CN111947928B - 一种多源信息融合的轴承故障预测系统及方法 - Google Patents

Abstract

本发明公开了一种多源信息融合的轴承故障预测系统及方法，其技术方案为：包括多源信息采集系统和故障预测系统，多源信息采集系统用于获取轴承全生命周期运行状态的多源信息，包括安装于轴承上的若干传感器；故障预测系统包括数据库、数据处理模块、状态监测模块、故障预测模块，数据库用于存储不同传感器采集的数据，数据处理模块用于处理不同传感器获取的原始信号；状态监测模块用于实时显示数据，故障预测模块能够对处理后的数据进行训练，以得到故障预测结果。本发明能够获取轴承运行全生命周期状态、对轴承多种状态信号同时采集和分析，提高故障特征的识别率，提高模型预测的准确性。

Description

一种多源信息融合的轴承故障预测系统及方法

技术领域

本发明涉及轴承故障预测领域，尤其涉及一种多源信息融合的轴承故障预测系统及方法。

背景技术

随着科技的不断进步和发展，现代机械逐渐趋向大型化、多元化和复杂化，大扰动、强冲击等恶劣工况经常出现，设备服役环境复杂，一旦出现故障，将造成严重的经济损失甚至人员伤亡，因此，对机械设备进行预测和健康管理至关重要。滚动轴承是工业设备中的重要零件，其健康状态很大程度上决定了设备的服役性能，据相关研究，45％～55％的旋转机械失效是由于滚动轴承的失效导致的，所以，对滚动轴承进行故障预测和健康管理成为企业和学者的关注点，有利于保障设备的安全服役，避免不必要的停机和意外损失。

滚动轴承全生命周期数据是进行故障预测的基础，但是工业现场的监测数据往往不完整，随着设备越来越复杂，存在由于设备本身结构而造成的信号采集困难，很难监测滚动轴承运行时的状态信号，而且复杂设备局部常常具有多个振动零件，即使采集到信号也很难确定振动来源和提取故障特征，这给滚动轴承的状态监测和故障预警造成了极大的困难。

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多源信息融合的轴承故障预测系统及方法，解决了复杂旋转设备中滚动轴承服役环境复杂，信号质量差，故障信息难以捕捉、识别和提取的问题；能够获取轴承运行全生命周期状态，能够对轴承多种状态信号同时采集和分析，提高故障特征的识别率，提高模型预测的准确性。

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多源信息融合的轴承故障预测系统，

包括多源信息采集系统，用于获取轴承全生命周期运行状态的多源信息，包括安装于轴承上的若干传感器；

故障预测系统，包括数据库、数据处理模块、状态监测模块、故障预测模块，数据库用于存储不同传感器采集的数据，数据处理模块用于处理不同传感器获取的原始信号；状态监测模块用于实时显示数据，故障预测模块能够对处理后的数据进行训练，以得到故障预测结果。

作为进一步的实现方式，所述多源信息采集系统包括驱动电机、传动轴、轴承，驱动电机通过联轴器与传动轴相连，轴承安装于传动轴上，实现轴承的转速控制。

作为进一步的实现方式，所述传动轴和轴承的径向分别安装振动传感器，轴承外圈设有与其相接触的温度传感器，通过多种传感器获取轴承的多源信息。

作为进一步的实现方式，所述传动轴和轴承安装有多种传感器，通过多种传感器获取轴承的多源信息。

作为进一步的实现方式，所述数据采集卡包括模拟量输入模块和数字量I/O模块，通过数据采集卡实现数据的转换和传输。

作为进一步的实现方式，所述数据处理模块包括依次连接的数据预处理模块、特征提取模块、特征降维模块和特征融合模块。

第二方面，本发明的实施例提供了一种多源信息融合的轴承故障预测方法，采用所述的故障预测系统，包括：

提取数据库中的数据集作为模型训练数据集，数据预处理模块对原始信号进行预处理，消除信号中的噪声并将不同数据源的数据整合；

特征提取模块选择对应的时频域特征，特征降维模块选择降维方法降低数据的复杂度；特征融合模块融合各特征，得到综合特征集；并在模型库中选择对应的预测模型进行训练；

通过模型的迭代训练不断降低预测模型输出值和实际值的误差，最终实现对轴承故障的预判。

作为进一步的实现方式，提取数据库中轴承的多源信号作为模型训练数据集。

作为进一步的实现方式，根据所提取的数据特征在数据处理模块选择相应的处理方法完成数据的降噪、降维和融合操作。如本发明中采用局部线性嵌入法来降低训练数据的复杂度。

作为进一步的实现方式，将处理好的综合特征分为训练集和测试集，并在模型库中选择合适的预测模型完成轴承的故障预测。

上述本发明的实施例的有益效果如下：

(1)本发明的一个或多个实施方式基于多源信息采集系统采集的多源信号对滚动轴承进行准确的状态监测和故障预测，能够将历史数据和实时采集到的多源信号存储到数据库中，并能将信号实时地显示出来，实现轴承运行状态的实时监控；

(2)本发明的一个或多个实施方式能够将数据库中的多源数据进行预处理实现数据的降噪等操作，以及异源数据的集成和重构，消除量纲差异，并集成了时域、频域特征提取方法、各种数据降维方法和特征融合方法以及多种机器学习算法，根据不同的数据类型特点和需求，在不同的步骤可以根据需要选择不同的方法，实现数据的融合，最终完成滚动轴承的故障预测；

(3)本发明的一个或多个实施方式以多源信息采集系统采集的数据为基础训练各预测模型，并用多源信息采集系统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滚动轴承状态监测和故障预测系统。

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滚动轴承多源信息采集系统结构示意图；

图3是本发明根据一个或多个实施方式的滚动轴承多源信息采集方法示意图；

图4是本发明根据一个或多个实施方式的故障预测系统工作流程图；

其中，1、驱动电机，2、联轴器，3、传动轴，4、轴承，5、振动传感器，6、温度传感器，7、负载。

具体实施方式

应该指出，以下详细说明都是示例性的，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。

实施例一：

本实施例提供了一种多源信息融合的轴承故障预测系统，包括多源信息采集系统和故障预测系统，多源信息采集系统用于滚动轴承多源状态信息的获取，并将轴承的多源信息传输至故障预测系统。故障预测系统进而对原始信号进行预处理分析，并结合特征融合方法获取具有代表性的故障特征，通过模型训练实现轴承故障的准确预测。

考虑到振动信号和温度信号常被用于轴承性能退化过程描述，因此本实施例以采集轴承的温度和振动数据为例，故在本实施例中的传感器包括振动传感器和温度传感器。当然，在其他实施例中，还可以包括其他类型的传感器，根据具体检测数据而定。

为了说明本发明涉及的多源信息采集方法，列出了多源信息采集系统结构简图，如图2所示，包括驱动电机1、联轴器2、传动轴3、轴承4、振动传感器5、温度传感器6、负载7。驱动电机1通过联轴器2与传动轴3相连，传动轴3另一端通过联轴器2连接负载7，所述传动轴3上安装多个轴承4，传动轴3和轴承4外侧均安装振动传感器3，温度传感器6固定于轴承4外侧。

具体的，轴承多源信息采集系统主要依靠传感器和数据采集卡来获取轴承全生命周期的状态信息，如图3所示，根据轴承4的实际转速、尺寸、滚子数、接触角信息得到轴承4的最大故障频率，并由采样定理确定振动传感器5的采样频率范围；估算轴承4的最大振动幅值，来确定振动传感器5的量程，再结合精度要求，完成振动传感器5的选型。根据轴承4的温升范围和传感器精度完成温度传感器6的选型。

传感器的安装位置会影响所采集信号的强度和噪声，本实施例中传感器的安装位置以轴承4的承载为依据。具体地，以轴承4承受径向载荷为例，轴承4在径向的故障信息振动幅值较大，因此将振动传感器5安装在轴承4的径向，且固定于轴承座上的螺纹孔内。

由于温度传感器6有延时效果，精度较低、灵敏度较差，因此要尽可能地接近温度源。本实施例将温度传感器6安装在轴承座上的深孔内，并与轴承4外圈相接触。此外，振动传感器5和温度传感器6的安装位置都要满足在轴承4承载区域正负45°的扇形区域内，且在轴承4宽度的中间位置，以保证信号的强度。

数据采集卡包括模拟量输入模块和数字量I/O模块，用于数据的转换和传输。振动传感器3和温度传感器6与数据采集卡通过导线连接，通过设置合适的采样频率、采样间隔和单次采样时长，即可实现滚动轴承多源信号的采集，并通过工控机编程将数据存储到数据库中。

故障预测系统包括数据库、数据处理模块、状态监测模块、故障预测模块，数据库用于存储不同传感器采集到的数据。数据处理模块具有对不同传感器获取的原始信号进行异常值处理、故障特征提取、特征选择、特征融合等功能，其包括数据预处理模块、特征提取模块、特征降维模块、特征融合模块。

数据预处理模块通过对原始多源信号中的异常值、缺失值和重复值等进行相关操作，使处理后的数据更有利于预测模型的训练。特征提取模块、特征降维模块、特征融合模块也属于模型训练前对数据的处理，通过提取多源信号特征，并将特征进行降维融合，可以提高算法的效率和准确性。

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4当前的运行状况做出判断。故障预测模块通过预测模型对处理后的数据进行训练，并配合机器学习算法实现预测模型参数优化，使模型库中最终得到的预测模型更加准确，实时数据的输入则不断更新预测模型实现实际生产中的故障预警应用。故障预测模块通过训练综合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多源信息融合的轴承故障预测方法，如图4所示，以提取数据库中的振动数据集和温度数据集为例，将其作为模型训练数据集，数据预处理模块对原始信号进行数据清洗、数据集成、数据规约、数据变换，消除信号中的噪声并将不同数据源的数据整合到一起，消除量纲差异。

根据模型复杂度在特征提取模块选择对应的时频域特征，然后特征降维模块中选择适合的降维方法，如采用局部线性嵌入法降低训练数据的维度，从而降低算法计算的复杂度。特征融合模块根据特征的重要程度融合各特征，得到对预测结果更加有效的综合特征集，将处理好的综合特征分为训练集和测试集，并在模型库中选择合适的预测模型进行训练。

以XGBoost算法为例：

式(1)中，K：树的数目，f_k：函数空间F中的1个函数，

预测值，x_i：输入的第i个样本，F：所有有可能的CART集合。

该算法是一个加法模型，将综合特征集中对应的振动特征作为该模型输入x_i，温度特征作为该模型输出y_i，进行训练，训练过程如下：

每次添加一个树，学习一个新函数f(x)，每一次迭代都在现有树的基础上增加一棵树去拟合上次预测结果与真实值之间的残差，并将模型上次预测产生的误差作为参考进行下一棵树的建立。每加入一棵树，使其损失函数不断降低。

损失函数如下：

式(3)中，y_i：真实值，

损失函数训练误差，∑_iΩ(f_k)：正则化定义复杂度。

该算法每训练一次，比较模型输出值和实际值来判断算法预测精度，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。

本实施例基于多源信号进行融合分析，提高了故障预测的精度，其应用可为企业做出正确的维修决策提供指导，有利于提高设备的利用率，降低维护成本。

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)

1.一种多源信息融合的轴承故障预测系统，其特征在于，包括：

多源信息采集系统，用于获取轴承全生命周期运行状态的多源信息，包括安装于轴承上的若干传感器，所述传感器包括振动传感器和温度传感器，所述振动传感器安装在轴承的径向，且固定于轴承座上的螺纹孔内，所述温度传感器安装在轴承座上的深孔内，并与轴承外圈相接触；

故障预测系统，包括数据库、数据处理模块、状态监测模块、故障预测模块，数据库用于存储不同传感器采集的数据，数据处理模块用于处理不同传感器获取的原始信号；状态监测模块用于实时显示数据，故障预测模块能够对处理后的数据进行训练，以得到故障预测结果。

2.根据权利要求1所述的一种多源信息融合的轴承故障预测系统，其特征在于，所述多源信息采集系统还包括驱动电机、传动轴、轴承，驱动电机通过联轴器与传动轴相连，轴承安装于传动轴上。

3.根据权利要求2所述的一种多源信息融合的轴承故障预测系统，其特征在于，所述传动轴和轴承安装有多种传感器，通过多种传感器获取轴承的多源信息。

4.根据权利要求1或3所述的一种多源信息融合的轴承故障预测系统，其特征在于，所述传感器与数据采集卡相连，通过工控机将数据采集并存储至数据库中。

5.根据权利要求4所述的一种多源信息融合的轴承故障预测系统，其特征在于，所述数据采集卡包括模拟量输入模块和数字量I/O模块，数据采集卡能够将轴承的多源信号数据传输至数据库进行存储。

6.根据权利要求1所述的一种多源信息融合的轴承故障预测系统，其特征在于，所述数据处理模块包括依次连接的数据预处理模块、特征提取模块、特征降维模块和特征融合模块。

7.一种多源信息融合的轴承故障预测方法，其特征在于，采用如权利要求1-6任一所述的故障预测系统，包括：

提取数据库中的数据集作为模型训练数据集，数据预处理模块对原始信号进行预处理，消除信号中的噪声并将不同数据源的数据整合；

特征提取模块选择对应的时频域特征，特征降维模块选择降维方法降低数据的复杂度；特征融合模块融合各特征，得到综合特征集；并在模型库中选择对应的预测模型进行训练；

通过模型的迭代训练不断降低预测模型输出值和实际值的误差，最终实现对轴承故障的预判。

8.根据权利要求7所述的一种多源信息融合的轴承故障预测方法，其特征在于，提取数据库中的多源信号进行训练，作为模型训练数据集。

9.根据权利要求7所述的一种多源信息融合的轴承故障预测方法，其特征在于，根据所提取的数据特征在数据处理模块选择相应的处理方法完成数据的降噪、降维和融合操作。

10.根据权利要求7所述的一种多源信息融合的轴承故障预测方法，其特征在于，将处理好的综合特征分为训练集和测试集，并在模型库中选择合适的预测模型完成轴承的故障预测。

Images