CN111062100A - 轴承剩余寿命预测模型建立方法及装置 - Google Patents
轴承剩余寿命预测模型建立方法及装置 Download PDFInfo
- Publication number
- CN111062100A CN111062100A CN201911311050.0A CN201911311050A CN111062100A CN 111062100 A CN111062100 A CN 111062100A CN 201911311050 A CN201911311050 A CN 201911311050A CN 111062100 A CN111062100 A CN 111062100A
- Authority
- CN
- China
- Prior art keywords
- time
- service life
- bearing
- domain
- vibration signal
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种轴承剩余寿命预测模型建立方法,包括:在样本轴承的运行寿命中,采集所述样本轴承的至少一使用寿命的振动信号;针对每一使用寿命的振动信号,获取所述振动信号的时域特征和时频域特征;针对每一使用寿命的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。
Description
技术领域
本申请属于机器学习算法领域,具体地说,涉及一种轴承剩余寿命预测模型建立方法及装置。
背景技术
随着科技水平的不断进步,电机已被广泛应用到各个领域的离散产线。轴承是电机设备最重要的部件之一,也是电机设备中最容易损坏的部件之一,因此,轴承的运行状态直接影响到整台电机的工作性能。轴承由于运行时间过长,负荷压力过大,再加上各种外部环境的各种影响,很容易出现故障问题。如果不能及时的进行判断和处理,就会使电机无法正常运转,将会导致整个设备以及整个产线无法正常工作,影响设备的生产效率和产线的排产能力,从而给企业带来无法估量的损失。
其中,轴承的剩余寿命预测技术是非常重要的,准确预测其剩余寿命,可以为预测性维护维修决策提供依据,延长电机的生产周期,提高生产效率。
但是,目前行业内并没有一种方案能够用于轴承的剩余寿命预测。因此有必要提供一种轴承的剩余寿命预测方案。
发明内容
有鉴于此,本申请所要解决的技术问题是提供了一种轴承剩余寿命预测模型建立方法及装置,以实现预测轴承的剩余寿命。
为了解决上述技术问题,本申请公开了一种轴承剩余寿命预测模型建立方法,包括:
在样本轴承的运行寿命中,采集所述样本轴承的至少一使用寿命的振动信号;
针对每一使用寿命的振动信号,获取所述振动信号的时域特征和时频域特征;
针对每一使用寿命的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。
可选的,轴承剩余寿命预测模型建立方法还包括:
采集待预测轴承的当前使用寿命的振动信号,所述待预测轴承与样本轴承为安装在同一类型机器上的相同轴承;
针对每一当前使用寿命的振动信号,获取所述当前使用寿命的振动信号的时域特征和时频域特征,并在当前使用寿命的振动信号的时域特征和时频域特征与当前使用寿命之间的相关性大于相关性阈值时,将所述当前使用寿命的振动信号的时域特征和时频域特征输入所述剩余寿命预测模型,输出所述待预测轴承的当前使用寿命与平均运行寿命的比值,依据所述当前使用寿命与平均运行寿命的比值以及平均运行寿命,确定所述待预测轴承的剩余寿命。
可选的,所述时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,所述时频域特征包括频带能量。
可选的,所述振动信号包括X轴方向信号和Y轴方向信号,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。
可选的,时域特征和时频域特征与使用寿命之间的相关性ρXY通过如下公式获得:
其中:Cov(X,Y)是X和Y的协方差,D(X)和D(Y)分别为X和Y的方差。
为解决上述技术问题,本申请还公开了一种轴承剩余寿命预测模型建立装置,包括:
采集单元,用于在样本轴承的运行寿命中,采集所述样本轴承的至少一使用寿命的振动信号;
特征获取单元,用于针对每一使用寿命的振动信号,获取所述振动信号的时域特征和时频域特征;
训练特征提取单元,用于针对每一使用寿命的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用之间的相关性,在所述时域特征和时频域特征与所述使用之间的相关性大于相关性阈值时,将所述时域特征和时频域特征作为训练特征;
训练单元,用于以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。
可选的,轴承剩余寿命预测模型建立装置还包括:剩余寿命计算单元,其中,
所述采集单元,还用于采集待预测轴承的当前使用寿命的振动信号,所述待预测轴承与样本轴承为安装在同一类型机器上的相同轴承;
所述特征获取单元,还用于针对每一当前使用寿命的振动信号,获取所述当前使用寿命的振动信号的时域特征和时频域特征;
所述训练特征提取单元,还用于当前使用寿命的振动信号的时域特征和时频域特征与当前使用之间的相关性大于相关性阈值时,将所述当前使用寿命的振动信号的时域特征和时频域特征输入所述剩余寿命预测模型,剩余寿命预测模型输出所述待预测轴承的当前使用寿命与平均运行寿命的比值;
剩余寿命计算单元,用于依据所述当前使用寿命与平均运行寿命的比值以及平均运行寿命,确定所述待预测轴承的剩余寿命。
可选的,所述时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,所述时频域特征包括频带能量。
可选的,所述振动信号包括X轴方向信号和Y轴方向信号,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。
可选的,时域特征和时频域特征与使用寿命之间的相关性ρXY通过如下公式获得:
其中:Cov(X,Y)是X和Y的协方差,D(X)和D(Y)分别为X和Y的方差。
与现有技术相比,本申请可以获得包括以下技术效果:
本申请实施例实现了一种轴承剩余寿命预测模型建立方法及装置,由于建立模型及应用模型时采集的都是轴承运行时的振动信号,该振动信号能够准确地反映轴承的运行状态,因此依据振动信号建立的剩余寿命预测模型能够更为客观、准确地预测轴的剩余寿命。。
当然,实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请某些实施例提供一种轴承剩余寿命预测模型建立方法的流程示意图;
图2是本申请某些实施例提供一种轴承剩余寿命预测方法的流程示意图;
图3是本申请某些实施例提供的轴承剩余寿命预测模型建立装置示意图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
为能较为准确地预测轴承的剩余寿命,本申请实施例提供一种用于预测轴承剩余寿命的模型,应用该模型,可以预测轴承的剩余寿命。为此,在某些实施例中,本申请提供一种轴承剩余寿命预测模型建立方法,请参阅图1,该方法包括步骤100-104。
在步骤100、在样本轴承的运行寿命中,采集样本轴承的至少一使用寿命的振动信号。
为能准确预测样本轴承的寿命,本申请实施例会采集样本轴承的整个运行寿命的振动信号。在本申请实施例中,轴承的运行寿命是指轴承从运行开始到完全停止运行的时间长度,轴承的使用寿命是指轴承从运行开始到采集这一时刻的时间长度,轴承的当前使用寿命是指轴承从运行开始到当前时刻的时间长度。
在一实施例中,样本轴承内圈转速为1800rpm,载荷为4kN,采样频率为25.6kHz,每次的采样长度为2560(时长为0.1s),每隔10s采样一次。
在步骤102、针对每一使用寿命的振动信号,获取振动信号的时域特征和时频域特征。
在一实施例中,时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,时频域特征包括频带能量。
具体的,假设每个采样周期内振动信号序列为S=(s1,s2,L,stL,sT),T是信号长度,则上述各时域特征通过以下公式得到。
峰峰值:sp-p=max(st)-min(st)
同时,可以采用10阶Daubechies离散正交小波db10对采集的振动信号进行3层小波包分解,得到8个频带的分解信号,对不同频带的分解信号求取频带能量,从而得到该振动信号的频带能量。
在一可选的实施例中,样本轴承的原始振动信号可能含有较多的噪声,获取的振动信号的特征绘制成曲线会有许多毛刺,为了得到一条相对平滑的曲线,采用Savitzky-Golay滤波器对特征进行降噪处理。
在步骤104、针对每一使用寿命的振动信号的时域特征和时频域特征,计算时域特征和时频域特征与使用之间的相关性,在时域特征和时频域特征与使用之间的相关性大于相关性阈值时,以时域特征和时频域特征作为机器学习算法的输入,样本轴承的使用寿命与运行寿命的比值作为输出,训练机器学习算法,获得剩余寿命预测模型。
为能提高剩余寿命预测结果的准确率,因此针对振动信号的时域特征和时频域特征,需要提取与轴承使用寿命相关性较大的特征。当特征与轴承使用寿命之间的相关性大于相关性阈值时,该特征被保留,否则被剔除。在一个实施例中,相关性阈值可以为0.89。该相关性阈值为经验值,可依据应用情况具体设置。
在本申请实施例中,利用相关系数法计算特征与使用寿命的相关性ρXY,采用的公式具体如下:
其中:Cov(X,Y)是X和Y的协方差,D(X)和D(Y)分别为X和Y的方差。
应当理解,该相关性用于表示特征与轴承使用寿命之间的相关性,通过推理可知,该相关性同样可以表示特征与轴承剩余寿命或与模型输出值之间的相关性。
在获取到与轴承使用寿命之间相关性较大的时域特征和时频域特征时,将时域特征和时频域特征输入机器学习算法,以样本轴承的使用寿命与运行寿命的比值作为输出,训练机器学习算法,获得剩余寿命预测模型。
在一实施例中,采用的机器学习算法可以是随机森林算法,也可以是支持向量机、GBDT等算法。以随机森林算法为例,在进行模型训练时,使用10折交叉验证对算法各使用参数进行设定,本方案中随机森林的弱分类器个数为50。支持向量机、GBDT等算法的参数设置及训练过程均可采用现有方案,在此不再赘述。
在一个可选的实施例中,振动信号包括X轴方向信号和Y轴方向信号,分别通过X轴方向的加速度传感器和Y轴方向的加速度传感器采集,也可以通过三维传感器采集,采集的方案本申请不作特别限定,只要能够采集到X轴方向信号和Y轴方向信号即可。相应的,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。针对X轴的时域特征及X轴的时频域特征,可以采用前面振动信号所采用的公式获得,只要把各公式中的振动信号替换成X轴方向信号即可。同埋,针对Y轴的时域特征及Y轴的时频域特征,可以采用前面振动信号所采用的公式获得,只要把各公式中的振动信号替换成Y轴方向信号即可。
以上为剩余寿命预测模型的建立过程。由于建立模型及应用模型时采集的都是轴承运行时的振动信号,该振动信号能够准确地反映轴承的运行状态,因此依据振动信号建立的剩余寿命预测模型能够更为客观、准确地预测轴的剩余寿命。
待剩余寿命预测模型建立好,就可以应用该剩余寿命预测模型预测与样本轴承为安装在同一类型机器上的相同轴承的剩余寿命。具体的应用过程如图2所示,包括步骤200-206。
在步骤200、采集待预测轴承的当前使用寿命的振动信号,待预测轴承与样本轴承为安装在同一类型机器上的相同轴承。
采集信号的过程可以参阅前述步骤100,在此不再赘述。
在步骤202、针对每一当前使用寿命的振动信号,获取当前使用寿命的振动信号的时域特征和时频域特征。
该过程可以参阅前述步骤102,在此不再赘述。
在步骤204、针对每一当前使用寿命的振动信号,在当前使用寿命的振动信号的时域特征和时频域特征与当前使用寿命之间的相关性大于相关性阈值时,将当前使用寿命的振动信号的时域特征和时频域特征输入剩余寿命预测模型,输出待预测轴承的当前使用寿命与平均运行寿命的比值。
步骤204中输入剩余寿命预测模型的特征的选择过程可以参阅前述步骤104,在此不再赘述。值得注意的是,步骤204输出的是待预测轴承的当前使用寿命与平均运行寿命的比值,平均运行寿命是训练时使用的多个样本轴承的运行寿命的平均值。
本申请实施例提供一种轴承剩余寿命预测模型建立方法,通过获取样本轴的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。待剩余寿命预测模型建立好,就可以应用该剩余寿命预测模型预测与样本轴承为安装在同一类型机器上的相同轴承的剩余寿命。由于建立模型及应用模型时采集的都是轴承运行时的振动信号,该振动信号能够准确地反映轴承的运行状态,因此依据振动信号建立的剩余寿命预测模型能够更为客观、准确地预测轴的剩余寿命。
请参阅图3,本申请还公开了一种轴承剩余寿命预测模型建立装置,包括采集单元300、特征获取单元301、训练特征提取单元302以及训练单元303,各单元的功能描述具体如下。
采集单元300,用于在样本轴承的运行寿命中,采集样本轴承的至少一使用寿命的振动信号。
特征获取单元301,用于针对每一使用寿命的振动信号,获取振动信号的时域特征和时频域特征。
训练特征提取单元302,用于针对每一使用寿命的振动信号的时域特征和时频域特征,计算时域特征和时频域特征与使用寿命之间的相关性,在时域特征和时频域特征与剩余寿命之间的相关性大于相关性阈值时,将时域特征和时频域特征作为训练特征。
训练单元303,用于以时域特征和时频域特征作为机器学习算法的输入,样本轴承的使用寿命与运行寿命的比值作为输出,训练机器学习算法,获得剩余寿命预测模型。
可选的,轴承剩余寿命预测模型建立装置还包括:剩余寿命计算单元,其中,
采集单元300,还用于采集待预测轴承的当前使用寿命的振动信号,待预测轴承与样本轴承为安装在同一类型机器上的相同轴承。
特征获取单元301,还用于针对每一当前使用寿命的振动信号,获取当前使用寿命的振动信号的时域特征和时频域特征。
训练特征提取单元302,还用于当前使用寿命的振动信号的时域特征和时频域特征与当前使用寿命之间的相关性大于相关性阈值时,将当前使用寿命的振动信号的时域特征和时频域特征输入剩余寿命预测模型,剩余寿命预测模型输出待预测轴承的当前使用寿命与平均运行寿命的比值。
剩余寿命计算单元,用于依据当前使用寿命与平均运行寿命的比值以及平均运行寿命,确定待预测轴承的剩余寿命。
可选的,时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,时频域特征包括频带能量。
可选的,振动信号包括X轴方向信号和Y轴方向信号,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。
可选的,时域特征和时频域特征与使用寿命之间的相关性ρXY通过如下公式获得:
其中:Cov(X,Y)是X和Y的协方差,D(X)和D(Y)分别为X和Y的方差。
本申请实施例提供一种轴承剩余寿命预测模型建立方法及装置,通过获取样本轴的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。待剩余寿命预测模型建立好,就可以应用该剩余寿命预测模型预测与样本轴承为安装在同一类型机器上的相同轴承的剩余寿命。由于建立模型及应用模型时采集的都是轴承运行时的振动信号,该振动信号能够准确地反映轴承的运行状态,因此依据振动信号建立的剩余寿命预测模型能够更为客观、准确地预测轴的剩余寿命。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种轴承剩余寿命预测模型建立方法,其特征在于,包括:
在样本轴承的运行寿命中,采集所述样本轴承的至少一使用寿命的振动信号;
针对每一使用寿命的振动信号,获取所述振动信号的时域特征和时频域特征;
针对每一使用寿命的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
采集待预测轴承的当前使用寿命的振动信号,所述待预测轴承与样本轴承为安装在同一类型机器上的相同轴承;
针对每一当前使用寿命的振动信号,获取所述当前使用寿命的振动信号的时域特征和时频域特征,并在当前使用寿命的振动信号的时域特征和时频域特征与当前使用寿命之间的相关性大于相关性阈值时,将所述当前使用寿命的振动信号的时域特征和时频域特征输入所述剩余寿命预测模型,输出所述待预测轴承的当前使用寿命与平均运行寿命的比值,依据所述当前使用寿命与平均运行寿命的比值以及平均运行寿命,确定所述待预测轴承的剩余寿命。
3.根据权利要求1或2所述的方法,其特征在于,所述时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,所述时频域特征包括频带能量。
4.根据权利要求1或2所述的方法,其特征在于,所述振动信号包括X轴方向信号和Y轴方向信号,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。
6.一种轴承剩余寿命预测模型建立装置,其特征在于,包括:
采集单元,用于在样本轴承的运行寿命中,采集所述样本轴承的至少一使用寿命的振动信号;
特征获取单元,用于针对每一使用寿命的振动信号,获取所述振动信号的时域特征和时频域特征;
训练特征提取单元,用于针对每一使用寿命的振动信号的时域特征和时频域特征,计算所述时域特征和时频域特征与所述使用寿命之间的相关性,在所述时域特征和时频域特征与所述使用寿命之间的相关性大于相关性阈值时,将所述时域特征和时频域特征作为训练特征;
训练单元,用于以所述时域特征和时频域特征作为机器学习算法的输入,所述样本轴承的使用寿命与运行寿命的比值作为输出,训练所述机器学习算法,获得剩余寿命预测模型。
7.根据权利要求6所述的装置,其特征在于,还包括:剩余寿命计算单元,其中,
所述采集单元,还用于采集待预测轴承的当前使用寿命的振动信号,所述待预测轴承与样本轴承为安装在同一类型机器上的相同轴承;
所述特征获取单元,还用于针对每一当前使用寿命的振动信号,获取所述当前使用寿命的振动信号的时域特征和时频域特征;
所述训练特征提取单元,还用于当前使用寿命的振动信号的时域特征和时频域特征与当前使用寿命之间的相关性大于相关性阈值时,将所述当前使用寿命的振动信号的时域特征和时频域特征输入所述剩余寿命预测模型,剩余寿命预测模型输出所述待预测轴承的当前使用寿命与平均运行寿命的比值;
剩余寿命计算单元,用于依据所述当前使用寿命与平均运行寿命的比值以及平均运行寿命,确定所述待预测轴承的剩余寿命。
8.根据权利要求6或7所述的装置,其特征在于,所述时域特征包括方差、均方根值、峰峰值、偏度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标中的至少一项,所述时频域特征包括频带能量。
9.根据权利要求6或7所述的装置,其特征在于,所述振动信号包括X轴方向信号和Y轴方向信号,振动信号的时域特征包括X轴的时域特征和Y轴的时域特征,振动信号的时频域特征包括X轴的时频域特征和Y轴的时频域特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311050.0A CN111062100A (zh) | 2019-12-18 | 2019-12-18 | 轴承剩余寿命预测模型建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311050.0A CN111062100A (zh) | 2019-12-18 | 2019-12-18 | 轴承剩余寿命预测模型建立方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062100A true CN111062100A (zh) | 2020-04-24 |
Family
ID=70302200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911311050.0A Pending CN111062100A (zh) | 2019-12-18 | 2019-12-18 | 轴承剩余寿命预测模型建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062100A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931625A (zh) * | 2020-08-03 | 2020-11-13 | 浙江大学 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
CN112053009A (zh) * | 2020-09-30 | 2020-12-08 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN113107831A (zh) * | 2021-03-01 | 2021-07-13 | 中国神华能源股份有限公司国华电力分公司 | 给水泵的状态及寿命监测方法、装置、设备及存储介质 |
CN113553759A (zh) * | 2021-06-17 | 2021-10-26 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
CN114117655A (zh) * | 2020-08-28 | 2022-03-01 | 西门子股份公司 | 用于估计轴承的剩余使用寿命的系统、装置和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
JP2019074060A (ja) * | 2017-10-19 | 2019-05-16 | 日本精工株式会社 | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
-
2019
- 2019-12-18 CN CN201911311050.0A patent/CN111062100A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
JP2019074060A (ja) * | 2017-10-19 | 2019-05-16 | 日本精工株式会社 | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム |
CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
Non-Patent Citations (2)
Title |
---|
董绍江: "基于优化支持向量机的空间滚动轴承寿命预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
裴洪 等: "基于机器学习的设备剩余寿命预测方法综述", 《机械工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931625A (zh) * | 2020-08-03 | 2020-11-13 | 浙江大学 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
CN111931625B (zh) * | 2020-08-03 | 2022-07-19 | 浙江大学 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
CN114117655A (zh) * | 2020-08-28 | 2022-03-01 | 西门子股份公司 | 用于估计轴承的剩余使用寿命的系统、装置和方法 |
CN112053009A (zh) * | 2020-09-30 | 2020-12-08 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN112053009B (zh) * | 2020-09-30 | 2023-08-01 | 华人运通(江苏)技术有限公司 | 一种故障预测方法、装置、系统及存储介质 |
CN113107831A (zh) * | 2021-03-01 | 2021-07-13 | 中国神华能源股份有限公司国华电力分公司 | 给水泵的状态及寿命监测方法、装置、设备及存储介质 |
CN113107831B (zh) * | 2021-03-01 | 2023-02-28 | 中国神华能源股份有限公司国华电力分公司 | 给水泵的状态及寿命监测方法、装置、设备及存储介质 |
CN113553759A (zh) * | 2021-06-17 | 2021-10-26 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
CN113553759B (zh) * | 2021-06-17 | 2024-04-30 | 浙江工业大学之江学院 | 水泵剩余使用寿命预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062100A (zh) | 轴承剩余寿命预测模型建立方法及装置 | |
US9989439B2 (en) | Method and data processing device for severity assessment of bearing defects using vibration energy | |
CN110108486B (zh) | 轴承故障预测方法、设备及系统 | |
Ilonen et al. | Diagnosis tool for motor condition monitoring | |
CN112346941A (zh) | 一种故障诊断方法及装置 | |
CN110487549A (zh) | 轴承故障识别方法、装置、计算机设备及存储介质 | |
Kappaganthu et al. | Feature selection for fault detection in rolling element bearings using mutual information | |
KR100254121B1 (ko) | 시계열 데이타 식별 장치 및 방법 | |
CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
CN113421586B (zh) | 梦呓识别方法、装置和电子设备 | |
CN112362368A (zh) | 列车牵引电机的故障诊断方法、装置、系统和可读介质 | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
Gu et al. | Fault diagnosis of spindle device in hoist using variational mode decomposition and statistical features | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
US10742535B2 (en) | Monitoring a resource consumption of an application | |
CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 | |
US20160179168A1 (en) | Electronic device and method for detecting power usage of electronic device | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
JP2019144102A (ja) | 信号解析システム、方法およびプログラム | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |