CN113465923B - 一种磨煤机磨辊轴承的剩余寿命预测方法 - Google Patents
一种磨煤机磨辊轴承的剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113465923B CN113465923B CN202110635835.4A CN202110635835A CN113465923B CN 113465923 B CN113465923 B CN 113465923B CN 202110635835 A CN202110635835 A CN 202110635835A CN 113465923 B CN113465923 B CN 113465923B
- Authority
- CN
- China
- Prior art keywords
- grinding roller
- roller bearing
- bearing
- degradation
- neural network
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种磨煤机磨辊轴承的剩余寿命预测方法,包括步骤:1)采集磨煤机运行故障状态下的磨辊轴承振动相关参数,并对采集到的实时数据进行筛选;2)对筛选后的数据进行磨辊轴承的故障特征提取,并获取最优的共振频带,进而实现故障诊断;3)获取磨辊轴承的退化状态,对磨辊轴承的退化阶段进行划分,并提取轴承退化的特征指标;4)采用双向LSTM神经网络建立磨辊轴承剩余寿命预测模型,当磨辊轴承开始出现退化时,将轴承退化的特征指标作为模型输入,对磨辊轴承的剩余寿命进行预测。与现有技术相比,本发明具有有效实现磨煤机磨辊轴承的故障诊断、具有良好的退化趋势预测能力等优点。
Description
技术领域
本发明涉及火力发电技术领域,尤其是涉及一种磨煤机磨辊轴承的剩余寿命预测方法。
背景技术
磨煤机作为火电机组重要的辅机设备,也是锅炉制粉系统的核心,它的运行状况直接影响机组的稳定运行。ZGM113-型辊式磨煤机具有检修周期长、出力稳定、噪音低等优点,在燃煤电厂中得到了广泛应用。该磨煤机采用磨辊将经过磨盘环形槽中的物料碾压成煤粉,合格的细粉随气流一起被送入炉膛进行燃烧。但由于磨辊所磨的物料成分复杂,可能夹杂铁块、木块、石块等杂质,从而导致磨辊的加速磨损,继而影响正常碾磨出力并最终影响磨煤机出力。因此,磨辊作为辊式磨煤机的关键部件,对其进行故障诊断及寿命预测具有重要意义。不仅有利于磨煤机的安全稳定运行,也利于提高整个机组的安全性和经济性。
经过对现有文献的研究发现,目前尚无针对ZGM113-型辊式磨煤机磨辊轴承的故障诊断及寿命预测研究。文献“ZGM中速磨煤机局部磨损问题分析及治理”针对磨煤机一次风入口风道侧的磨辊处磨损严重问题,通过现场试验和CFD数值模拟相结合的方式,得出风环喷口的流场分布特性并提出相应的改造方案。文献“ZGM113G型磨煤机出力不足原因诊断及改进措施”针对某电厂ZGM113G型磨煤机出力不足问题进行了详细的分析,发现一次风管道入口处的磨辊相较于其他磨辊磨损量更大,由此提出了磨煤机入口一次风道优化、磨煤机碾磨材料升级、更换新型喷嘴等解决措施。在上述两篇文献的研究中都通过在现场进行流体动力学测试分析出了磨辊磨损的具体原因,且都针对ZGM113G型磨煤机磨辊磨损问题给出了相应的解决措施,但却没有针对磨辊轴承的磨损进行具体研究,也没有分析轴承自身的故障特征。另外,上述文献只是在磨煤机本体上进行改造,并没有研究磨辊轴承的剩余使用寿命预测模型,从而无法估计对磨辊进行检修和更换轴承的时间,导致有安全隐患的存在。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种磨煤机磨辊轴承的剩余寿命预测方法。
本发明的目的可以通过以下技术方案来实现:
一种磨煤机磨辊轴承的剩余寿命预测方法,该方法包括如下步骤:
S1:采集磨煤机运行故障状态下的磨辊轴承振动相关参数,并对采集到的实时数据进行筛选。所述磨辊轴承振动相关参数包括磨辊轴承温度、轴承转速和轴承的振动幅值。
S2:对筛选后的数据采用VMD进行磨辊轴承的故障特征提取,并从不同的分量中利用熵值法筛选出最优的共振频带,进而实现故障诊断。
进一步地,采用的VMD通过网格搜索法进行分解层数及惩罚因子的寻优搜索。所述网格搜索法采用包络稀疏性函数作为目标函数。
所述包络稀疏性函数作为目标函数的表达式为:
式中,x(n)为所要搜索的参数的分量,n为分量的序号,N为分量的总数,‖x‖1为x(n)的1范数,‖x‖2为x(n)的2范数。
对于通过VMD得到的分量,对每一个分量提取故障特征指标,采用熵值法确定各故障特征指标的权重,并求取各故障特征指标的信息效用熵,选取信息效用熵最高的故障特征指标对应的分量频带作为最优共振频带。
S3:获取磨辊轴承的退化状态,对磨辊轴承的退化阶段进行划分,并提取轴承退化的特征指标。
进一步地,采用余弦相似度方法选出符合要求的轴承退化的特征指标,将其生成双向LSTM神经网络的输入矩阵,其特征相对应的退化状态作为双向LSTM神经网络的输出目标矩阵。
具体地,根据磨辊轴承的转速将磨辊轴承工况进行分类,对不同工况的磨辊轴承振动信号提取rms值,基于rms值将磨辊轴承的退化规程划分不同阶段,根据不同阶段的节点提取时域上的特征指标,并计算这些特征指标和拟合曲线的余弦相似度,筛选余弦相似度高的特征指标作为表征滚动轴承的退化过程指标,并得到输入矩阵,筛选出的特征指标相对应的退化状态作为神经网络的输出目标矩阵。
S4:采用双向LSTM神经网络建立磨辊轴承剩余寿命预测模型,当磨辊轴承开始出现退化时,将轴承退化的特征指标作为模型输入,对磨辊轴承的剩余寿命进行预测。具体包括下列步骤:
41)设置用双向LSTM神经网络参数,建立神经网络;
42)将S3得到的轴承退化的特征指标样本输入至所建立的神经网络中,对其进行训练,得到训练模型;
43)将测试样本输入到训练好的神经网络中,测试其预测磨辊轴承剩余寿命的能力。
本发明提供的磨煤机磨辊轴承的剩余寿命预测方法,相较于现有技术至少包括如下有益效果:
1)本发明通过获取磨辊轴承的故障特征,采用以包络稀疏性作为目标函数的网格搜索法进行其分解层数和惩罚因子的设定,经过参数设定后的VMD法可以很好地将原始信号中的共振频带分解开,将VMD与基于非线性动力学参数的信号复杂性的熵值法相结合,提出了基于改进变分模态分解和熵值法的轴承退化故障识别方法,通过定量描述轴承时间序列信号频段间非线性的效用熵,有助于探索轴承故障最优的共振频带,进而可有效实现磨煤机磨辊轴承的故障诊断,可良好适用于ZGM113G型磨煤机磨辊磨损问题。
2)采用双向LSTM神经网络(Bi-directional LSTM)对磨辊轴承进行退化状态预测和剩余寿命预测,模型具有良好的退化趋势预测能力,可以对轴承剩余使用寿命做到有效的预测评估,采用的两层堆叠的Bi-LSTM网络结构可以利用第一层两个方向的输出一起用于下一层的输入,能够实现更深层次的特征表达;电厂运行人员可以根据磨煤机磨辊轴承寿命预测的结果决定是否对其进行维护和更换部件,不仅可以变故障事后处理为事前维护,也对提高磨煤机和整个电厂机组的安全稳定运行具有重要意义。
3)基于RMS值将磨煤机轴承退化过程划分为多个阶段,采用RMS值提取特征指标,计算特征指标和拟合曲线的余弦相似度来筛选剩余寿命预测模型的输入样本,可进一步提高剩余寿命预测的精度。
4)本发明不同于对磨煤机本体进行改造的思路,而推行磨煤机磨辊轴承的主动维护模式,不仅可以有效避免因磨辊磨损而引起的事故,且可以提高磨煤机的设备使用率、减少其停机维修次数;对于实现电厂安全、经济、高效的运行具有十分重要的意义。
附图说明
图1为实施例中磨煤机磨辊轴承的剩余寿命预测方法的流程示意图;
图2实施例中为Bi-LSTM网络结构图;
图3为实施例中Bi-LSTM网络预测流程图;
图4为实施例中轴承信号的时域图谱;
图5为实施例中轴承信号的频域图谱;
图6为实施例中惩罚因子和目标函数关系图;
图7为实施例中分量U2频谱图;
图8为实施例中rms最小二乘拟合图,其中,(8a)为工况1-1轴承数据的拟合图,(8b)为工况2-1轴承数据的拟合图;
图9为实施例中退化速度与rms关系(工况1-1);
图10为实施例中退化速度与rms关系(工况2-1);
图11为实施例中磨辊轴承寿命预测图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明涉及一种磨煤机磨辊轴承的剩余寿命预测方法,该方法包括如下步骤:
步骤一、通过传感器测量与磨辊轴承振动相关的参数,并对采集到的实时数据进行筛选。
与磨辊轴承振动相关的参数主要包括磨辊轴承温度、轴承转速、轴承的振动幅值等;对于实时数据筛选,采用测点趋势法对异常数据进行处理,即查看每个测量点的历史数据趋势变化,如果采集到的数据点严重偏离大多数数据的统计特征,则将其剔除。
步骤二、采用VMD和熵值法进行磨辊轴承的故障特征提取,从不同的分量中筛选出最优的共振频带,从而达到故障诊断的目的。
采用的变模态分解法(variational mode decomposition,VMD)是针对模态混叠现象的非线性、非平稳信号的处理方法,与常见的经验模态分解法(empirical modedecomposition,EMD)相比,该方法克服了EMD分解缺少理论依据和模态混叠现象等缺点。作为一种信号的自适应处理方法,变模态分解的核心就是变分问题,即使得每个模态的估计带宽之和最小。与EMD分解法相比,变模态分解将分量再次定义,把每个分量看作是简单的调幅调频信号Uk。
Uk(t)=Ak(t)cos(Φk(t)) (1)
式中,Ak(t)为幅值,Φk(t)为瞬时频率。
变模态分解方法就是对于给定的信号f(t),通过计算将其分解成K个信号的子信号分量Uk,这些分量不仅可以完全地再现输入的特性,而且保证了稀疏性。但VMD方法也存在自身的缺陷,即对信号进行分解处理时,不具备EMD分解那样很好的自适应性,因此需要对分解的层数和惩罚因子进行设定。本发明中使用以包络稀疏性函数作为目标函数的网格搜索法实现对这两个参数的寻优搜索。包络稀疏性的公式如下:
式中,x(n)为所要搜索的参数的分量,n为分量的序号,N为分量的总数,‖x‖1为x(n)的1范数,‖x‖2为x(n)的2范数。
更进一步地,网格搜索法的具体步骤如下:
1)选择合适的搜索目标,确定要进行网格搜索的参数;
2)进行初步的粗搜索:将其中一个参数取定值,对另一个参数进行大范围的搜索并观察其变化趋势,以便于在下一步中缩小此参数的搜索范围。在本发明中,分解层数设定为4,惩罚因子的搜索范围设定为10到3000;
3)进行进一步的细搜索:根据上一步中得出的参数变化的趋势,进一步缩小参数的取值范围,重复网格搜索的过程,并且得出不同分解层数所对应的包络稀疏性的值。在此发明中,将分解的搜索层设定为2到6层,缩小后的惩罚因子的取值范围为100到200;
4)将上一步中得出的搜索结果用图标的形式表示出来,根据图标对数据进行对比分析,分析哪个参数更加接近目标函数,此参数的组合即是网格搜索的最优结果。在本发明中,得到的最优分解层数为4,惩罚因子的最优取值为100。
经过网格搜索设定参数后的VMD分解方法,可以很好地将原信号中的共振频带分解开来,从而为之后筛选最优共振频带提供了理论基础。
本步骤运用熵值法对VMD分解之后的参数进行筛选,即提取故障特征。在采集到的信号中,由于每个信号的熵值不同,即携带的信息程度不同,因此对其进行VMD分解后得到的分量的各个特征参数的熵值也是不同的,也就保证了各个特征参数的权值是不同的。
从VMD分解所得到的分量Uk中筛选最优频带时需要用到参数评价,但因为采用单一指标进行筛选时会受噪声等多方面干扰,因此本发明运用熵值法确定各参数的权重,参数权重的大小反应了其对原信息的响应程度。
首先要构造一个评价系统初始数据矩阵:
其中,xij表示第i个样本的第j项评价指标的数值。对该矩阵的求解步骤如下:
1)对样本中的指标值进行标准化和非负化处理,公式如下:
式中,xj为第j项指标值,xmax为第j项指标的最大值,xmin为第j项指标的最小值,xij'为标准化的值。
2)计算第j项指标下第i个样本指标值的比重:
由此可以构建数据的比重矩阵Y={yij}m*n。
3)计算第j项指标的信息熵值的公式为:
这样就得出了各参数的权重大小。
更进一步地,为了筛选出最优的共振频带,本发明中提取了均方值、波形指标、有效值、峭度四个特征指标,给每一个经VMD分解所得到的分量分别求取其四个特征指标的具体值,而后运用熵值法将四个特征指标进行融合。首先给每一个特征指标计算其权值,再求取各个分量的信息效用熵,其中信息效用熵最高的就是最优共振频带。从不同的分量中筛选出最优共振频带后,也就达到了故障诊断的目的。
步骤三、分析磨辊轴承的退化状态,对轴承的退化阶段进行划分,并提取轴承退化的特征指标。本步骤主要目的是当滚动轴承开始出现退化时对其进行的寿命预测。具体的步骤如下:
1)首先将所要的信号当中的退化阶段截取出来,然后对截取后的信号进行特征提取;
RMS(均方根值水平)是常用的表征振动大小的特征值,本发明根据RMS值的变化趋势将磨煤机两种不同工况下的磨辊轴承的退化阶段分为了两类。一类为:平稳期、退化期和报废期;另一类为:平稳期和报废期。根据划分后的信号提取在时域上的特征指标。如特征当中的均值、均方值、有效值、方差、均方差等。
2)对提取的各个特征进行分析对比,分析其与滚动轴承寿命退化之间的关系,从而筛选出可以作为输入样本的特征,再将其进行归一化处理;
本发明运用余弦相似度对方向的敏感性,计算每一个特征指标和数据rms值的拟合曲线的余弦相似度,也就是每个特征指标和rms值在空间上的一致性,其值越大说明一致性越高,也就越能表征轴承的退化过程。经过筛选,最终选择均值、均方值、有效值、方差、均方差和峭度作为下一步中双向LSTM神经网络的输入。
3)把处理好的样本分为输入训练集和预测集,训练集来训练模型,测试集用来对训练好的模型进行测试。
步骤四、采用双向LSTM神经网络(Bi-directional LSTM)建立磨辊轴承寿命预测模型。本步骤将多个LSTM层堆叠到一起,更多的层数就拥有了更大的能力去处理复杂的非线性映射问题。且采用双向LSTM结构(Bi-directional LSTM),在该结构中输入数据正向和逆向计算过程和结果是相互独立的。LSTM网络中循环体的状态量可以分为短期状态ct和长期状态ht,输入数据逆方向计算过程如下所示:
式中,ft为遗忘门,主要作用是舍弃掉部分无用信息;σ为激活函数,一般为Sigmoid函数;Wxf为输入数据的权重系数;Whf为输出数据的权重系数;bf为神经元节点偏置;xt与ht+1分别为此时刻的输入和下一时刻的输出。
式中,gt为网络内的输出;φ为激活函数,Wxg为输入数据的权重系数;Whg为输出数据的权重系数;bg为神经元节点偏置;xt与ht+1分别为此时刻的输入和下一时刻的输出。
更进一步地,建立磨辊轴承剩余寿命预测模型时,要对轴承剩余寿命阶段进行划分。本发明在时间域上的主要输入样本的来源是由滚动轴承的退化期和报废期所提供的,其在时间域的总时间长度即是轴承的总寿命,而输入测试点时刻的剩余寿命就是总的寿命减去此时刻运行的时间。
建立磨辊轴承剩余寿命预测模型的具体步骤如下所示:
S1:对原始信号进行预处理,剔除掉其中的异常数据;
S2:提取处理后信号的特征指标,比如时域特征、频域特征或是时频特征等,得到可以代表原始信号的特征矩阵;
S3:利用余弦相似度方法选出符合要求的特征指标,得到Bi-LSTM神经网络的输入矩阵,其特征相对应的退化状态就是神经网络的输出目标矩阵;
S4:设置好Bi-LSTM神经网路的隐含层个数等参数,建立神经网络;
S5:将S3中得到的样本输入到S4中所建立的神经网络,对其进行训练,得到训练模型;
S6:将测试样本输入到训练好的神经网络中,测试其预测磨辊轴承剩余寿命的能力。
为了进一步了解本发明方法的内容,结合附图和实例对本发明方法作详细描述。结合图4、图5所示,建立磨煤机磨辊轴承寿命预测模型前,首先要采集轴承的相关数据,比如磨辊轴承信号的时域及频域图谱。
如图6所示,磨煤机磨辊轴承在发生故障时,其振动信号在不同频带上的能量会发生变化,若可以把不同频带的特征信号提取出来并从中筛选出代表轴承故障的频带,将其和理论的故障频率相对比,就能达到故障诊断识别的目的。本实施例采用VMD分解对传感器中采集到的信号进行处理,首先采用网格搜索法确定其中的参数。将分解层数的值定为4,惩罚函数的取值范围定为10到3000,将惩罚因子和目标函数的关系运用图表示出来如图6所示。
由图可知,惩罚因子α的取值范围可以缩小到100到200。将VMD方法分解的层数设置为2到6层,结合缩小后的取值范围重复进行网格搜索,结果如下表所示:
表1网格搜索结果
由上表中的结果可知,此信号的最优分解层数为4,惩罚因子的值为100,设定好参数之后即可进行VMD分解。
然而,从VMD分解信号后的图谱中还是很难分辨最优的共振频带,因此利用熵值法将四个特征指标融合为依据,从中筛选出最优的共振频带。首先对每一个分量提取四个以上的特征指标,如下表所示:
表2不同分量的特征指标
可以看出,从单一指标中并不能得到最优频带,因此利用熵值法将四个特征指标进行融合,得到不同分量的权值及信息效用熵如下表所示:
表3各个特征指标参数的权值
表4各个分量的信息效用值
由表3得出的结果看出,在四个特征指标中峭度对结果的影响是最大的,而波形指标的影响最小。由表4得出的结果看出,分量U2的信息效用值最高,故可认为其包含的故障信息最多,即U2是最优共振频带。
结合图7所示,从U2的频谱图中可以清晰地看出故障频率102Hz以及倍频208Hz和310Hz,且此分量当中的干扰成分很少。因此熵值法可以有效地从不同分量中筛选出最优的共振频带,从而达到故障诊断的目的。
结合图7所示,在利用Bi-LSTM神经网络建立滚动轴承的剩余寿命预测模型前,要对所给出的故障数据进行预处理,划分出训练样本与测试样本,并且要确立神经网络训练时的目标。根据轴承转速将轴承工况分为两类。对不同工况的信号提取RMS值,并用最小二乘法拟合出它们在时域上的变化趋势图。由图8可以看出,两类轴承数据的前阶段都是比较平稳的,这时可以将此阶段定义为运转平稳期;而后的阶段两种工况轴承出现了分歧,工况1-1轴承有变化但是比较平缓,可以称此阶段为衰退期,而工况2-1轴承斜率发生了很大的变化,可把此阶段定义为报废期;工况1-1轴承在衰退期又运转了一段时间也进入报废阶段。这样一来就可以根据RMS值将滚动轴承的退化过程划分出不同阶段。其中,1-1表示工况1下的1号轴承;2-1表示工况2下的1号轴承。
结合图9、图10所示,将每一组信号的前500个RMS点取平均值,轴承1-1的RMS均值为0.582,轴承2-1的RMS均值为0324,并将均值的1.2倍设置为第一阶段和第二阶段的临界点,将均值的2倍设置为第二阶段和第三阶段的临界点,因此可划分阶段如图10。
接下来,对滚动轴承提取在时域上的特征指标,并计算这些特征指标和拟合曲线的余弦相似度,如果余弦相似度足够高,就可以认为此特征指标可以用来表征滚动轴承的退化过程。最终的结果得出,特征当中的均值、均方值、有效值、方差、均方差的值都大于0.7,而其它的特征指标的相似度值远远小于0.7,由此便可以筛选出均值、均方值、有效值、方差、均方差和峭度作为Bi-LSTM神经网络预测磨辊轴承剩余寿命的输入样本。
因为每个采样点对应一个剩余寿命,所以可以每隔10个点采集一次,得到1544个采样点所对应的剩余寿命,而后取这1544个点所对应的六个特征指标的值,将工况1-1和1-2轴承的特征数据各772个作为神经网络的训练样本,其中的六个特征指标为输入样本,而其所对应的剩余寿命为输出样本;再取工况1-3轴承数据772个作为神经网络的测试样本,对训练好的神经网络模型进行测试。其中网络的输入单元数为6,输出单元数为772,训练轮数设为200,选取网络的隐含层节点数为[31,42]。工况1下设置不同隐含层节点数时的预测误差值如下表所示:
表5不同隐含层节点数所对应测试结果的均方误差
由上表可知,当隐含层节点数为41时,测试结果的均方误差最小,过41后均方误差的值又开始递增,因此可认为在隐含层节点数为41时达到最优解。结合图11所示,建立磨辊轴承寿命预测模型,可得到寿命预测的真实值与预测值对比图。
本发明中提出的通过Bi-LSTM神经网络构建模型的方法,需要进行多次迭代输入,在每一次迭代中,前一次预测的最后一次输出附加在当前输入的末尾,当前迭代的最后输出等于或大于预设阈值时预测结束,经测试,本模型显示出良好的退化趋势预测能力,可以对轴承剩余使用寿命做到有效的预测评估。由此,电厂运行人员可以根据磨煤机磨辊轴承寿命预测的结果决定是否对其进行维护和更换部件,不仅可以变故障事后处理为事前维护,也对提高磨煤机和整个电厂机组的安全稳定运行具有重要意义。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,包括下列步骤:
1)采集磨煤机运行故障状态下的磨辊轴承振动相关参数,并对采集到的实时数据进行筛选;
2)对筛选后的数据进行磨辊轴承的故障特征提取,并获取最优的共振频带,进而实现故障诊断;
3)获取磨辊轴承的退化状态,对磨辊轴承的退化阶段进行划分,并提取轴承退化的特征指标;
4)采用双向LSTM神经网络建立磨辊轴承剩余寿命预测模型,当磨辊轴承开始出现退化时,将轴承退化的特征指标作为模型输入,对磨辊轴承的剩余寿命进行预测;
步骤2)的具体内容为:
对筛选后的数据采用VMD进行磨辊轴承的故障特征提取,并从不同的分量中利用熵值法筛选出最优的共振频带,进而实现故障诊断;
步骤2)中,采用的VMD通过网格搜索法进行分解层数及惩罚因子的寻优搜索;
所述网格搜索法采用包络稀疏性函数作为目标函数;
所述包络稀疏性函数作为目标函数的表达式为:
式中,x(n)为所要搜索的参数的分量,n为分量的序号,N为分量的总数,‖x‖1为x(n)的1范数,‖x‖2为x(n)的2范数。
2.根据权利要求1所述的磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,所述磨辊轴承振动相关参数包括磨辊轴承温度、轴承转速和轴承的振动幅值。
3.根据权利要求1所述的磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,对于通过VMD得到的分量,对每一个分量提取故障特征指标,采用熵值法确定各故障特征指标的权重,并求取各故障特征指标的信息效用熵,选取信息效用熵最高的故障特征指标对应的分量频带作为最优共振频带。
4.根据权利要求1所述的磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,步骤3)中,采用余弦相似度方法选出符合要求的轴承退化的特征指标,将其生成双向LSTM神经网络的输入矩阵,其特征相对应的退化状态作为双向LSTM神经网络的输出目标矩阵。
5.根据权利要求4所述的磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,步骤3)的具体内容为:
根据磨辊轴承的转速将磨辊轴承工况进行分类,对不同工况的磨辊轴承振动信号提取rms值,基于rms值将磨辊轴承的退化规程划分不同阶段,根据不同阶段的节点提取时域上的特征指标,并计算这些特征指标和拟合曲线的余弦相似度,筛选余弦相似度高的特征指标作为表征滚动轴承的退化过程指标,并得到输入矩阵,筛选出的特征指标相对应的退化状态作为神经网络的输出目标矩阵。
6.根据权利要求4所述的磨煤机磨辊轴承的剩余寿命预测方法,其特征在于,步骤4)具体包括下列步骤:
41)设置用双向LSTM神经网络参数,建立神经网络;
42)将步骤3)得到的轴承退化的特征指标样本输入至所建立的神经网络中,对其进行训练,得到训练模型;
43)将测试样本输入到训练好的神经网络中,测试其预测磨辊轴承剩余寿命的能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635835.4A CN113465923B (zh) | 2021-06-08 | 2021-06-08 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635835.4A CN113465923B (zh) | 2021-06-08 | 2021-06-08 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113465923A CN113465923A (zh) | 2021-10-01 |
CN113465923B true CN113465923B (zh) | 2023-04-11 |
Family
ID=77868727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635835.4A Active CN113465923B (zh) | 2021-06-08 | 2021-06-08 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113465923B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
CN114925723B (zh) * | 2022-05-06 | 2023-04-07 | 盐城工学院 | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 |
CN115326397B (zh) * | 2022-07-28 | 2023-10-27 | 沈阳顺义科技有限公司 | 建立曲轴轴承磨损程度预测模型及预测方法和相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3880455B2 (ja) * | 2002-05-31 | 2007-02-14 | 中国電力株式会社 | 転がり軸受の余寿命診断方法及びこの余寿命診断装置 |
CN109829402B (zh) * | 2019-01-21 | 2022-08-30 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN109708891B (zh) * | 2019-01-30 | 2021-07-20 | 华南理工大学 | 一种柔性椭圆轴承滚道故障诊断方法 |
CN109726524B (zh) * | 2019-03-01 | 2022-11-01 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN110398368B (zh) * | 2019-07-26 | 2021-05-11 | 上海工程技术大学 | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 |
CN111044287A (zh) * | 2019-12-31 | 2020-04-21 | 湖南大学 | 一种基于概率输出弹性凸包的滚动轴承故障诊断方法 |
CN112036547B (zh) * | 2020-08-28 | 2023-09-22 | 徐工汉云技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
CN112434390B (zh) * | 2020-12-01 | 2024-03-29 | 江苏科技大学 | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 |
-
2021
- 2021-06-08 CN CN202110635835.4A patent/CN113465923B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113465923A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113465923B (zh) | 一种磨煤机磨辊轴承的剩余寿命预测方法 | |
Meng et al. | Fault analysis of wind power rolling bearing based on EMD feature extraction | |
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
Zhang et al. | Multi-fault diagnosis for rolling element bearings based on ensemble empirical mode decomposition and optimized support vector machines | |
Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
CN101660969B (zh) | 一种用于齿轮箱故障智能诊断的方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN106813921A (zh) | 一种旋转机械复合故障诊断方法 | |
CN115371988A (zh) | 基于多特征融合的工程机械故障诊断方法及系统 | |
Zhou et al. | A mechanical part fault diagnosis method based on improved multiscale weighted permutation entropy and multiclass LSTSVM | |
Song et al. | Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram | |
CN112215286B (zh) | 基于小波分解重构及近邻算法的磨煤机运行状态判别方法 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
Chen et al. | Study on planetary gear degradation state recognition method based on the features with multiple perspectives and LLTSA | |
Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble | |
Luo et al. | Fault diagnosis based on orthogonal semi-supervised LLTSA for feature extraction and Transductive SVM for fault identification | |
CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 | |
As | Comparisons of MFDFA, EMD and WT by neural network, Mahalanobis distance and SVM in fault diagnosis of gearboxes | |
Zhao et al. | Performance prediction methodology based on pattern recognition |
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 |