CN112329249A - 轴承的失效预测方法及终端设备 - Google Patents
轴承的失效预测方法及终端设备 Download PDFInfo
- Publication number
- CN112329249A CN112329249A CN202011254918.0A CN202011254918A CN112329249A CN 112329249 A CN112329249 A CN 112329249A CN 202011254918 A CN202011254918 A CN 202011254918A CN 112329249 A CN112329249 A CN 112329249A
- Authority
- CN
- China
- Prior art keywords
- current
- characteristic
- sequence
- bearing
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 20
- 230000002195 synergetic effect Effects 0.000 claims description 14
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000006731 degradation reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000035876 healing Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明适用于失效预测技术领域,提供了一种轴承的失效预测方法及终端设备,包括:每隔预设时间获取目标轴承的第一特征值和第二特征值,并按时间顺序对应的加入第一特征序列和第二特征序列,并在每次形成新的第一特征序列和新的第二特征序列后判断当前的第一特征序列和当前的第二特征序列是否存在协整关系,直至当前的第一特征序列和当前的第二特征序列不存在协整关系,目标轴承失效。本发明实时的获取轴承的特征值,并根据轴承的特征值判断轴承是否失效,可及时的发现轴承的异常,并对轴承及时进行维护或更换,可保证轴承的安全运行,避免事故发生。
Description
技术领域
本发明属于失效预测技术领域,尤其涉及一种轴承的失效预测方法及终端设备。
背景技术
轴承作为机械设备中常用的零部件之一,其健康与否直接影响机械设备的可靠性和综合效益,因此需制定有效的维护方案以保障机械设备安全稳定运行。对轴承的寿命进行有效的预测,制定合理的维护方案对轴承进行维护可保证轴承的安全运行,避免事故发生。
目前,对轴承寿命预测多为对轴承全寿命的数据的研究及事后预测,不能及时发现轴承的异常并对轴承进行即时维护或更换。
发明内容
有鉴于此,本发明实施例提供了一种轴承的失效预测方法及终端设备,以解决现有技术不能及时发现轴承的异常并对轴承进行维护或更换的问题。
本发明实施例的第一方面提供了一种轴承的失效预测方法,包括:
获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
获取目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入第一特征序列,将该第二特征值按时间顺序加入第二特征序列;第一时刻为在目标时刻后且与目标时刻间隔预设时间的时刻;
确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
若当前的第一特征序列和当前的第二特征序列存在协整关系,则将第一时刻作为新的目标时刻,并跳转至获取目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至当前的第一特征序列和当前的第二特征序列不存在协整关系;
若当前的第一特征序列和当前的第二特征序列不存在协整关系,则确定目标轴承失效。
本发明实施例的第二方面提供了一种轴承的失效预测装置,包括:
第一获取模块,用于获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
第二获取模块,用于获取目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入第一特征序列,将该第二特征值按时间顺序加入第二特征序列;第一时刻为在目标时刻后且与目标时刻间隔预设时间的时刻;
协整关系确定模块,用于确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
判断模块,用于若当前的第一特征序列和当前的第二特征序列存在协整关系,则将第一时刻作为新的目标时刻,并跳转至获取目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至当前的第一特征序列和当前的第二特征序列不存在协整关系;
预测结果输出模块,用于若当前的第一特征序列和当前的第二特征序列不存在协整关系,则确定目标轴承失效。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如本发明实施例第一方面提供的轴承的失效预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例第一方面提供的轴承的失效预测方法的步骤。
本发明实施例提供了一种轴承的失效预测方法,包括每隔预设时间获取目标轴承的第一特征值和第二特征值,并按时间顺序对应的加入第一特征序列和第二特征序列,并在每次形成新的第一特征序列和新的第二特征序列后判断当前的第一特征序列和当前的第二特征序列是否存在协整关系,直至当前的第一特征序列和当前的第二特征序列不存在协整关系,目标轴承失效。本发明实施例实时的获取轴承的特征值,并根据轴承的特征值判断轴承是否失效,可及时的发现轴承的异常,并对轴承及时进行维护或更换,可保证轴承的安全运行,避免事故发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的第一个测试集的融合特征的曲线图;
图2为本发明实施例提供的第二个测试集的融合特征的曲线图;
图3为本发明实施例提供的第三个测试集的融合特征的曲线图;
图4为本发明实施例提供的第四个测试集的融合特征的曲线图;
图5为本发明实施例提供的第五个测试集的融合特征的曲线图;
图6为本发明实施例提供的Bearing2-1数据的融合特征与RMS2的曲线对比图;
图7是本发明实施例提供的一种轴承的失效预测方法的实现流程示意图;
图8是本发明实施例提供的能量特征E1、E2及E3的示意图;
图9是本发明实施例提供的能量特征E4、E5及E6的示意图;
图10是本发明实施例提供的能量特征E7的示意图;
图11是本发明实施例提供的仿真信号的复杂度随信噪比变化的示意图;
图12是本发明实施例提供的Logistic map模型结果及其LLE示意图;
图13为本发明实施例提供的六种复杂度应用于Logistic map模型的结果对比图;
图14是本发明实施例提供的一种轴承的失效预测装置的示意图;
图15是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
轴承作为旋转机械中最为广泛且最易失效的零部件之一,其运行状态直接关系到设备的整体性能,对其进行失效预测对于机械设备的持续稳定运行具有重要的意义。研究发现,轴承的某两个退化特征的融合特征随着轴承的使用会呈现一致性的规律。选取5个轴承的全寿命数据测试集,提取各个测试集的退化特征,并对其中两个退化特征进行融合得到融合特征,参考图1至图5,融合后的特征具有明显的两段性。在全寿命的前、中期表现出平稳性。当轴承处于失效期,该特征表现出非平稳性,并具有一定的单调性。各个测试集的RMS2和样本熵两个退化特征均表现出了不同的轴承退化过程,但基于协整理论将上述两个退化特征进行融合后,其融合特征表现出了一致性的演化规律。
选取美国IMS(Intelligent Maintenance Systems,智能维护系统)中心的全寿命试验数据集中的Bearing2-1数据的982组数据进行更具体的分析,将RMS2和样本熵两个特征进行融合,得到图6所示融合特征的曲线。由Bearing2-1数据的RMS2曲线可知,从开始运行到第510组,RMS2保持平稳,可知轴承处于正常状态;从510组到700组,RMS2持续上升,轴承处于轻微故障阶段;700组时,RMS2突增,可能为摩擦面上产生了凸起造成的,而后运行至823组,RMS2经历了下降再上升的阶段,主要是由于持续的摩擦作用使局部凸起的表面降低,而后RMS2又经历了这种下降再上升的过程,此时轴承处于中度故障阶段;从900组至982组,RMS2持续上升,此时轴承处于重度故障阶段直至失效。这种下降再上升的过程称为“愈合”现象,该现象在轴承中具有普遍性,出现该现象的原因在于持续的摩擦作用使局部凸起的表面降低。而后由于故障的加深,摩擦副表面又形成了新的凸起,如此往复。“愈合”现象说明轴承已经进入中度故障状态。
由Bearing2-1数据的融合特征曲线可知,其具有两段性。从开始运行到914组左右,其具有平稳性;从914组到最后失效,其快速上升。当轴承处于正常状态下,RMS2较平稳,样本熵平稳。当轴承处于轻微故障阶段,摩擦面上出现凸起,导致能量上升,RMS2值上升;同时,凸起可导致信号的周期性增加,样本熵降低。当轴承处在“愈合”现象时,持续的摩擦使凸起变得平滑,这样导致能量降低,RMS2下降;由于凸起变得平滑,周期性也就相应降低,致使样本熵升高。总之,在914组之前,RMS2与样本熵保持着同步性,这样使两序列的线性组合为平稳序列,具有协整性。当轴承接近于失效,能量急剧增加,摩擦副表面上的凸起急剧增多,虽有平滑作用,但效果不明显。由于每个凸起都能形成周期性信号,那么整体的振动信号就是各个凸起引起的信号叠加,此时的信号周期性不显著了,样本熵降低得不明显。这时,两序列的协整性消失,融合特征在此阶段明显上升,轴承趋近失效。根据轴承融合特征的变化趋势可以对轴承的失效进行预测。
参考图7,本发明实施例提供了一种轴承的失效预测方法,包括:
步骤S101:获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值。
获取目标轴承在目标时刻的第一特征值和第二特征值,并将目标轴承在目标时刻的第一特征值作为第一特征序列的第一个值,形成第一特征序列;将目标轴承在目标时刻的第二特征值作为第二特征序列的第一个值,形成第二特征序列。其中,目标时刻可以为当前时刻,目标时刻也可以为系统开机运行后预设时间间隔后的一个时刻,待系统开机运行稳定后开始对目标轴承的特征值进行采集,预测结果更准确。
步骤S102:获取目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入第一特征序列,将该第二特征值按时间顺序加入第二特征序列;第一时刻为在目标时刻后且与目标时刻间隔预设时间的时刻。
步骤S103:确定当前的第一特征序列和当前的第二特征序列是否存在协整关系。
一些实施例中,步骤S103可以包括:
步骤S1031:确定当前的第一特征序列的单整阶数和当前的第二特征序列的单整阶数;
步骤S1032:若当前的第一特征序列的单整阶数与当前的第二特征序列的单整阶数不同,则当前的第一特征序列和当前的第二特征序列不存在协整关系;
步骤S1033:若当前的第一特征序列的单整阶数与当前的第二特征序列的单整阶数相同,则根据当前的第一特征序列和当前的第二特征序列,确定当前的第一特征序列和当前的第二特征序列是否存在协整关系。
两个序列的单整阶数必须相同,才可能存在协整关系。
一些实施例中,可以采用单位根检验法,确定当前的第一特征序列的单整阶数和当前的第二特征序列的单整阶数。
一些实施例中,可以采用E-G协整检验法确定当前的第一特征序列和当前的第二特征序列是否存在协整关系。
根据协整的定义,由n组的d阶单整序列组成的向量yt=[y1t,y2t,…,ynt],如果存在一个向量β=[β1,β2,…,βn]使得线性组合βyt=[β1y1t+β2y2t+…+βnynt]是d-b阶单整,其中b>0,那么认为yt=[y1t,y2t,…,ynt]是(d,b)阶协整,记为yt~CI(d,b),向量β称为协整向量。常见的协整关系为CI(1,1),即n组1阶单整序列具有协整性,其按照协整向量线性组合的残差εt是平稳序列。
例如,本发明实施例中,当前的第一特征序列和当前的第二特征序列2组单整序列组成的特征向量yt=[y1t,y2t]存在一个特征向量β=[β1,β2]使得线性组合βyt=[β1y1t,β2y2t]是d-b阶单整,则当前的第一特征序列和当前的第二特征序列具有协整关系。
步骤S104:若当前的第一特征序列和当前的第二特征序列存在协整关系,则将第一时刻作为新的目标时刻,并跳转至获取目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至当前的第一特征序列和当前的第二特征序列不存在协整关系。
步骤S105:若当前的第一特征序列和当前的第二特征序列不存在协整关系,则确定目标轴承失效。
本发明实施例实时的获取轴承的特征值,并根据轴承的融合特征具有两段性的特征,根据实时获取的轴承的特征值判断轴承是否失效,可及时的发现轴承的异常,并对轴承及时进行维护或更换,可保证轴承的安全运行,避免事故发生。
一些实施例中,在步骤S105之后,还可以包括:
步骤S106:向目标轴承发送停止指令,停止指令用于指示目标轴承停止运行。
一些实施例中,第一特征值为能量特征的值,第二特征值为复杂度特征的值。
现有特征分类中包含两类传统的退化特征,一类是具有上升趋势的能量特征,其反映轴承在运行过程中的能量变化,以RMS2为典型(RMS,Root Mean Square,均方根值),RMS以其良好的性能被广泛应用于轴承的退化状态识别和剩余寿命预测中。另一类为具有下降趋势的复杂度特征,例如近似熵、样本熵、排列熵等。将能量特征与复杂度特征融合,二者的变化趋势相反,融合后可以呈现一致性的变化趋势,当轴承运行良好时,二者之间具有协整关系,当轴承将失效时,二者之间不再存在协整关系。
一些实施例中,能量特征包括RMS2,复杂度特征包括样本熵。
1、能量特征
能量特征反映的是轴承在运行过程中的能量变化,信号的幅值特征的平方可反映能量,常见的幅值特征可以包括方根幅值、均方根值(RMS)、绝对均值、峰峰值、最大值、最小值和频谱平均值,其计算公式分别为:
E4=max(xi)-min(xi)
E5=max{|xi|}
E6=-min{xi}
其中,E1为方根幅值,E2为均方根值、E3为绝对均值、E4为峰峰值、E5为最大值、E6为最小值和E7为频谱平均值;xi为信号中的第i个测量值,s(k)为信号域中的第i个幅值;i=1,2,…,N。
由图8至图10可知,E1、E2、E3、E4、E5、E6及E7的走势相似。通过ADF检验(AugmentedDickey-Fuller,单位根检验)可以得到E1、E2、E3和E7为2阶单整,E4、E5、E6为1阶单整。根据定义,同阶单整才可以进行E-G协整检验(Engle-Granger,E-G协整检验),其检验结果如表1所示。在显著性水平为0.1的条件下,E1、E2、E3之间具有协整关系。E4、E5、E6之间具有协整关系。也就是说,E1~E3具有相同的变化趋势,E4~E6具有相同的变化趋势。E7虽代表着某种能量特征,但与RMS之间在当前显著水平下不具有协整关系,原因在于E7在求取的过程中存在傅里叶变换,而傅里叶变换本身存在混叠、泄漏等问题。E4~E6表征了每组信号的极值,稳定性较差,而E1~E3表征了每组信号的平均能量,稳定性较强。因RMS在工业上应用广泛,故可采用RMS代表幅值特征,由此,能量特征可以包括RMS2。
表1能量特征的E-G协整检验结果
2、复杂度特征
复杂度特征反映信号的复杂程度,常用的复杂度特征有近似熵、样本熵、模糊熵、香农熵、排列熵、L-Z复杂度等。为测试各个复杂度特征的性能,计算过程中相同的参数设为一致,以减少参数对结果的影响。表2列出了复杂度参数的选取。
样本熵是近似熵的改进方法,一般地,嵌入维数m取1或2;相似容限r通常选择0.2std,其中std为原信号的标准差。香农熵在计算时要对数据进行划分,设置极值间划分为50个区间。而排列熵在计算过程中与香农熵相近,其嵌入维数与样本熵和近似熵不同,排列熵的嵌入维数越大,越准确,但耗时更长,其计算量为嵌入维数的阶乘,经考虑将排列熵的嵌入维数设置为6。
表2复杂度的参数选取
为了测试复杂度的性能,设置一个仿真信号,仿真信号的公式可以为S(t)=X(t)+e(t);其中,X(t)=sin(2π×10t)为正弦信号,e(t)为高斯白噪声。采样频率为10000Hz,采样时间1s。通过改变噪声的强度进而改变信噪比,仿真信号复杂度的变化如图11所示。理论上,复杂度随着噪声的增加应当增强。可以看出,香农熵与排列熵不完全单调,说明二者的性能不够好。
为了进一步测试性能,需采用更一般的信号对复杂度进行测试。Logistic map模型(logistic map,逻辑斯谛映射)是典型的非线性系统,其表达式可简单表示为xn+1=μxn(1-xn),其中,xn为n点的数据,μ为系数。该模型中包含大量的周期和混沌信号,周期信号的复杂度应为0,混沌信号的复杂度应较高。图12给出了2.5<μ<4时Logistic map模型结果以及对应的最大Lyapunov指数(最大李雅普诺夫指数,LLE,the largest Lyapunovexponent)。LLE可以反映所出信号的复杂程度,LLE<0时表明信号为周期信号,LLE=0时是分岔点,LLE>0时表明信号为混沌信号。将6种复杂度特征带入Logistic map模型中,其结果如图13所示。由图13可以看出,香农熵和排列熵对周期信号的衡量存在误差。模糊熵在衡量μ=3.5时出现了偏差,这是由于模糊熵存在模糊隶属度而导致的问题。L-Z复杂度在μ=3.6左右发生了偏差,这是由于L-Z复杂度在计算过程中的粗粒化过程导致的。
由以上分析可知,近似熵和样本熵在六个复杂度中表现较好。同时,作为近似熵的改进算法,样本熵在计算时不包含自身数据段的比较,其优越性体现在较少地依赖时间序列长度,结果的一致性较好。由此,样本熵在这六个复杂度中的性能最好,复杂度特征可以包括样本熵。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
参考图14,本发明实施例还提供了一种轴承的失效预测装置,包括:
第一获取模块21,用于获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
第二获取模块22,用于获取目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入第一特征序列,将该第二特征值按时间顺序加入第二特征序列;第一时刻为在目标时刻后且与目标时刻间隔预设时间的时刻;
协整关系确定模块23,用于确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
判断模块24,用于若当前的第一特征序列和当前的第二特征序列存在协整关系,则将第一时刻作为新的目标时刻,并跳转至获取目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至当前的第一特征序列和当前的第二特征序列不存在协整关系;
预测结果输出模块25,用于若当前的第一特征序列和当前的第二特征序列不存在协整关系,则确定目标轴承失效。
本发明实施例根据轴承在正常运行时第一特征序列和第二特征序列之间存在协整关系的规律,每隔预设时间获取目标轴承的第一特征值和第二特征值,按时间顺序对应的加入第一特征序列和第二特征序列,并在每次形成新的第一特征序列和新的第二特征序列后判断当前的第一特征序列和当前的第二特征序列是否存在协整关系,直至当前的第一特征序列和当前的第二特征序列不存在协整关系,当目标轴承的第一特征序列和第二特征序列不存在协整关系时判断目标轴承失效。本发明实施例实时的获取轴承的特征值,并根据轴承的特征值判断轴承是否失效,可及时的发现轴承的异常,并对轴承及时进行维护或更换,可保证轴承的安全运行,避免事故发生。
一些实施例中,轴承的失效预测装置还可以包括:
指令输出模块26,用于向目标轴承发送停止指令,停止指令用于指示目标轴承停止运行。
一些实施例中,协整关系确定模块23可以包括:
单整阶数确定单元,用于确定当前的第一特征序列的单整阶数和当前的第二特征序列的单整阶数;
第一判断单元,用于若当前的第一特征序列的单整阶数与当前的第二特征序列的单整阶数不同,则当前的第一特征序列和当前的第二特征序列不存在协整关系;
第二判断单元,用于若当前的第一特征序列的单整阶数与当前的第二特征序列的单整阶数相同,则根据当前的第一特征序列和当前的第二特征序列,确定当前的第一特征序列和当前的第二特征序列是否存在协整关系。
一些实施例中,可以采用E-G协整检验法确定当前的第一特征序列和当前的第二特征序列是否存在协整关系。
一些实施例中,可以采用单位根检验法,确定当前的第一特征序列的单整阶数和当前的第二特征序列的单整阶数。
一些实施例中,第一特征值可以为能量特征的值,第二特征值可以为复杂度特征的值。
一些实施例中,能量特征可以包括RMS2,复杂度特征可以包括样本熵。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图15是本发明实施例提供的终端设备的示意框图。如图15所示,该实施例的终端设备15包括:一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个轴承的失效预测方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,处理器40执行计算机程序42时实现上述轴承的失效预测装置实施例中各模块/单元的功能,例如图14所示模块21至25的功能。
示例性地,计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在终端设备4中的执行过程。例如,计算机程序42可以被分割成第一获取模块21、第二获取模块22、协整关系确定模块23、判断模块24及预测结果输出模块25。
第一获取模块21,用于获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
第二获取模块22,用于获取目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入第一特征序列,将该第二特征值按时间顺序加入第二特征序列;第一时刻为在目标时刻后且与目标时刻间隔预设时间的时刻;
协整关系确定模块23,用于确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
判断模块24,用于若当前的第一特征序列和当前的第二特征序列存在协整关系,则将第一时刻作为新的目标时刻,并跳转至获取目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至当前的第一特征序列和当前的第二特征序列不存在协整关系;
预测结果输出模块25,用于若当前的第一特征序列和当前的第二特征序列不存在协整关系,则确定目标轴承失效。
其它模块或者单元可参照图14所示的实施例中的描述,在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图15仅仅是终端设备的一个示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种轴承的失效预测方法,其特征在于,包括:
获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
获取所述目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入所述第一特征序列,将该第二特征值按时间顺序加入所述第二特征序列;所述第一时刻为在所述目标时刻后且与所述目标时刻间隔预设时间的时刻;
确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
若所述当前的第一特征序列和所述当前的第二特征序列存在协整关系,则将所述第一时刻作为新的目标时刻,并跳转至所述获取所述目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至所述当前的第一特征序列和所述当前的第二特征序列不存在协整关系;
若所述当前的第一特征序列和所述当前的第二特征序列不存在协整关系,则确定所述目标轴承失效。
2.如权利要求1所述的轴承的失效预测方法,其特征在于,在所述确定所述目标轴承失效之后,还包括:
向所述目标轴承发送停止指令,所述停止指令用于指示所述目标轴承停止运行。
3.如权利要求1所述的轴承的失效预测方法,其特征在于,所述确定当前的第一特征序列和当前的第二特征序列是否存在协整关系,包括:
确定所述当前的第一特征序列的单整阶数和所述当前的第二特征序列的单整阶数;
若所述当前的第一特征序列的单整阶数与所述当前的第二特征序列的单整阶数不同,则所述当前的第一特征序列和所述当前的第二特征序列不存在协整关系;
若所述当前的第一特征序列的单整阶数与所述当前的第二特征序列的单整阶数相同,则根据所述当前的第一特征序列和所述当前的第二特征序列,确定所述当前的第一特征序列和所述当前的第二特征序列是否存在协整关系。
4.如权利要求3所述的轴承的失效预测方法,其特征在于,所述根据所述当前的第一特征序列和所述当前的第二特征序列,确定所述当前的第一特征序列和所述当前的第二特征序列是否存在协整关系,包括:
采用E-G协整检验法确定所述当前的第一特征序列和所述当前的第二特征序列是否存在协整关系。
5.如权利要求3所述的轴承的失效预测方法,其特征在于,所述确定所述当前的第一特征序列的单整阶数和所述当前的第二特征序列的单整阶数,包括:
采用单位根检验法,确定所述当前的第一特征序列的单整阶数和所述当前的第二特征序列的单整阶数。
6.如权利要求1至5任一项所述的轴承的失效预测方法,其特征在于,所述第一特征值为能量特征的值,所述第二特征值为复杂度特征的值。
7.如权利要求6所述的轴承的失效预测方法,其特征在于,所述能量特征包括RMS2,所述复杂度特征包括样本熵。
8.一种轴承的失效预测装置,其特征在于,包括:
第一获取模块,用于获取目标轴承在目标时刻的第一特征值和第二特征值,将该第一特征值作为第一特征序列的第一个值,并将该第二特征值作为第二特征序列的第一个值;
第二获取模块,用于获取所述目标轴承在第一时刻的第一特征值和第二特征值,并将该第一特征值按时间顺序加入所述第一特征序列,将该第二特征值按时间顺序加入所述第二特征序列;所述第一时刻为在所述目标时刻后且与所述目标时刻间隔预设时间的时刻;
协整关系确定模块,用于确定当前的第一特征序列和当前的第二特征序列是否存在协整关系;
判断模块,用于若所述当前的第一特征序列和所述当前的第二特征序列存在协整关系,则将所述第一时刻作为新的目标时刻,并跳转至所述获取所述目标轴承在第一时刻的第一特征值和第二特征值的步骤继续执行,直至所述当前的第一特征序列和所述当前的第二特征序列不存在协整关系;
预测结果输出模块,用于若所述当前的第一特征序列和所述当前的第二特征序列不存在协整关系,则确定所述目标轴承失效。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述轴承的失效预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述轴承的失效预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254918.0A CN112329249A (zh) | 2020-11-11 | 2020-11-11 | 轴承的失效预测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254918.0A CN112329249A (zh) | 2020-11-11 | 2020-11-11 | 轴承的失效预测方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329249A true CN112329249A (zh) | 2021-02-05 |
Family
ID=74317738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011254918.0A Pending CN112329249A (zh) | 2020-11-11 | 2020-11-11 | 轴承的失效预测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329249A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102152172A (zh) * | 2011-02-24 | 2011-08-17 | 天津大学 | 基于协整建模的刀具磨损监测方法 |
CN109271319A (zh) * | 2018-09-18 | 2019-01-25 | 北京航空航天大学 | 一种基于面板数据分析的软件故障的预测方法 |
CN109356798A (zh) * | 2018-11-08 | 2019-02-19 | 内蒙古科技大学 | 一种基于协整分析的风力发电机齿轮箱状态监测方法 |
CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源(武汉)股份有限公司 | 轴温异常状态的预测方法和装置 |
CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
EP3660482A1 (en) * | 2018-11-30 | 2020-06-03 | Siemens Aktiengesellschaft | System, apparatus and method of determining remaining life of a bearing |
-
2020
- 2020-11-11 CN CN202011254918.0A patent/CN112329249A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102152172A (zh) * | 2011-02-24 | 2011-08-17 | 天津大学 | 基于协整建模的刀具磨损监测方法 |
CN109271319A (zh) * | 2018-09-18 | 2019-01-25 | 北京航空航天大学 | 一种基于面板数据分析的软件故障的预测方法 |
CN109356798A (zh) * | 2018-11-08 | 2019-02-19 | 内蒙古科技大学 | 一种基于协整分析的风力发电机齿轮箱状态监测方法 |
EP3660482A1 (en) * | 2018-11-30 | 2020-06-03 | Siemens Aktiengesellschaft | System, apparatus and method of determining remaining life of a bearing |
CN109783873A (zh) * | 2018-12-18 | 2019-05-21 | 风脉能源(武汉)股份有限公司 | 轴温异常状态的预测方法和装置 |
CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
Non-Patent Citations (1)
Title |
---|
HONGRU LI,ET AL: "A Novel Health Indicator Based on Cointegration for Rolling Bearings’ Run-To-Failure Process", 《SENSORS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270482B (zh) | 电压互感器计量准确度在线评价方法及终端设备 | |
KR20150038356A (ko) | 유전적 프로그래밍을 이용한 잔여 유효 수명의 추정 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN113111591A (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN109643087B (zh) | 用于选择用于设备操作安全的可控参数的系统和方法 | |
CN113657622A (zh) | 电力设备多维状态数据融合方法、装置、终端及存储介质 | |
Schmitt et al. | Detecting bearing faults in line-connected induction motors using information theory measures and neural networks | |
CN109586249B (zh) | 变压器励磁涌流判别方法和装置 | |
CN112329249A (zh) | 轴承的失效预测方法及终端设备 | |
CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
CN116642696A (zh) | 铁路轴承健康监测方法、装置、系统、终端及存储介质 | |
Delgado-Prieto et al. | Novelty detection based condition monitoring scheme applied to electromechanical systems | |
CN115828244A (zh) | 一种内存泄露检测方法、装置及相关设备 | |
CN112347653A (zh) | 轴承的退化特征提取方法及终端设备 | |
CN110545516B (zh) | 一种线圈类设备故障的检测方法及检测装置 | |
CN111061254B (zh) | 一种phm系统性能的评价方法及系统 | |
CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
CN113704871A (zh) | 车轮弯曲疲劳的确定方法、装置、终端设备及介质 | |
Mharakurwa et al. | A Weighting Factor-Fuzzy logic based Transformer Residual Life Estimation Model | |
CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
CN114329905B (zh) | 全范围模拟机可信度评估方法、装置及计算机设备 | |
Luo et al. | Efficiency improvement for data-processing of partial discharge signals using parallel computing | |
Song et al. | Research on frequency band sparse optimization algorithm in health index of rolling bearing |
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: 20210205 |