CN111896254A - 一种变速变载大型滚动轴承故障预测系统及方法 - Google Patents

Abstract

本发明公开了一种变速变载大型滚动轴承故障预测系统及方法，变速变载滚动轴承实验台和轴承智能信息系统，变速变载滚动轴承实验台用于模拟滚动轴承变速变载工作环境，包括控制系统、加载装置和测试系统，测试系统与控制系统、加载装置相连；轴承智能信息系统基于变速变载滚动轴承实验台采集的数据对滚动轴承进行状态监测和故障预测，包括数据库、数据处理模块、状态监测模块、故障预测模块,数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。本发明通过构建滚动轴承实验台，模拟轴承变速变载工作特点，实现全生命周期轴承运行信号的采集；并通过采集轴承运行状态信息得到系统训练数据集，实现变速变载下滚动轴承的故障预测。

Description

一种变速变载大型滚动轴承故障预测系统及方法

技术领域

本发明涉及滚动轴承故障预测与健康管理(PHM)技术领域，尤其涉及一种变速变载大型滚动轴承故障预测系统及方法。

背景技术

在现代工业生产制造中，大型旋转设备的应用日益广泛，其正常运转对产品质量和加工效率影响巨大。滚动轴承作为旋转设备的关键零件，其健康状态很大程度上决定了设备生产的质量、精度和安全性。由于大型旋转设备越来越复杂化和智能化，使得轴承经常处于变速、变载、大扰动、强冲击等工作环境下，所以滚动轴承的故障成为旋转设备的主要失效形式，因此，滚动轴承的故障预测和健康管理越来越被企业重视。

滚动轴承全生命周期数据是进行故障预测的基础，但是工业现场很难采集到完整的运行状态信息。一方面是由于设备结构复杂，安装传感器困难；另一方面是因为现场工况复杂，存在较多意外停机等因素，导致信号采集不完整。另外，生产现场大量的干扰因素使得目标信号质量不高，再加上变速变载的服役环境本身所带来的扰动，即使采集到信号也很难直观地判断设备性能。而且，大型设备中故障轴承往往尺寸也较大，而目前由于成本和技术等问题没有可反映实际生产中大型滚动轴承变速变载服役环境的实验台，难以获取实际轴承全生命周期的运行数据，使得其故障预测成为难点，所以目前的大型复杂旋转设备主要采用定期和事后维修。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种变速变载大型滚动轴承故障预测系统及方法，能够克服变速变载大型滚动轴承状态监测和故障预警的不足，通过构建大型滚动轴承的等效物理实验台，模拟轴承变速变载工作特点，从而实现全生命周期轴承运行信号的采集；并通过集成数据采集、存储、预处理和机器学习算法等功能模块的故障预测系统训练轴承运行状态数据集，实现变速变载下滚动轴承的故障预测。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明的实施例提供了一种变速变载大型滚动轴承故障预测系统，包括：

变速变载滚动轴承实验台，用于模拟滚动轴承变速变载的工作环境，以获取轴承全生命周期运行状态信息，包括控制系统、加载装置和测试系统，所述测试系统与控制系统、加载装置相连；

轴承智能信息系统，基于变速变载滚动轴承实验台采集的数据对滚动轴承进行状态监测和故障预测，包括数据库、数据处理模块、状态监测模块、故障预测模块,所述数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。

作为进一步的实现方式，所述控制系统包括驱动电机、加载电机和安装有轴承的传动系统，加载电机与加载装置相连；驱动电机、加载电机分别连接工控机，通过工控机控制电机输出以实现对轴承的控制。

作为进一步的实现方式，所述驱动电机通过联轴器与传动轴相连，实现轴承的变速控制。

作为进一步的实现方式，所述加载装置包括油缸和夹具，油缸与夹具相连，能够将载荷施加到轴承外圈，实现轴承变载的服役环境。

作为进一步的实现方式，所述测试系统包括传感器、数据采集卡和工控机，所述传感器与数据采集卡连接，所述数据采集卡和工控机连接，实现轴承运行数据的采集。

作为进一步的实现方式，所述数据处理模块包括数据预处理模块、特征提取模块、特征降维模块和特征融合模块；数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。

第二方面，本发明实施例还提供了一种变速变载大型滚动轴承故障预测方法，包括：

建立变速变载滚动轴承实验台，并安装传感器；

传感器采集到的数据存储至数据库；

数据处理模块获取数据库中的原始信号，且原始信号通过状态监测模块显示；

故障预测模块获取数据处理模块处理后的综合数据集，通过训练得到预测模型，并得到轴承故障预测结果。

作为进一步的实现方式，提取数据库中的数据作为训练数据集，在数据预处理模块中消除原始信号中的噪声；特征提取模块选择对应的时频域特征，然后在特征降维模块中选择相应的降维方法降低训练数据的维度；并在特征融合模块将数据特征融合，得到对预测结果更加有效的综合特征集。

作为进一步的实现方式，将处理好的数据分为训练集和测试集，然后在模型库中进行预测训练；通过算法优化预测模型参数，模型参数优化后经故障预测算法输出预测结果。

作为进一步的实现方式，从模型输出结果判断算法的预测精度，并通过数据的不断迭代训练得到更加准确的故障预测算法；训练好的预测算法存入模型库，并通过实时监测数据的输入得到当前预测结果，并与输出阈值进行比较，实现轴承故障的预判。

作为进一步的实现方式，通过三维软件仿真建立滚动轴承实验台，得到相关转速、转矩和载荷数据曲线。

作为进一步的实现方式，滚动轴承实验台设计好后，将实验台的负载扭矩与仿真得到的扭矩进行比较，验证实验台与实际情况的误差，以作改进。

上述本发明的实施例的有益效果如下：

本发明的一个或多个实施方式针对旋转机械中滚动轴承故障对工业生产连续性、安全性、效率以及停机维修成本的消极影响，并基于滚动轴承越来越多的处于变速、变载、大扰动和强冲击的服役环境下，使得复杂机械中滚动轴承的信号不仅难以测量，而且存在信号来源错综复杂，难以判断机器状态的问题，而且大型设备中故障轴承也趋于大尺寸化，为解决变速变载下大型滚动轴承的故障预测问题，通过构建大型滚动轴承的等效物理实验台，模拟轴承变速变载工作特点，从而实现全生命周期轴承运行信号的采集；

并设计轴承智能信息系统，通过集成数据采集、存储、预处理和机器学习算法等功能模块训练轴承运行状态数据集，实现变速变载下滚动轴承的故障预测；该故障预测系统通过分析现场采集的实时数据进行滚动轴承的故障预测，从而实现实际的应用。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明根据一个或多个实施方式的系统框图；

图2是本发明根据一个或多个实施方式的压力机的主传动系统框图；

图3是本发明根据一个或多个实施方式的故障预测模块内部运行流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

术语解释部分:本申请中的术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或为一体；可以是直接连接，也可以是通过中间媒介间接相连，可以是两个元件内部连接，或者两个元件的相互作用关系，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明的具体含义。

实施例一：

本实施例提供了一种变速变载大型滚动轴承故障预测系统，如图1所示，包括滚动轴承实验台和轴承智能信息系统，滚动轴承实验台用于模拟滚动轴承变速变载的复杂工作环境，包括控制系统、加载装置和测试系统，所述测试系统与控制系统、加载装置相连。

轴承智能信息系统基于滚动轴承实验台采集的数据，对变速变载大型滚动轴承进行状态监测和故障预测，包括数据库、状态监测模块、数据处理模块、故障预测模块，所述数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。

所述控制系统包括驱动电机、加载电机和安装有轴承的传动系统。进一步的，所述加载电机与加载装置相连，驱动电机通过第一变频器、控制单元、控制器连接工控机，加载电机通过第二变频器、控制单元、控制器连接工控机，如图2所示。所述驱动电机通过联轴器与传动轴相连，通过工控机控制电机输出以实现对轴承的变速变载控制。

本实施例利用三维软件建立大型旋转设备主传动系统三维模型，仿真得到实验台相关转速、转矩和载荷数据曲线，加载装置和控制系统的设计使实验台中轴承服役环境和实际设备中轴承的服役环境保证一致。

进一步的，由于实际生产中压力机飞轮轴承是典型的大型变速变载滚动轴承，本实施例以压力机飞轮轴承为例介绍滚动轴承实验台的搭建，但不仅限于压力机飞轮轴承。如图2所示，压力机主传动系统主要由传动轴、传动齿轮、六连杆机构、飞轮、平衡器、滑块等零部件构成，利用三维软件UG建立主传动系统模型，根据压力机工作原理设置机构间运动副、摩擦、冲压力、平衡力和驱动，并添加解算方案进行运动仿真，得到轴承变化的速度曲线、受力曲线和负载扭矩曲线。

由于原飞轮轴承尺寸大，外径可达670mm，考虑到以原轴承搭实验台的可行性和成本等因素，本实施例利用ANSYS软件进行有限元分析，并结合等效原理对实验台进行了等比例缩小。缩小后的实验台同样能反映实际飞轮轴承的服役情况和性能退化规律，并得到缩小实验台的转速、力、扭矩曲线，据此设计实验台的控制系统和加载装置。同时完成实验台驱动电机的选型，实验台设计好后，实验台的负载扭矩和仿真得到的扭矩进行比较，验证实验台与实际情况的误差并做改进。

控制系统是利用可编程逻辑控制器通过两个变频器分别控制驱动电机和加载电机，使实验台中的轴承按着上述变速曲线和变载曲线周期运转。由于轴承具有寿命长、全生命周期信号难测的特点，因此实验台的加载装置在以受力曲线为依据的基础上，还要在轴承失效机理一致、失效过程具有规律、失效分布统一的原则下设计加速试验，最终确定加载的方式、位置以及大小，据此通过可编程逻辑控制器控制加载电机，并与加载装置相连。加载装置包括夹具和油缸，所述油缸连接夹具，将载荷通过油缸经夹具施加到滚动轴承上。

所述测试系统包括传感器、数据采集卡和工控机，所述传感器、数据采集卡和工控机依次连接。根据采集的信号种类完成传感器和数据采集卡的选型，并将传感器与数据采集卡连接，设置合适的采样频率、采样间隔和单次采样时长，并通过LabView编程实现数据的采集。

轴承智能信息系统能够将历史和实时采集到的数据存储到数据库中，并能通过状态监测模块将信号实时地显示出来，实现轴承运行状态的实时监控。轴承智能信息系统能够读取数据库中的数据并进行预处理实现数据的降噪、缺失数据的填充、重复值的删除等操作，并集成了时域、频域特征提取方法、各种数据降维方法和多种机器学习算法，根据不同的数据类型特点和需求，轴承智能信息系统在不同的步骤可以根据需要选择不同的方法，最终完成滚动轴承的故障预测，并能将结果以图表或表格的形式显示出来。

轴承智能信息系统以实验台采集的数据为基础训练各预测模型，并用实验台实时采集的数据或现场采集的实时数据进行验证最终得到可实际应用的大型滚动轴承状态监测和故障预测系统。

进一步的，轴承智能信息系统采用MySQL数据库，具有信号的获取、存储和读写等功能。所述数据处理模块包括数据预处理模块、特征提取模块、特征降维模块和特征融合模块；原始信号依次经过数据预处理模块、特征提取模块、特征降维模块和特征融合模块处理后进入故障预测模块。

数据处理模块用于对原始信号中的异常值、缺失值和异源、异构值进行相关操作，使处理后的数据更有利于预测模型的训练，主要有数据清洗、数据集成、数据规约、数据变换等。

其中，数据清洗：针对原始数据中的缺失值，采用多重插补等方法填充，对于异常值采用分箱等方法平滑噪声，重复值则直接删除。数据集成主要是综合各数据源，将不同结构和属性的数据整合归纳在一起。数据规约是采用局部线性嵌入等降维方法进行维度规约，使用抽样等方法进行数据量规约，使用小波变换等方法进行数据压缩，通过以上数据规约方法缩短数据挖掘时间以及提高预测模型的准确性。数据变换则是对数据进行归一化、标准化、正则化，以消除量纲等差异，满足数据挖掘和算法需要。

特征提取模块、特征降维模块和特征融合模块也属于模型训练前对数据的处理，上述模块对算法训练的速度和准确性具有较大的影响。特征提取模块集成了各时域特征、频域特征、时频域特征以及特征选择方法和特征降维方法，用户可以根据需要选择不同的特征和特征降维方法，从而避免故障的误判并提高算法的有效性。

时域特征有均值、标准差、有效值、峭度、方根幅值、波形因子、脉冲系数、裕度因子等；频域特征有重心频率(FC)、均方频率(MSF)和均方根频率(RMSF)等；时频特征分析的方法有短时傅里叶变换(STFT)和小波变换等。特征提取后通过定义一些特征评估准则，如：皮尔逊相关系数、边界宽度、Fisher判别、信息增益等，从而筛选出满足特定约束条件的一部分特征，或者借助融合算法结合多评估准则进一步地选择特征。

特征降维方法包括主成分分析、线性判别分析、核主成分分析、核判别分析、局部线性嵌入、流形学习等方法。特征融合则得到更能代表轴承退化状态的综合特征指标，提高模型预测的准确性。

状态监测模块能够将采集的数据实时地以图表的形式显示出来，帮助用户对轴承当前的运行状况做出判断。故障预测模块通过训练全数据集得到预测模型，并随着新数据的输入实时地更新模型得到轴承故障预测结果。

实施例二：

本实施例提供了一种变速变载大型滚动轴承故障预测方法，包括：建立滚动轴承实验台，并安装传感器；传感器采集到的数据存储至数据库；数据处理模块获取数据库中的原始信号，且原始信号通过状态监测模块显示；故障预测模块获取数据处理模块处理后的综合数据集，通过训练得到预测模型，并得到轴承故障预测结果。

进一步的，通过三维软件仿真建立滚动轴承实验台，得到相关转速、转矩和载荷数据曲线。建立滚动轴承实验台的方法与实施例一相同，此处不再赘述。

如图3所示，提取数据库中的数据作为训练数据集，数据库中的训练数据集包含传感器采集的历史数据，数据预处理模块对原始信号中的异常值、缺失值和重复值等进行操作，消除信号中的噪声；特征提取模块根据数据和轴承性能特点选择对应的时频域特征，然后在特征降维模块选择局部线性嵌入(LLE)等降维方法降低训练数据的维度，降低算法计算的复杂度。之后特征融合模块根据特征重要程度将数据特征融合，得到对预测结果更加有效的综合特征集。

将处理好的数据分为训练集和测试集，然后在模型库中选择神经网络机器学习模型进行预测训练，模型参数根据需要自定义或使用软件系统中包含的机器学习算法寻找最佳的模型参数，从而得到一系列的预测结果。从模型输出结果判断算法预测精度，并通过数据的不断迭代训练得到更加准确的故障预测算法。训练好的预测算法存入模型库，并通过实时监测数据的输入得到当前预测结果，并与输出阈值进行比较，实现轴承故障的预判。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种变速变载大型滚动轴承故障预测系统，其特征在于，包括：

变速变载滚动轴承实验台，用于模拟滚动轴承变速变载的工作环境，包括控制系统、加载装置和测试系统，所述测试系统与控制系统、加载装置相连；

轴承智能信息系统，基于变速变载滚动轴承实验台采集的数据对滚动轴承进行状态监测和故障预测，包括数据库、数据处理模块、状态监测模块、故障预测模块,所述数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。

2.根据权利要求1所述的一种变速变载大型滚动轴承故障预测系统，其特征在于，所述控制系统包括驱动电机、加载电机和安装有轴承的传动系统。

3.根据权利要求2所述的一种变速变载大型滚动轴承故障预测系统，其特征在于，所述加载电机与加载装置相连；驱动电机、加载电机分别连接工控机，通过工控机控制电机输出以实现对轴承的变速变载控制。

4.根据权利要求3所述的一种变速变载大型滚动轴承故障预测系统，其特征在于，所述加载装置包括油缸和夹具，油缸与夹具相连，能够将载荷施加到轴承外圈。

5.根据权利要求2所述的一种变速变载大型滚动轴承故障预测系统，其特征在于，所述测试系统包括传感器、数据采集卡和工控机，所述传感器、数据采集卡和工控机依次连接。

6.根据权利要求1所述的一种变速变载大型滚动轴承故障预测系统，其特征在于，所述数据处理模块包括数据预处理模块、特征提取模块、特征降维模块和特征融合模块；数据库连接状态监测模块,且数据库依次连接数据处理模块、故障预测模块。

7.一种变速变载大型滚动轴承故障预测方法，其特征在于，包括：

建立变速变载滚动轴承实验台，并安装传感器；

传感器采集到的数据存储至数据库；

数据处理模块获取数据库中的原始信号，且原始信号通过状态监测模块显示；

故障预测模块获取数据处理模块处理后的综合数据集，通过训练得到预测模型，并得到轴承故障预测结果。

8.根据权利要求7所述的一种变速变载大型滚动轴承故障预测方法，其特征在于，通过三维软件仿真得到相关转速、转矩和载荷数据曲线，据此建立变速变载滚动轴承实验台；滚动轴承实验台设计好后，将实验台的负载扭矩与仿真得到的扭矩进行比较，验证实验台与实际情况的误差并做改进。

9.根据权利要求8所述的一种变速变载大型滚动轴承故障预测方法，其特征在于，提取数据库中的数据作为训练数据集，在数据预处理模块中消除原始信号中的噪声；特征提取模块选择对应的时频域特征，然后在特征降维模块中选择相应的降维方法降低训练数据的维度；并在特征融合模块将数据特征融合，得到对预测结果更加有效的综合特征集。

10.根据权利要求9所述的一种变速变载大型滚动轴承故障预测方法，其特征在于，将处理好的数据分为训练集和测试集，然后在模型库中进行预测训练；通过算法优化预测模型参数，模型参数优化后经故障预测算法输出预测结果；从模型输出结果判断算法的预测精度，并通过数据的不断迭代训练得到更加准确的故障预测算法；训练好的预测算法存入模型库，并通过实时监测数据的输入得到当前预测结果，并与输出阈值进行比较，实现轴承故障的预判。

Images