度值。K表示RBF核相似函数，C^s代表聚类中心，代表特征空间中的聚类中心，K_α(·)代表核函数的特征向量的余弦相似度函数。一般情况下，当OI指标低于给定的容限阈值时，表示当前的在线监测数据与正常状态有较大的差异，即出现异常状态。

步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。

以下进行具体实施例验证。

使用美国威斯康辛-密尔沃基大学工业与制造工程系智能维护系统实验室的滚动轴承加速性能退化实验对本发明的有效性进行验证。

滚动轴承加速性能退化实验装置如图2所示，4个Rexnord ZA-2115双列滚子轴承(内圈直径：2.815英寸，滚子直径：0.331英寸，接触角：15.17°)串在一根轴上，轴由交流电机通过带传动驱动，转速维持在2000rmp，6000磅的径向力施加在轴上。轴承采用强制润滑，润滑系统通过流量和温度来调节润滑，磁性传感器安装在轴承润滑油回路，当磁性传感器吸附收集到的金属碎片超过设定值后，表明轴承已经失效，则停止试验。在信号检测方面，采用8个PCB 353B33高灵敏度石英加速度传感器安装在轴承座上，每个轴承相互垂直的安装两个加速度传感器。4个温度传感器安装在轴承外圈记录轴承润滑油温度用来考察润滑情况。振动信号通过DAQCarde-6062E数据采集卡采集，采样频率为20KHz，采集后的数据由LabVIEW软件收集。

实验数据集包含了3组实验，分别命名为：实验一、实验二和实验三。实验一中，当实验结束时，只有轴承3和轴承4出现故障。实验二中，当实验结束时，只有轴承1出现故障。因此实验二中轴承1的监测数据被选为训练数据，实验一轴承3的监测数据被选为测试数据。

基于上述设定以及获取的振动信号，本实验的具体验证过程如下：

首先，对训练数据进行去奇异值处理。

然后，对去奇异值处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征。

接着，计算提取的特征的平均特征，然后分别计算所有提取的特征到平均特征的欧式距离，根据欧式距离大小对提取的特征进行选择。滚动轴承特征筛选结果如图3所示，图中时域特征用字母tf表示，频域域特征用字母ff表示，时频域用字母IME表示，特征序号对应步骤2中提出的特征的序号。图中框格内未填充的特征代表距离平均特征欧氏距离小于阈值的特征，这些特征被筛选出来，包括IME8、IME11、IME9、ff6、ff10、ff12、tf3共8个，框格内填充的特征代表没有被筛选的特征。

下一步，选取滚动轴承健康状态下的筛选特征数据，训练自适应核谱聚类(AKSC)异常诊断模型。

接着，利用步骤3中筛选的特征训练深度长短期记忆循环神经网络(DLSTM-RNN)模型。

在测试阶段，针对测试数据，提取上述筛选出来的8个特征，包括IME8、IME11、IME9、ff6、ff10、ff12、tf3。然后提取的特征输入训练好的AKSC模型,实现滚动轴承异常诊断。异常诊断结果如图4所示，从图中可以看到，在1810个采样时间时，OI突变为零，且此时聚类关系中生成一种新的类，因此确定在1810个采样时间时滚动轴承发生异常。通过对比滚动轴承的特征发现，在1810个采样时间之前，特征的峰值偏小，而1810个采样时间之后，特征的峰值变大，这一结果证明了异常检测的准确性。

接着以1810采样时间为预测起点，将提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。最终预测的故障时间为2155.375采样时间。

为了验证本方法的优势，基于本方法的结果与现有技术中基于粒子滤波与神经模糊系统预测的预测方法、基于概率方法与支持向量机的预测方法、基于威布尔失效率函数和径向基函数神经网络的预测方法和基于关联向量机与逻辑回归的预测方法等四种方法进行了对比。预测的结果通过预测精度(Accuracy)指标来衡量。

Accuracy的表达公式如下：

其中，tr表示真实的故障时间，表示预测的故障时间。

表1展示了不同方法对比结果，从表中可以看到，本方法的预测效果明显优于其他四种方法。

表1不同方法对比结果

需要说明的是，以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但是凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种滚动轴承故障预测方法，包括以下步骤：

包括训练阶段和测试阶段；

训练阶段包括如下步骤：

步骤1：获取滚动轴承从正常状态到故障状态的全寿命历史监测振动信号，并对振动信号进行去奇异值处理；

步骤2：对步骤1处理后的滚动轴承振动信号进行特征提取，提取振动信号的时域特征、频域特征和时频域特征；

步骤3：计算步骤2中提取的所有特征的平均特征，然后分别计算所有提取的时域特征、频域特征和时频域特征到平均特征的欧式距离，根据每个特征的欧式距离大小对提取的特征进行选择，将与平均特征的欧氏距离小于设定阈值的特征筛选出来；

步骤4：选取步骤3中筛选的特征数据，训练自适应核谱聚类(AKSC)异常诊断模型；

步骤5：利用步骤3中筛选的特征数据训练深度长短期记忆循环神经网络(DLSTM-RNN)模型；

测试阶段包括如下步骤：

步骤6：实时获取滚动轴承在线监测振动信号并进行去奇异值处理；

步骤7：针对滚动轴承在线监测振动信号，采用步骤3所述方法，提取筛选得到的特征；

步骤8：将步骤7中提取的特征输入训练好的自适应核谱聚类(AKSC)异常诊断模型,实现滚动轴承异常诊断；

步骤9：以异常发生时间为起点，将步骤7中提取的特征输入到训练好的深度长短期记忆循环神经网络(DLSTM-RNN)模型中，实现故障时间预测。

2.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，所述步骤3中平均特征的计算公式如下：

其中，F^center表示平均特征，表示平均特征的第m个值，表示第l个提取的特征的第m个值，L表示提取的所有的时域特征、频域特征和时频域特征的总数，m表示采样点总数，l和m为自然数。

3.根据权利要求2所述的滚动轴承故障预测方法，其特征在于，所述步骤3中所有提取的特征到平均特征的欧式距离计算公式如下：

4.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，所述步骤4中训练自适应核谱聚类(AKSC)异常诊断模型的过程如下：

随机选取部分滚动轴承健康状态下的筛选特征数据作为训练数据集δ_i∈R^M表示任意的训练样本点，M表示筛选特征的数量，N_tr表示训练样本数量，函数 用于将训练数据集F_tr从原始维度R^M映射到较高维度并得到特征矩阵为了得到k个聚类，引入一个核谱聚类算法来使目标函数最小化，可以表示为：

上式中，为模型参数，是全为1的向量，b_l表示偏置项，表示Kronecker乘积，表示在w⁽¹⁾,…,w^(k-1)跨越的空间中N_tr训练数据点的投影，D为过渡矩阵，γ^(l)表示正则化常数，R表示实数，δ_i∈R^M表示δi是M维实数向量，利用上式得到模型为初始核谱聚类模型。

5.根据权利要求4所述的滚动轴承故障预测方法，其特征在于，所述得到初始核谱聚类模型后，还进行校准操作，具体为：

随机选取部分滚动轴承健康状态下的筛选特征数据作为校准数据集 其中δ_i,ca∈R^M表示任意的校准样本点，M表示筛选特征的数量，N_ca表示训练样本数量，本征空间c_i,ca中每个校准数据的坐标计算如下：

其中K(·)是径向基函数核函数，α^(l)是权系数，K表示RBF核相似度函数，然后，根据聚类中心之间的欧氏距离和特征空间中数据点的位置，可计算δ_i,ca的聚类隶属度，确定数据点的聚类关系，当新的数据点进入时，聚类中心将被更新。

6.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，所述步骤8中，利用自适应核谱聚类(AKSC)异常诊断模型进行的滚动轴承异常诊断过程如下：

定义一个离群值指标OI来表示异常水平，并实时识别滚动轴承的异常行为，向训练好的自适应核谱聚类(AKSC)异常诊断模型中输入步骤7中获得的在线监测数据提取的特征的数据δ_i，其中δ_i∈R^M，M表示筛选特征的数量，异常值指标的计算公式如下：

其中OI表示数据δ_i与聚类中心之间的最大相似度值，K表示RBF核相似度函数，C^s代表聚类中心，代表特征空间中的聚类中心，K_α(·)代表核函数的特征向量的余弦相似度函数，当OI指标低于给定的容限阈值时，表示当前的在线监测数据与正常状态有差异，即出现异常状态。