CN111458149B - 一种滚动轴承性能及使用寿命的预测方法及系统 - Google Patents
一种滚动轴承性能及使用寿命的预测方法及系统 Download PDFInfo
- Publication number
- CN111458149B CN111458149B CN202010484840.5A CN202010484840A CN111458149B CN 111458149 B CN111458149 B CN 111458149B CN 202010484840 A CN202010484840 A CN 202010484840A CN 111458149 B CN111458149 B CN 111458149B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- sequence
- energy
- modal decomposition
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明公开一种滚动轴承性能及使用寿命的预测方法及系统。所述滚动轴承性能及使用寿命的预测方法包括计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵,并判断变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,对变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列;并利用变分模态分解后的相对能量熵的指标,对滚动轴承性能及使用寿命进行预测。本发明大大减小了经济和时间成本,运维效率较高。
Description
技术领域
本发明涉及滚动轴承性能分析技术领域,特别是涉及一种滚动轴承性能及使用寿命的预测方法及系统。
背景技术
滚动轴承是机械设备动力传递和运行支撑的关键部件,其工作状态正常与否直接影响设备的安全运行。一般来说,滚动轴承在经过长时间的运行后,疲劳磨损、振动冲击等因素会引发其性能状态逐渐改变,导致设备运行状态的不平稳,从而造成事故的发生。目前,滚动轴承为关键部件的机械设备维修多以定期检查、故障事后维修为主,这种方式不仅需要耗费大量的经济和时间成本,而且运维效率相当低下,无法实现滚动轴承性能退化趋势的预测,因此迫切需要改进。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种滚动轴承性能及使用寿命的预测方法及系统,用于解决现有技术中的多以定期检查、故障事后维修为主,这种方式不仅需要耗费大量的经济和时间成本,而且运维效率相当低下,无法实现滚动轴承性能退化趋势的预测的问题。
为实现上述目的及其他相关目的,本发明提供一种滚动轴承性能及使用寿命的预测方法,包括:
S1、利用加速度振动传感器获取运行工况下的滚动轴承的全寿命周期的振动信号,并将所述振动信号作为分析信号;
S2、对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布;
S3、对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布;
S4、计算分析信号的各个本征模态分量的总能量;
S5、计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵;
S6、判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列;
S7、对所述时间序列模型定阶,以自适应选取时间序列模型阶数;
S8、根据所述时间序列模型,建立时间序列训练模型;
S9、利用所述时间序列训练模型对变分模态分解后的相对能量熵的指标进行预测,以预测下一时刻的变分模态分解后的相对能量熵的数据;
S10、利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测。
在本发明的一实施例中,步骤S2中的对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布的步骤包括:
S21、对前n组采集的分析信号y(t)进行变分模态分解,其中,t=1,2,3,...,N,N表示样本数目,以得到n组K个本征模态分量的能量序列;
在本发明的一实施例中,步骤S3中的对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布的步骤包括:
对每一组所述分析信号y(t)进行变分模态分解,其中,t=1,2,3,...,N,N表示样本数目,以得到分析信号滚动轴承的本征模态分量的能量分布 表示分析信号滚动轴承信号均值后的第K个本征模态分量的能量值。
在本发明的一实施例中,步骤S4中的所述分析信号的各个本征模态分量的总能量为其中,k=1,2,3,...,N,t=1,2,3,...,N,N表示样本数目,表示分析信号滚动轴承的本征模态分量能量分布,Enor表示正常滚动轴承的本征模态分量能量分布。
在本发明的一实施例中,步骤S6中的判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理包括:
判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列;
若是,则不对所述变分模态分解后的相对能量熵的序列进行处理;
若否,则对所述变分模态分解后的相对能量熵的序列进行处理,以使其达到时间序列模型要求的平稳序列。
在本发明的一实施例中,对所述变分模态分解后的相对能量熵的序列进行处理包括进行对数变换或差分运算。
在本发明的一实施例中,步骤S8中的根据所述时间序列模型,建立时间序列训练模型的步骤包括:
根据所述时间序列模型训练时间序列模型,以得到初始训练模型;
对所述初始训练模型统计检验,以判断所述初始训练模型的残差序列是否存在一阶自相关性,以验证训练到的模型是否合理,若不合理,需进行进一步优化。
在本发明的一实施例中,步骤S10中的利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测的步骤包括:
S101、以滚动轴承正常运行时的数据的正态分布的误差设定阈值预警线;
S102、如果所述变分模态分解后的相对能量熵的指标在所述阈值预警线的范围内,则将预测的下一时刻的变分模态分解后的相对能量熵的数据更新在已有的历史数据中,并重复执行步骤S3~步骤S9操作;
S103、如果所述变分模态分解后的相对能量熵的指标未所述阈值预警线的范围内,则进行报警,表示滚动轴承发生退化故障。
本发明还提供一种滚动轴承性能及使用寿命的预测系统,包括:
加速度振动传感器,用于获取运行工况下的滚动轴承的全寿命周期的振动信号,并将所述振动信号作为分析信号;
变分模态分解设备,用于对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布;
所述变分模态分解设备,用于对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布;
第一计算器,用于计算分析信号的各个本征模态分量的总能量;
第二计算器,用于计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵;
判断器,用于判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列;
定阶设备,用于对所述时间序列模型定阶,以自适应选取时间序列模型阶数;
训练器,用于根据所述时间序列模型,建立时间序列训练模型;
第一预测设备,用于利用所述时间序列训练模型对变分模态分解后的相对能量熵的指标进行预测,以预测下一时刻的变分模态分解后的相对能量熵的数据;
第二预测设备,用于利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测。
如上所述,本发明的一种滚动轴承性能及使用寿命的预测方法及系统,具有以下有益效果:
本发明的滚动轴承性能及使用寿命的预测方法结合了VMD和相对熵分析各自的优点,利用相对熵可以反映两个概率分布的相似度的能力,分析VMD分解后的IMF分量的能量特征分布情况,构建了一种能够监测滚动轴承性能退化状态的指标,为滚动轴承性能退化趋势预测提供了支撑数据。本发明大大减小了经济和时间成本,而且运维效率较高,能够实现滚动轴承性能退化趋势的预测。
本发明采用HQ准则对ARMA模型参数进行定阶,保证模型拟合精度和合适复杂度的前提下,实现了ARMA模型参数的自适应选取,避免了人为选取的主观影响。
本发明采用变分模态分解对振动信号进行分解,有效解决了EMD方法中存在的模态混叠和端点效应的缺陷。
本发明结合正态分布所设定阈值预警线,是以原有数据为基础,能有效监测滚动轴承的异常指标变化,其方法简单、效果明显,在不同工况下都具有很好地实践价值。
附图说明
图1为本申请一个实施例提供的一种滚动轴承性能及使用寿命的预测方法的工作流程图。
图2为本申请又一个实施例提供的一种滚动轴承性能及使用寿命的预测方法的工作流程图。
图3为本申请实施例提供的一种滚动轴承性能及使用寿命的预测系统的结构示意图。
图4为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的IMF分量能量分布示意图。(a)为IMF分量为100组的示意图,(b)为IMF分量为200组的示意图,(c)为IMF分量为300组的示意图,(d)为IMF分量为400组的示意图,(e)为IMF分量为500组的示意图,(f)为IMF分量为550组的示意图。
图5为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的构建的滚动轴承VMD-REE指标性能退化趋势图。
图6为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承VMD-REE指标一阶差分平稳图。
图7为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的HQ准则定阶ARMA模型参数热图。
图8为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承全寿命周期性能退化趋势预测图。
图9为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承全寿命周期性能退化趋势预测局部放大图。
元件标号说明
1 加速度振动传感器
2 变分模态分解设备
3 第一计算器
4 第二计算器
5 判断器
6 定阶设备
7 训练器
8 第一预测设备
9 第二预测设备
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1、图2,图1为本申请一个实施例提供的一种滚动轴承性能及使用寿命的预测方法的工作流程图。图2为本申请又一个实施例提供的一种滚动轴承性能及使用寿命的预测方法的工作流程图。本发明提供一种滚动轴承性能及使用寿命的预测方法,所述滚动轴承性能及使用寿命的预测方法结合了变分模态分解(variational modedecomposition,VMD)和相对熵分析各自的优点,利用相对熵可以反映两个概率分布的相似度的能力,分析VMD分解后的本征模态分量(intrinsic mode function,IMF)的能量特征分布情况,构建了一种能够监测滚动轴承性能退化状态的指标,为滚动轴承性能退化趋势预测提供了支撑数据。
如图2所示,变分模态分解(variational mode decomposition,VMD)是一种最新的自适应信号频率分解方法。该方法相对于经验模态分解(EMD)方法有着本质的不同,不再采用包络拟合再筛分的方式分离模态分量,而是通过循环迭代寻找约束变量问题的最优解来判别各谐波分量的中心频率与带宽,从而能够将分析信号的各个频率成分自适应的剥离,VMD方法的优势在于分解精度较高,能够从低信噪比的原始信号中筛选出包含敏感故障特征信息的本征模态分量(intrinsic mode function,IMF)。
如图2所示,自回归移动平均(auto regression moving average,ARMA)模型是一种对时间序列分析的模型,可以获取信号的时变特性,利用变量自身的历史数据和随机误差对当前值进行建模,能够准确地表达系统潜在的客观规律。ARMA模型参数过多虽然会提高其拟合精度,但这会使其复杂度增大,从而影响计算机处理速度,造成工程实践价值降低。考虑模型的复杂度与拟合效果,引入HQ(Hannan-Quinn定阶)准则,在保证拟合模型精度和复杂度时,寻找最佳的平衡点来取得最小值,进而确定模型的最佳阶次,其定义如下:其中:D为表征权重的常数,一般取D>2。
如图1所示,所述滚动轴承性能及使用寿命的预测方法包括:步骤S1、利用加速度振动传感器获取运行工况下的滚动轴承的全寿命周期的振动信号,并将所述振动信号作为分析信号。具体的,所述分析信号为y(t),t=1,2,3,...,N,N表示样本数目。
如图1所示,步骤S2、对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布。具体的,为了进一步消除滚动轴承前期磨合不完全和装配不当等因素造成的随机信号误差的影响,描述出滚动轴承正常数据的真实分布,对前n组采集到的分析信号y(t)进行VMD分解,得到n组K个本征模态分量的能量序列,取其均值计算出此工况下正常滚动轴承的能量分布表达式为其中,T表示分析信号长度,IMFk(i)表示变分模态分解得到的第k个本征模态分量。
如图1所示,步骤S3、对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布。具体的,对每一组所述分析信号y(t)进行变分模态分解,以得到分析信号滚动轴承的本征模态分量的能量分布 表示分析信号滚动轴承信号均值后的第K个本征模态分量的能量值。
如图1所示,步骤S4、计算分析信号的各个本征模态分量的总能量。具体的,所述分析信号的各个本征模态分量的总能量为其中,k=1,2,3,...,N,t=1,2,3,...,N,N表示样本数目,表示分析信号滚动轴承的能量分布,Enor表示正常滚动轴承的能量分布。
如图1所示,步骤S5、计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵。具体的,每组分析信号的本征模态分量的能量占各个本征模态分量的总能量的比值为:正常滚动轴承的本征模态分量的能量占各个本征模态分量的总能量的比值为:变分模态分解后的相对能量熵(relative energy entropy,REE)为:
如图1所示,步骤S6、判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列。具体的,可以但不限于利用ADF方法判断相对能量熵的序列的平稳性,由于ARMA模型只能处理平稳的时间序列,使用ARMA模型时先要对待测序列进行ADF(augmented Dickey-Fuller)方法检验,判断待测序列是否为平稳的时间序列,若待检测序列为不平稳的时间序列,则需对序列进行对数变换或差分运算,使其变为ARMA模型能够处理的平稳的随机序列。
如图1所示,步骤S7、对所述时间序列模型定阶,以自适应选取时间序列模型阶数。具体的,可以但不限于利用HQ准则对ARMA模型定阶,实现参数p、q的自适应选取。
如图1所示,步骤S8、根据所述时间序列模型,建立时间序列训练模型。具体的,根据所述时间序列模型训练时间序列模型,以得到初始训练模型。对所述初始训练模型统计检验,以判断所述初始训练模型的残差序列是否存在一阶自相关性,以验证训练到的模型是否合理,若不合理,需进行进一步优化。可以选取VMD-REE序列训练ARMA模型,对得到的ARMA训练模型进行DW统计量检验,判断模型残差序列是否存在一阶自相关性。
如图1所示,步骤S9、利用所述时间序列训练模型对变分模态分解后的相对能量熵的指标进行预测,以预测下一时刻的变分模态分解后的相对能量熵的数据。
如图1所示,步骤S10、利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测。具体的,包括S101、以滚动轴承正常运行时的数据的正态分布的误差设定阈值预警线。S102、如果所述变分模态分解后的相对能量熵的指标在所述阈值预警线的范围内,则将预测的下一时刻的变分模态分解后的相对能量熵的数据更新在已有的历史数据中,并重复执行步骤S3~步骤S9操作。S103、如果所述变分模态分解后的相对能量熵的指标未所述阈值预警线的范围内,则进行报警,表示滚动轴承发生退化故障。可以但不限于以滚动轴承正常运行时的数据的正态分布的3σ的误差设定阈值预警线,如果预测的VMD-REE指标数据在阈值范围内,则将实测数据的VMD-REE值更新在已有的历史数据中,重复步骤S3~S9操作,可以实现模型的单步动态预测,若ARMA模型预测到的VMD-REE指标持续超出预警线,则给出报警,此时表明滚动轴承发生早期退化故障。
请参阅图3,图3为本申请实施例提供的一种滚动轴承性能及使用寿命的预测系统的结构示意图。与本发明的一种滚动轴承性能及使用寿命的预测方法原理相似的是,本发明还提供一种滚动轴承性能及使用寿命的预测系统,包括但不限于加速度振动传感器1、变分模态分解设备2、第一计算器3、第二计算器4、判断器5、定阶设备6、训练器7、第一预测设备8、第二预测设备9。所述加速度振动传感器1、变分模态分解设备2、第一计算器3、第二计算器4、判断器5、定阶设备6、训练器7、第一预测设备8、第二预测设备9依次连接,最终通过所述第二预测设备9输出预测的滚动轴承性能及使用寿命。
如图1、2所示,相对熵(relative entropy,RE),是描述两个概率分布P和Q之间变化差异的非对称性度量,P为数据的真实概率分布,Q为数据的理论概率分布或P的近似概率分布。设P(x),Q(x)是随机变量X的两个概率分布函数,在离散情况下,P对Q的相对熵为:相对熵是两个概率分布的不对称性度量,当两个随机分布差异越小时,相对熵的值越小,两个分布差异越大时,相对熵的值也会越大。所以相对熵可以衡量两个信号之间的相似度,来评估两信号之间的相对熵值大小。
如图1、2所示,ARMA模型是一种典型的时间序列模型,其由两部分组成:AR(自回归过程)和MA(移动平均过程)。AR模型是用变量自身的历史数据对自身进行预测,描述当前值与历史值的关系。MA模型是AR模型中的误差项的累积,来消除预测中的随机波动。因此,ARMA模型的一般式可表示为其中,μ表示常数项,γi表示自相关系数,εt表示误差,θi表示误差系数,p和q表示模型阶数。实验验证数据来自发动机主轴轴承试验机上采集的滚动轴承疲劳寿命试验数据。试验轴承选用型号为NU1010单列圆柱滚子轴承,参数如表1所示。
表1:
如表1所示,试验工况为:转速2000rpm、载荷25kN,以20480Hz的采样频率每隔3min采集一次振动信号,采样时间1s。整个试验过程持续了28.5h,共得到565组信号,每组信号包含20480个数据点,试验结束后拆卸检验,发现滚动轴承滚子和内圈严重磨损。
请参阅图4,图4为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的IMF分量能量分布示意图。(a)为IMF分量为100组的示意图,(b)为IMF分量为200组的示意图,(c)为IMF分量为300组的示意图,(d)为IMF分量为400组的示意图,(e)为IMF分量为500组的示意图,(f)为IMF分量为550组的示意图。利用VMD方法处理信号时需要预先设定模态分量K的个数,然而实际信号复杂多变,对于一组滚动轴承的性能退化数据,K值呈递减趋势。为了更好地从轴承性能退化数据中提取有效信息,取前期滚动轴承正常信号,计算VMD各IMF分量与原始信号的谱相关系数,确定VMD参数K=10,处理原始振动信号得到10个IMF分量,选取样本数据第100、200、300、400、500、550组IMF分量的能量分布情况,分布情况如图2所示,对应的IMF能量值如表2所示。
表2:
如图4所示,可以看出样本数据第100、200、300、400组4组滚动轴承振动数据的各IMF分量的幅值虽然略有变化,但总体变化不大,且能量分布情况大致相同;与第500、550组2组相比,能量幅值变化程度剧烈,且与前4组能量分布有着很大不同,运用相对熵可以分析其性能退化状态。
请参阅图5,图5为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的构建的滚动轴承VMD-REE指标性能退化趋势图。运用上述方法对滚动轴承全寿命周期数据建立了一个有效监测轴承性能退化的指标序列,在图5中可以看出,第440组采样点之前,振动信号的VMD-REE指标近似为0,说明此状态下IMF分量的能量分布相似程度较高,轴承处于正常运行阶段;在采样点440~538组阶段,振动信号的VMD-REE指标不断增大,慢慢偏离轴承正常阶段表现出的数值,说明此阶段IMF分量的能量分布与正常轴承的IMF分量的能量分布发生比较明显的变化,说明此时轴承运行状态发生了较大变化,轴承出现早期故障,并且程度不断加深;在采样点538组之后,振动信号的VMD-REE指标急剧增大,远远超过正常值,说明此阶段IMF分量的能量分布已完全偏离正常状态下的能量分布,轴承磨损不断加剧,以致后期完全失效。由此可知,振动信号的VMD-REE指标能够指示轴承运行状态变化,可以很好地监测轴承的异常变化。
请参阅图6、图7,图6为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承VMD-REE指标一阶差分平稳图。图7为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的HQ准则定阶ARMA模型参数热图。利用得到的VMD-REE轴承性能退化指标进行ARMA模型预测。得到的VMD-REE指标可以明显看出序列中包含不平稳趋势项成分,时间序列为非平稳序列。为方便ARMA模型预测,首先将数据进行对数处理然后进行一阶差分处理,变换后VMD-REE指标序列转变为可被ARMA模型处理的平稳时间序列,如图6所示,然后对一阶差分后的VMD-REE指标序列利用HQ定阶准则自动选取ARMA模型的p和q参数,其结果如图7所示,选取最小的HQ值,得到ARMA模型的参数为(1,3)。利用DW检验模型的残差序列,得到DW=2.01,残差序列可看作为白噪声,所以认为获得的ARMA(1,3)模型是合适的。
请参阅图8、图9,图8为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承全寿命周期性能退化趋势预测图。图9为本申请实施例提供的一种滚动轴承性能及使用寿命的预测方法的滚动轴承全寿命周期性能退化趋势预测局部放大图。取前80%试验数据,进行ARMA模型训练预测,并对下一时刻数据进行预测,并与给定的正态分布3σ判定阈值进行比较,如果下一时刻预测值在阈值范围内,则把实测数据不断更新在已有的数据中,实现ARMA模型的单步动态趋势预测;若下一时刻预测值超出阈值预警线,则给出故障报警,并进行故障检测,其结果如图8所示。图9可以看出,在早期滚动轴承故障阶段VMD-REE指标的预测值与实际值变化趋势基本一致,建立的ARMA模型预测值在样本数据第460组超过阈值预警线,此时给出故障报警,此时相较于滚动轴承后期失效(第565组)提前了约315min给出报警。虽然在450~460之间有部分超出阈值预警线,但此时的指标是存在上下波动情况,说明此时滚动轴承的早期故障实际情况并不明显,且并不影响轴承的正常运行,在第460组之后才真正超出阈值预警线,为消除误报的影响,本发明方法在试验数据第460组给出预警是合理的,可以达到相当不错的效果。
综上所述,本发明的滚动轴承性能及使用寿命的预测方法结合了VMD和相对熵分析各自的优点,利用相对熵可以反映两个概率分布的相似度的能力,分析VMD分解后的IMF分量的能量特征分布情况,构建了一种能够监测滚动轴承性能退化状态的指标,为滚动轴承性能退化趋势预测提供了支撑数据。本发明大大减小了经济和时间成本,而且运维效率较高,能够实现滚动轴承性能退化趋势的预测。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种滚动轴承性能及使用寿命的预测方法,其特征在于,包括:
S1、利用加速度振动传感器获取运行工况下的滚动轴承的全寿命周期的振动信号,并将所述振动信号作为分析信号;
S2、对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布;
S3、对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布;
S4、计算分析信号的各个本征模态分量的总能量;
S5、计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵;
S6、判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列;
具体步骤包括:
判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列;
若是,则不对所述变分模态分解后的相对能量熵的序列进行处理;
若否,则对所述变分模态分解后的相对能量熵的序列进行处理,以使其达到时间序列模型要求的平稳序列;S7、对所述时间序列模型定阶,以自适应选取时间序列模型阶数;
S8、根据所述时间序列模型,建立时间序列训练模型;
S9、利用所述时间序列训练模型对变分模态分解后的相对能量熵的指标进行预测,以预测下一时刻的变分模态分解后的相对能量熵的数据;
S10、利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测。
6.根据权利要求1所述的一种滚动轴承性能及使用寿命的预测方法,其特征在于:对所述变分模态分解后的相对能量熵的序列进行处理包括进行对数变换或差分运算。
7.根据权利要求1所述的一种滚动轴承性能及使用寿命的预测方法,其特征在于,步骤S8中的根据所述时间序列模型,建立时间序列训练模型的步骤包括:
根据所述时间序列模型训练时间序列模型,以得到初始训练模型;
对所述初始训练模型统计检验,以判断所述初始训练模型的残差序列是否存在一阶自相关性,以验证训练到的模型是否合理,若不合理,需进行进一步优化。
8.根据权利要求1所述的一种滚动轴承性能及使用寿命的预测方法,其特征在于,步骤S10中的利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测的步骤包括:
S101、以滚动轴承正常运行时的数据的正态分布的误差设定阈值预警线;
S102、如果所述变分模态分解后的相对能量熵的指标在所述阈值预警线的范围内,则将预测的下一时刻的变分模态分解后的相对能量熵的数据更新在已有的历史数据中,并重复执行步骤S3~步骤S9操作;
S103、如果所述变分模态分解后的相对能量熵的指标未在所述阈值预警线的范围内,则进行报警,表示滚动轴承发生退化故障。
9.一种滚动轴承性能及使用寿命的预测系统,其特征在于,包括:
加速度振动传感器,用于获取运行工况下的滚动轴承的全寿命周期的振动信号,并将所述振动信号作为分析信号;
变分模态分解设备,用于对多组所述分析信号进行变分模态分解,以得到正常滚动轴承的本征模态分量的能量分布;
所述变分模态分解设备,用于对每一组所述分析信号进行变分模态分解,以得到每组分析信号的本征模态分量的能量分布;
第一计算器,用于计算分析信号的各个本征模态分量的总能量;
第二计算器,用于计算每组分析信号的本征模态分量能量值、正常滚动轴承的本征模态分量能量值分别占各个本征模态分量的总能量的比值,以得到变分模态分解后的相对能量熵;
判断器,用于判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列,以对所述变分模态分解后的相对能量熵的序列进行处理,使其达到时间序列模型要求的平稳序列;
具体步骤包括:
判断所述变分模态分解后的相对能量熵的序列是否达到时间序列模型要求的平稳序列;
若是,则不对所述变分模态分解后的相对能量熵的序列进行处理;
若否,则对所述变分模态分解后的相对能量熵的序列进行处理,以使其达到时间序列模型要求的平稳序列;
定阶设备,用于对所述时间序列模型定阶,以自适应选取时间序列模型阶数;
训练器,用于根据所述时间序列模型,建立时间序列训练模型;
第一预测设备,用于利用所述时间序列训练模型对变分模态分解后的相对能量熵的指标进行预测,以预测下一时刻的变分模态分解后的相对能量熵的数据;
第二预测设备,用于利用所述变分模态分解后的相对能量熵的指标,以对滚动轴承性能及使用寿命进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484840.5A CN111458149B (zh) | 2020-06-01 | 2020-06-01 | 一种滚动轴承性能及使用寿命的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484840.5A CN111458149B (zh) | 2020-06-01 | 2020-06-01 | 一种滚动轴承性能及使用寿命的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111458149A CN111458149A (zh) | 2020-07-28 |
CN111458149B true CN111458149B (zh) | 2022-03-01 |
Family
ID=71681433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010484840.5A Active CN111458149B (zh) | 2020-06-01 | 2020-06-01 | 一种滚动轴承性能及使用寿命的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458149B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608018A (zh) * | 2021-06-30 | 2021-11-05 | 中冶南方都市环保工程技术股份有限公司 | 提高谐波检测精度的自适应vmd检测方法、装置及存储介质 |
CN113670615A (zh) * | 2021-08-23 | 2021-11-19 | 洛阳轴承研究所有限公司 | 一种轴承单元振动测试方法及系统 |
CN114813124B (zh) * | 2022-03-21 | 2023-03-24 | 广东石油化工学院 | 一种轴承故障的监测方法及装置 |
CN115982896B (zh) * | 2023-03-21 | 2023-06-30 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持架的寿命检测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103688144B (zh) * | 2011-07-14 | 2017-04-12 | S.P.M.仪器公司 | 用于分析旋转机器零件的状态的方法和系统 |
CN107560851B (zh) * | 2017-08-28 | 2019-04-23 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN108171263B (zh) * | 2017-12-26 | 2019-08-30 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
-
2020
- 2020-06-01 CN CN202010484840.5A patent/CN111458149B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111458149A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458149B (zh) | 一种滚动轴承性能及使用寿命的预测方法及系统 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN109886430B (zh) | 一种基于工业大数据的设备健康状态评估与预测方法 | |
CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
US8566070B2 (en) | Apparatus abnormality monitoring method and system | |
CN111380686A (zh) | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN112131797A (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN114088389A (zh) | 一种齿轮变速箱的数据处理方法和相关装置 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN116776631B (zh) | 一种基于数据分析的连接器性能评估方法及系统 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及系统 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 |
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 |