CN111414703B - 一种滚动轴承剩余寿命预测方法及装置 - Google Patents

Abstract

本发明涉及一种滚动轴承剩余寿命预测方法及装置。其中方法包括：获取待预测滚动轴承的实时振动数据；以及同类滚动轴承的历史使用数据；将历史使用数据输入预先建立的加速退化时刻预测模型中得到每个时刻属于平稳退化阶段的第一概率以及每个时刻属于加速退化阶段的第二概率；若连续若干个时刻的第二概率大于第一概率，则确定加速退化时刻；进而得到平稳退化寿命预测模型和加速退化寿命预测模型；通过实时振动数据判断待预测滚动轴承所处的阶段，按照所处阶段的模型进行剩余寿命预测。本发明通过得到的加速退化时刻，找出非线性的临界点，在得到待预测滚动轴承的实时数据后，采用对应的模型进行寿命的预测，提高了寿命预测的准确性。

Description

一种滚动轴承剩余寿命预测方法及装置

技术领域

本发明涉及一种滚动轴承剩余寿命预测方法及装置，属于故障预测与健康管理技术领域。

背景技术

滚动轴承作为一种广泛应用于机械设备的基础零部件，是决定机械设备安全可靠运行的关键部件之一。根据相关的调查研究发现旋转机械中大概30％的机械故障是轴承失效的结果。机械故障不仅会造成经济损失，还可能导致灾难性的人员伤亡和环境污染，因此准确预测滚动轴承的剩余寿命对于保证机械设备安全可靠运行有重要的影响。

现有的滚动轴承剩余寿命预测方法有两种：1.用单一的退化模型对滚动轴承全寿命周期的振动信号进行建模分析，进而预测滚动轴承寿命；2.基于卡尔曼滤波进行剩余寿命的在线预测。然而由于滚动轴承的退化是非线性的，建立准确有效单一的的退化模型需要大量的训练数据，且对数据的要求较高，很难准确预测滚动轴承的剩余寿命；同时众所周知，卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，对于非线性的退化过程其状态方程难以建立，导致预测精度非常低，剩余寿命的预测不准确。

发明内容

本申请的目的在于提供一种滚动轴承剩余寿命预测方法及装置，用以解决现有技术剩余寿命预测不准确的问题。

为实现上述目的，本发明提出了一种滚动轴承剩余寿命预测方法的技术方案，包括以下步骤：

获取待预测滚动轴承的实时振动数据；以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史使用数据，所述历史使用数据包括已使用寿命、已使用寿命对应的振动数据；

将历史使用数据输入预先建立的加速退化时刻预测模型中，所述加速退化时刻预测模型中包括与平稳退化阶段对应的第一卡尔曼滤波器和与加速退化阶段对应的第二卡尔曼滤波器；

根据历史使用数据以及第一卡尔曼滤波器得到每个时刻属于平稳退化阶段的第一概率；根据历史使用数据以及第二卡尔曼滤波器得到每个时刻属于加速退化阶段的第二概率；

若连续若干个时刻第二概率大于第一概率，则根据这若干个时刻确定加速退化时刻；

根据加速退化时刻以前的历史使用数据得到平稳退化寿命预测模型，根据加速退化时刻以后的历史使用数据得到加速退化寿命预测模型；

通过实时振动数据判断待预测滚动轴承所处的阶段，若处于平稳退化阶段，则按照平稳退化寿命预测模型进行寿命预测；若处于加速退化阶段，则按照加速退化寿命预测模型进行寿命预测。

另外，本发明还提出了一种滚动轴承剩余寿命预测装置的技术方案，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述滚动轴承剩余寿命预测方法的技术方案。

本发明的滚动轴承剩余寿命预测方法及装置的技术方案的有益效果是：本发明通过历史使用数据、以及加速退化时刻预测模型找出历史数据中的加速退化时刻，以加速退化时刻为临界点，建立了平稳退化寿命预测模型和加速退化寿命预测模型，进而从待预测滚动轴承所处的阶段运用对应的模型进行预测。本发明的加速退化时刻预测模型，为了避免退化现象的非线性化，针对平稳退化和加速退化采用两个不同的卡尔曼滤波器，对比历史数据在这两个滤波器中的概率，进而得到加速退化时刻，也即找出非线性的临界点，对于线性的部分采用同一个模型进行寿命预测，在得到待预测滚动轴承的实时数据后，判断其现在处于哪个阶段，进而采用对应的模型进行寿命的预测，提高了寿命预测的准确性。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，为了提高加速退化寿命预测的准确性，所述加速退化寿命预测模型为随机效应指数模型，根据加速退化时刻以后的历史使用数据得到随机效应指数模型中的参数，对所述参数进行更新得到剩余寿命概率密度函数，进而对加速退化阶段的剩余寿命进行预测。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，为了提高随机效应指数模型中的参数更新的准确性，通过实时振动数据以及历史使用数据，利用贝叶斯算法更新所述随机效应指数模型中的参数。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，为了提高随机效应指数模型中参数估算的准确性，通过极大似然法求解随机效应指数模型中的参数。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，所述随机效应指数模型为：

其中，Y(t)为t时刻的振动数据；α为常数；θ和β为参数；ε(t)为误差项，是均值为0、方差为σ²的布朗运动。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，每个时刻属于各阶段的概率的计算过程为：

其中，

为t时刻下振动数据属于第i个卡尔曼滤波器的概率；Z_ij为第i个卡尔曼滤波器转移到第j个卡尔曼滤波器的概率；n为卡尔曼滤波器的数量；

为第i个卡尔曼滤波器的测量残差服从均值为0的正态分布的概率密度函数。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，所述剩余寿命概率密度函数的最高点为剩余寿命的估计值，剩余寿命概率密度函数为：

其中，f(t)为剩余寿命概率密度函数；

为标准正态分布的概率密度函数；

为t+t_k时刻服从正态分布的振动数据的均值；

为t+t_k时刻服从正态分布的振动数据的方差；D为失效阈值。

进一步的，上述滚动轴承剩余寿命预测方法及装置中，振动数据中包含多种特征值，因此所述振动数据包括从振动信号中提取的至少一个特征值。

附图说明

图1是本发明滚动轴承剩余寿命预测方法流程图；

图2是本发明滚动轴承退化曲线示意图；

图3-1是本发明轴承2-1整个生命周期利用加速退化时刻预测模型识别的退化状态结果；

图3-2是本发明轴承2-2整个生命周期利用加速退化时刻预测模型识别的退化状态结果；

图3-3是本发明轴承2-3整个生命周期利用加速退化时刻预测模型识别的退化状态结果；

图3-4是本发明轴承2-4整个生命周期利用加速退化时刻预测模型识别的退化状态结果；

图3-5是本发明轴承2-5整个生命周期利用加速退化时刻预测模型识别的退化状态结果；

图4是本发明滚动轴承剩余寿命预测装置的示意图。

具体实施方式

滚动轴承剩余寿命预测方法实施例：

本实施例提出的滚动轴承剩余寿命预测方法的主要构思在于，为了解决滚动轴承退化时的非线性过程带来的预测不准确的问题，基于获取的历史振动信号的特征值，利用加速退化时刻预测模型找出加速退化时刻，建立平稳退化寿命预测模型和加速退化寿命预测模型，进而根据待预测轴承所处的阶段运用不同的模型进行寿命预测。

具体的，滚动轴承剩余寿命预测方法如图1所示，包括以下步骤：

1)收集与待预测滚动轴承同类的滚动轴承整个生命周期的历史使用数据，历史使用数据包括已使用寿命、已使用寿命对应的振动信号。

为了减小个体差异，对于不同型号的滚动轴承运用不同的模型进行寿命预测，因此在建模时选用的历史使用数据对应的滚动轴承，应当与待预测的滚动轴承同类(也即同型号)。

对多个同型号的滚动轴承在相同的试验条件下进行全寿命周期试验，试验过程中周期性的采集滚动轴承工作过程中的振动信号，直至滚动轴承完全失效，获得多个滚动轴承的全寿命振动信号，每个振动信号都有其对应的已使用寿命。

2)从步骤1)的振动信号中提取能够有效表征滚动轴承退化的特征值。

为了实现剩余寿命的预测，从振动信号中提取表征滚动轴承退化的特征值，然而振动信号中包含多种数据，在表征退化的数据可以用其他数据进行计算得到的情况下，也可以提取其他特征值，本发明对此不做限制。

3)将步骤2)得到特征值以及每个特征值在步骤1)中对应的已使用寿命(也即特征值对应的当前时刻)输入预先建立的加速退化时刻预测模型中，找出加速退化时刻。

加速退化时刻预测模型用于将滚动轴承进入加速退化阶段的时刻找出，包括两个卡尔曼滤波器，也可以被表示为一个动态贝叶斯网络Switching Kalman Filters(SKF)；

两个卡尔曼滤波器包括用于预测某个时刻属于平稳退化概率的第一卡尔曼滤波器，适用于平稳退化阶段；以及预测某个时刻属于加速退化概率的第二卡尔曼滤波器，适用于加速退化阶段。SKF所输入的数据通过第一卡尔曼滤波器可以得到每个时刻属于平稳退化阶段的第一概率，通过第二卡尔曼滤波器可以得到每个时刻属于加速退化阶段的第二概率。

具体的卡尔曼滤波器的概率计算过程如下：

第一卡尔曼滤波器和第二卡尔曼滤波器都是基本的尔曼滤波器，其预测和更新过程如下：

预测过程为，状态预测：

协方差预测：

更新过程为，测量残差：

残差协方差：

卡尔曼增益：

状态更新：

协方差更新：

其中，y_t为t时刻监测到的特征值，

为t时刻估计的特征值，φ_t为t时刻的状态转移矩阵，

为φ_t的转置矩阵，H_t为t时刻的观测矩阵，

为H_t的转置矩阵，δ_t为t时刻的测量残差，C_t为t时刻的残差协方差，C_t ^-1为C_t的逆矩阵，K_t为t时刻的卡尔曼增益，Q_t为t时刻的过程噪声的方差，R_t为t时刻测量噪声的方差，

为协方差的估计值，I为单位矩阵，x_t为t时刻更新的估计的特征值，P_t为t时刻更新的协方差的估计值。

接着，第i个卡尔曼滤波器的测量残差服从均值为0的正态分布的概率密度函数Lⁱ _t为：

得到各个卡尔曼滤波器的概率为：

状态加权

协方差加权

其中，

为t时刻下特征值属于第i个卡尔曼滤波器的概率，Z_ij为第i个卡尔曼滤波器转移到第j个卡尔曼滤波器的概率，n为卡尔曼滤波器的数量，

为t时刻下第i个卡尔曼滤波器的测量残差，

为t时刻下第i个卡尔曼滤波器的残差协方差，

为t时刻第i个卡尔曼滤波器更新的状态，P_t ⁱ为t时刻第i个卡尔曼滤波器更新的协方差。将计算的状态加权和协方差加权带入上述卡尔曼滤波过程中，得到各时刻最可能的退化状态。

得到每个时刻的第一概率和第二概率后，若连续若干个时刻(若干个时刻一般选取5个时刻，当然若干个的数量可以根据需要进行设定)的第二概率大于第一概率，则将这若干个时刻的最前端的时刻作为加速退化时刻，当然作为其他实施方式，加速退化时刻也可以根据这若干个时刻进行计算得出，或者将这若干个时刻的最后端的时刻作为加速退化时刻，本发明对此不做限制。

4)根据步骤3)中得到的加速退化时刻前的历史使用数据建立与平稳退化阶段对应的平稳退化寿命预测模型，并且根据步骤3)中得到的加速退化时刻后的历史使用数据建立与加速退化阶段对应的加速退化寿命预测模型。

本实施例中，滚动轴承的退化曲线如图2所示，包括平稳的平稳退化状态和加速退化状态，从图中可以看出，加速退化曲线与指数函数曲线类似，因此加速退化寿命预测模型为随机效应指数模型，随机效应指数模型为：

其中，Y(t)为t时刻的振动数据(这里为滚动轴承的特征值)；α为常数；θ和β为参数(也即随机参数)；ε(t)为误差项，是均值为0、方差为σ²的布朗运动。

作为其他实施方式，加速退化模型可以是现有的任意一种模型，可以符合加速退化的过程即可，而且关于平稳退化模型，只是描述平稳退化的过程，也可以是现有的任意一种模型，本发明对此不做限制。

本实施例中，根据加速退化时刻以后的历史使用数据，利用极大似然法，得到随机效应指数模型中的参数，进而建立体现加速退化阶段的随机效应指数模型，作为其他实施方式，也可以通过其他方法得到随机效应指数模型中的参数，本发明对此不做限制。

5)获取待预测滚动轴承的实时振动信号，从实时振动信号中提取能够有效表征滚动轴承退化的特征值，并根据特征值和SKF判断待预测滚动轴承所处的阶段，判断的过程与步骤3)相同，只不过这里输入SKF的数据为实时特征值，因此这里不对其具体判定过程进行赘述。

作为其他实施方式，也可以采用其他方法判断待预测滚动轴承所处的阶段，例如：将实时特征值和历史使用数据中的特征值比较，也可以判断所处的阶段。本发明对如何判断待预测滚动轴承所处的阶段的方式并不做限制。

6)若待预测滚动轴承处于平稳退化阶段，则按照步骤4)中建立的平稳退化寿命预测模型进行平稳退化阶段的剩余寿命预测。

7)若待预测滚动轴承处于加速退化阶段，则按照步骤4)中建立随机效应指数模型进行加速退化阶段的剩余寿命预测。

本实施例中，利用随机效应指数模型进行加速退化阶段的剩余寿命预测的过程为：通过实时特征值以及历史使用数据，利用贝叶斯(Bayesian)算法更新随机效应指数模型中的随机参数θ和β，得到剩余寿命概率密度函数，将剩余寿命概率密度函数的最高点作为剩余寿命的估计值，进而对加速退化阶段的剩余寿命进行预测。

剩余寿命概率密度函数为：

f(t)＝φ(h(t))h'(t)；

其中，f(t)为剩余寿命概率密度函数；

为标准正态分布的概率密度函数；

为t+t_k时刻服从正态分布的振动数据(这里指从振动信号中提取的特征值)的均值；

为t+t_k时刻服从正态分布的振动数据的方差；D为失效阈值；为了简化剩余寿命概率密度的公式，此处将

定义为h(t)，h'(t)为h(t)对时刻t的求导。.

关于利用随机效应指数模型进行加速退化阶段的剩余寿命预测的过程为现有技术，本发明不做过多介绍。

作为其他实施方式，也可以采用现有技术中其他算法更新随机效应指数模型中的参数而得到剩余寿命概率密度函数，本发明对此不做限制。

以下通过一个具体的实施例对本发明的有效性和正确性进行验证。此次验证利用了在工况2的情况下使用的5个同型号的滚动轴承，分别为轴承2-1，轴承2-2，轴承2-3，轴承2-4，轴承2-5，这5个滚动轴承的历史使用数据集XJTU-SY是由西安交通大学(XJTU)设计科学与基础构件研究所和浙江长兴昇阳科技股份有限公司(SY)提供，并且为了减轻计算量，试验过程中每1min采集1.28s的振动信号，直至滚动轴承完全失效。

本发明将所有滚动轴承的退化状态分为平稳退化阶段和加速退化阶段，如图3-1、3-2、3-3、3-4、3-5所示，分别为5个滚动轴承的退化状态，每幅图的上下两部分为了便于比较共用一个横坐标，为退化时间，其中上部分的纵坐标为均方根，是根据真实的历史使用数据(均方根即为从历史使用的振动信号中提取的特征值)得到的滚动轴承的实际退化过程，下部分为根据SKF判断出的每个时刻所属于的阶段，其中纵坐标的数字1表明为平稳退化阶段，数字2表明为加速退化阶段，一般情况下，平稳退化之后为加速退化，是个依次退化的过程，但是由于数据的随机性及测量误差的影响，测量的数据中会出现退化状态1和2的切换。

本次验证将轴承2-1作为待预测的滚动轴承，轴承2-2，轴承2-3，轴承2-4，轴承2-5作为与待预测滚动轴承同型号的滚动轴承，为了验证简便，本发明直接选用加速退化时刻后的数据对加速退化的剩余寿命进行预测，因此通过SKF得到轴承2-2，轴承2-3，轴承2-4，轴承2-5的加速退化时刻，根据加速退化时刻后的历史使用数据，利用极大似然法得到的随机效应指数模型中的参数如表一所示：

表一 各轴承对应的随机效应指数模型中的参数

轴承	θ	β
			2-2	-0.0345	0.02
2-3	-0.2514	0.0075
			2-4	1.0682	0.1678
2-5	0.2412	0.0102

通过表一得到的随机参数，建立随机效应指数模型，对轴承2-1加速退化阶段进行剩余寿命的预测(轴承2-1所选取的数据都是加速退化时刻以后的数据，从轴承2-1的真实数据中看出，其加速退化时刻后的真实剩余寿命为36min)，其中假设随机效应指数模型中的参数为正态分布，根据实时监测到的轴承2-1的加速退化振动信号，根据贝叶斯算法对随机参数进形更新，得轴承2-1的后验分布参数，进而得到轴承2-1的加速退化阶段的剩余寿命的概率密度函数，本发明中确定滚动轴承的失效阈值D为其它4个轴承失效阈值D的平均值，将概率密度函数的最高点作为加速退化阶段剩余寿命的估计值，实现轴承2-1加速退化剩余寿命的预测，预测结果如表二所示，其中表二中还用现有技术中只利用Bayesian更新确定滚动轴承的剩余寿命分布的方法进行了对比。

表二 本发明的方法与现有技术的比较

通过表二可以看出，本发明的剩余寿命预测方法避免了非线性退化过程建模的困难，结合SKF和Bayesian理论，使得剩余寿命预测的准确性大大提高。

滚动轴承剩余寿命预测装置实施例：

本实施例提出的滚动轴承剩余寿命预测装置，如图4所示，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器在执行计算机程序时实现滚动轴承剩余寿命预测方法。

滚动轴承剩余寿命预测方法的具体实施过程以及效果在上述滚动轴承剩余寿命预测方法实施例中介绍，这里不做赘述。

也就是说，以上滚动轴承剩余寿命预测方法实施例中的方法应理解可由计算机程序指令实现滚动轴承剩余寿命预测方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等)，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。

本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置；

本实施例所指的存储器用于存储实现滚动轴承剩余寿命预测方法而形成的计算机程序指令，包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

通过上述存储有实现滚动轴承剩余寿命预测方法而形成的计算机程序指令的存储器、处理器构成的滚动轴承剩余寿命预测装置，在计算机中由处理器执行相应的程序指令来实现，计算机可使用windows操作系统、linux系统、或其他，例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

作为其他实施方式，滚动轴承剩余寿命预测装置还可以包括其他的处理硬件，如数据库或多级缓存、GPU等，本发明并不对滚动轴承剩余寿命预测装置的结构做具体的限定。

Claims (6)

1.一种滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：

获取待预测滚动轴承的实时振动数据；以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史使用数据，所述历史使用数据包括已使用寿命、已使用寿命对应的振动数据；

将历史使用数据输入预先建立的加速退化时刻预测模型中，所述加速退化时刻预测模型中包括与平稳退化阶段对应的第一卡尔曼滤波器和与加速退化阶段对应的第二卡尔曼滤波器；根据历史使用数据以及第一卡尔曼滤波器得到每个时刻属于平稳退化阶段的第一概率；根据历史使用数据以及第二卡尔曼滤波器得到每个时刻属于加速退化阶段的第二概率；每个时刻属于各阶段的概率的计算过程为：

其中，

为t时刻下振动数据属于第i个卡尔曼滤波器的概率；Z_ij为第i个卡尔曼滤波器转移到第j个卡尔曼滤波器的概率；n为卡尔曼滤波器的数量；

为第i个卡尔曼滤波器的测量残差服从均值为0的正态分布的概率密度函数；

若连续若干个时刻的第二概率大于第一概率，则根据这若干个时刻确定加速退化时刻；

根据加速退化时刻以前的历史使用数据得到平稳退化寿命预测模型，根据加速退化时刻以后的历史使用数据得到加速退化寿命预测模型；

通过实时振动数据判断待预测滚动轴承所处的阶段，若处于平稳退化阶段，则按照平稳退化寿命预测模型进行寿命预测；若处于加速退化阶段，则按照加速退化寿命预测模型进行寿命预测；所述加速退化寿命预测模型为随机效应指数模型，根据加速退化时刻以后的历史使用数据得到随机效应指数模型中的参数，对所述参数进行更新得到剩余寿命概率密度函数，进而对加速退化阶段的剩余寿命进行预测；所述剩余寿命概率密度函数的最高点为剩余寿命的估计值，剩余寿命概率密度函数为：

其中，f(t)为剩余寿命概率密度函数；

为标准正态分布的概率密度函数；

为t+t_k时刻服从正态分布的振动数据的均值；

为t+t_k时刻服从正态分布的振动数据的方差；D为失效阈值。

2.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，通过实时振动数据以及历史使用数据，利用贝叶斯算法更新所述随机效应指数模型中的参数。

3.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，通过极大似然法求解随机效应指数模型中的参数。

4.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述随机效应指数模型为：

其中，Y(t)为t时刻的振动数据；α为常数；θ和β为参数；σ²为方差；ε(t)为误差项，是均值为0、方差为σ²的布朗运动。

5.根据权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述振动数据包括从振动信号中提取的至少一个特征值。

6.一种滚动轴承剩余寿命预测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-5中任一项所述的滚动轴承剩余寿命预测方法。

Images