CN113962253A - 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 - Google Patents
基于深度小波极限学习机的轴承剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113962253A CN113962253A CN202111130094.0A CN202111130094A CN113962253A CN 113962253 A CN113962253 A CN 113962253A CN 202111130094 A CN202111130094 A CN 202111130094A CN 113962253 A CN113962253 A CN 113962253A
- Authority
- CN
- China
- Prior art keywords
- bearing
- signals
- degradation
- learning machine
- vibration signal
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度小波极限学习机的轴承剩余寿命预测方法及系统,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;构建基于深度小波极限学习机的监督学习模型得到DWELM‑HI指标;采用线性模型描述DWELM‑HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布。本发明将数据驱动与模型驱动寿命方法相结合,一方面避免由于不同轴承退化趋势差异降低模型驱动方法预测精度;另一方面给出轴承剩余寿命的概率分布,为预知维护提供重要信息。
Description
技术领域
本发明属于机械系统状态监测与健康管理技术领域,具体涉及一种基于深度小波极限学习机的轴承剩余寿命预测方法及系统。
背景技术
高端轴承是航空发动机、数控机床、高速列车、风力发电机、直升机等重大装备的关键零部件,其健康服役是装备整机运行安全的重要保障。由于轴承服役环境复杂、运行工况多变,导致事故频发,运行维护成本居高不下,严重影响装备的可靠性和经济性。轴承状态监测与健康管理,是风电、轨道交通、航空航天等行业的迫切需求。
轴承状态监测与健康管理包含以下几部分内容:数据获取、健康指标(HI)构建、健康阶段(HS)划分、剩余寿命(RUL)预测。轴承运行过程中,在各种载荷和应力的作用下,其性能不可避免地会随着时间逐渐退化直至失效。剩余使用寿命寿命(Remaining usefullife,RUL)通常被定义为从当前时刻开始到退化指标(或健康指数)首次穿过失效阈值的时刻之间的持续时长。其中,失效阈值通常是指工程中或经验上能被接受的一个安全范围。剩余使用寿命寿命在某些领域也被称为预测距离或前导时间,它在预测与健康管理中是一个至关重要的指标。该指标能够为轴承备件管理以及设备维修计划提供支持,在保证安全前提下,降低整体维修费用。因此,剩余使用寿命预测技术是状态监测与健康管理系统的核心,是实现降低维修保障费用、提高装备完好率的关键所在。传统模型驱动的方法以统计指标反映轴承健康状态,容易受到轴承个体差异以及运行工况等的影响。而数据驱动的方法难以得到体现剩余寿命预测不确定性的概率分布,为预知维护提供信息有限。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于深度小波极限学习机的轴承剩余寿命预测方法及系统,在轴承运行过程中实时评估轴承健康状态并预测轴承剩余使用寿命。
本发明采用以下技术方案:
一种基于深度小波极限学习机的轴承剩余寿命预测方法,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;构建基于深度小波极限学习机的监督学习模型,利用标注的不同健康状态轴承信号和每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
具体的,通过时变3σ准则检测轴承故障发生时刻具体为:
输入:当前时刻t前轴承振动信号的均方根序列xrms(t),触发机制预设的连续异常点数S,连续检测到的异常点数P;
设P=0;计算xrms(t)的均值μ(t)和标准差δ(t);如果|xrms(t)-μ(t)|≥3σ(t)那么,P=P+1,结束循环;否则t=t+1,返回重新计算xrms(t)的均值μ(t)和标准差δ(t);
如果P>=S那么,结束循环;否则t=t+1,返回重新计算xrms(t)的均值μ(t)和标准差δ(t);
输出:FOT=t-P为故障发生时刻。
具体的,采用信号处理方法对振动信号进行分解具体为:
通过加速度传感器间隔采集轴承的水平振动信号和垂直振动信号;获得水平振动信号和垂直振动信号后,对水平振动信号和垂直振动信号进行分解,加上原始振动信号,获得多组信号,计算多组信号的均方根值,得到多尺度均方根特征。
进一步的,间隔采集轴承的水平振动信号和垂直振动信号具体为:
根据轴承所在设备结构,将加速度传感器安装在轴承座的水平、垂直方向;在轴承运行过程中,采用间隔采样方式采集轴承水平、垂直振动信号。
进一步的,采用二代小波包分解的信号处理方法对原始的水平振动信号和垂直振动信号进行分解。
具体的,构建基于深度小波极限学习机的监督学习模型具体为:
具体的,基于线性模型和粒子滤波方法预测轴承的剩余使用寿命具体如下:
S502、取上一步(tk-1)模型参数的后验PDF作为当前步骤(tk)的先验,根据以下公式计算当前时间的损伤状态θk=θk-1-bkΔt,Δt为时间间隔;
S505、根据获得的估计参数,通过递归外推损伤状态至失效阈值来预测失效时间和RUL。
进一步的,步骤S504中,采用逆累积密度函数方法重新采样粒子具体为:
根据似然函数计算CDF;从均匀分布中产生一个随机值;选择与CDF值最接近的粒子作为重采样结果;重复此过程n次数,得到n个权重相等的粒子。
本发明的另一技术方案是,一种基于深度小波极限学习机的轴承剩余寿命预测系统,包括:
标注模块,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;
分解模块,采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;
指标模块,构建基于深度小波极限学习机的监督学习模型,利用标注模块标注的不同健康状态轴承信号和分解模块每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;
预测模块,采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于深度小波极限学习机的轴承剩余寿命预测方法,以时变3σ准则检测故障发生时刻,将轴承运行过程划分为正常阶段和退化阶段,相对于传统3σ准则具有更高的准确性与鲁棒性;此外,通过构建基于深度小波极限学习机的监督学习模型,得到线性演化趋势的健康指标,通过线性模型描述指标演化趋势,并采用粒子滤波估计模型参数,预测轴承剩余使用寿命,克服了传统数据驱动和模型驱动方法的缺点。
进一步的,采用时变3σ准则检测振动加速度信号均方根值序列的异常点,将轴承运行过程划分为正常阶段和退化阶段,并按0~1区间的数字对不同健康状态轴承信号进行标注,能够直观地反映轴承健康状态,并且有利于机器学习算法对不同轴承地健康状态进行归一化学习。
进一步的,采集的轴承水平、垂直振动信号能够为后续步骤提供数据。
进一步的,间隔采集轴承的水平振动信号和垂直振动信号可以降低存储和处理数据量,提高计算效率,减少使用存储空间。
进一步的,采用二代小波包分解的信号处理方法对原始水平、垂直振动信号进行分解,得到多尺度均方根值,能够反映不同退化阶段轴承振动信号局部与全局特征,保证寿命预测精度。
进一步的,深度小波极限学习机对轴承状态进行评估,构建DWELM-HI指标,将不同退化趋势轴承,统一转化为线性趋势,有利于提高寿命预测的精度。
进一步的,采用线性模型和粒子滤波方法预测轴承寿命预测,能够消除并量化轴承剩余寿命的不确定性,给出预测RUL概率分布,为预知维护提供信息。
进一步的,可以根据测量值zk的似然函数递归更新RUL的预测值及其概率分布。
进一步的,采用逆累积密度函数方法重新采样粒子,可以避免粒子滤波方法的粒子退化问题。
综上所述,本发明能够准确、实时地输出轴承剩余寿命预测结果,使得相关人员能够对高端设备的轴承运行现状进行准确的把握,从而防止重大事故的发生,并且根据轴承的寿命信息,规划设备的维修活动,防止轴承“欠维护”与“过维护”,降低设备维护成本。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明总体流程图;
图2为间隔采样说明图;
图3为时变3σ准则说明图;
图4为使用ELM、WELM、DELM、DELM-RBF和DWELM对2-1轴承状态评估结果图;
图5为2-1轴承在检视点的DWELM-HI预测结果图;
图6为使用RMS-PF对2-1轴承RUL预测结果图;
图7为使用DWELM-HI-PF对2-1轴承RUL预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于深度小波极限学习机的轴承剩余寿命预测方法,首先通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;然后,采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;接着,构建基于深度小波极限学习机的监督学习模型,得到DWELM-HI指标,实时评估轴承健康状态;最后,采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命(RUL)并给出RUL概率分布。
请参阅图1,本发明一种基于深度小波极限学习机的轴承剩余寿命预测方法,包括以下步骤:
S1、通过加速度传感器间隔采集轴承的水平振动信号和垂直振动信号;
S101、根据轴承所在设备结构,将加速度传感器安装在轴承座的水平、垂直方向;
S102、在轴承运行过程中,采用间隔采样方式采集轴承水平、垂直振动信号,如图2所示。
例如,隔1分钟采样10秒的振动数据。
S2、获得水平振动信号和垂直振动信号后,对水平振动信号和垂直振动信号进行分解,加上原始振动信号,获得多组信号,计算多组信号的均方根值,得到多尺度均方根特征;
优选的,采用二代小波包分解的信号处理方法对原始水平振动信号和垂直振动信号进行分解。
S3、计算每个采样间隔内振动加速度均方根值,采用时变3σ准则检测振动加速度信号均方根值序列的异常点,得到故障发生时刻,将轴承运行过程划分为正常阶段和退化阶段,并按0~1区间的数字对不同健康状态轴承信号进行标注;
请参阅图3,时变3σ准则具体步骤为:
输入:xrms(t)表示当前时刻t前轴承振动信号的均方根序列,S为触发机制预设的连续异常点数,P为连续检测到的异常点数;
1):设P=0;
2):计算xrms(t)的均值μ(t)和标准差δ(t);
3):如果|xrms(t)-μ(t)|≥3σ(t)那么,
4):P=P+1;
5):否则t=t+1,转到步骤1);
6):结束循环;
7):如果P>=S那么,
8):转到步骤10);
9):否则t=t+1,转到步骤2);
10):结束循环;
输出:FOT=t-P为故障发生时刻。
S4、构建基于深度小波极限学习机的监督学习模型,利用步骤S2得到的数据和步骤S3得到的标签对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标;
构建基于深度小波极限学习机的监督学习模型具体如下:
其中K(·,·)表示Morlet小波核函数,ρ>0是正则化参数。
S5、当得到构建的DWELM-HI后,采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命(RUL)并给出RUL概率分布。
基于线性模型和粒子滤波方法预测轴承的剩余使用寿命具体步骤如下:
S502、取上一步(tk-1)模型参数的后验PDF作为当前步骤(tk)的先验,根据以下公式计算当前时间的损伤状态θk:
θk=θk-1-bkΔt (1)
其中,k表示时间点,θk表示损伤状态(DWELM-HI真实值),Δt=tk-tk-1表示时间间隔,bk表示退化率。
S503、当新的轴承测试振动信号的在线测量是可用的,这将被预处理并输入到DWELM模型中以获得近似测量值(zk),计算测量值的似然概率:
为了避免PF算法的粒子退化问题,在重采样步骤中分别复制或消除权重大或权重小的样本;
S504、采用逆累积密度函数(CDF)方法用于重新采样粒子,具体步骤如下:
S5041、根据等式(2)中的似然函数计算CDF;
S5042、从均匀分布中产生一个随机值;
S5043、选择与该CDF值最接近的粒子作为重采样结果;
S505、一旦获得估计的参数,就可以通过递归外推损伤状态至失效阈值来预测失效时间和RUL。
本发明再一个实施例中,提供一种基于深度小波极限学习机的轴承剩余寿命预测系统,该系统能够用于实现上述基于深度小波极限学习机的轴承剩余寿命预测方法,具体的,该基于深度小波极限学习机的轴承剩余寿命预测系统包括标注模块、分解模块、指标模块以及预测模块。
其中,标注模块,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;
分解模块,采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;
指标模块,构建基于深度小波极限学习机的监督学习模型,利用标注模块标注的不同健康状态轴承信号和分解模块每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;
预测模块,采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,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)、现成可编程门阵列(Field-Programmable GateArray,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,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于深度小波极限学习机的轴承剩余寿命预测方法的操作,包括:
通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;构建基于深度小波极限学习机的监督学习模型,利用标注的不同健康状态轴承信号和每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于深度小波极限学习机的轴承剩余寿命预测方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;构建基于深度小波极限学习机的监督学习模型,利用标注的不同健康状态轴承信号和每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以公开数据XJTU-SY轴承数据作为分析案例。首先,采用时变3σ准则检测轴承的故障发生时刻,并且以传统3σ准则作为对比,其中以前30、50和100个时间点为健康状态。如下表所示:
可以看出,当假设健康状态的持续时间不同时,传统3σ准则得到的FOT也不同。而且,假设健康状态的持续时间越长,误报越多,漏报越少。相比之下,除了B3-5之外,适当的FOT可以通过时变3σ标准检测出来。
选用2-1轴承进行说明,以3-1、3-2、3-3轴承作为训练数据,采用本发明提出的基于深度小波极限学习机的监督学习模型对2-1轴承进行状态评估,并以极限学习机(ELM)、小波极限学习机(WELM)、深度极限学习机(DELM)和带有RBF内核的DELM(称为DELM-RBF)作为对比方法。评估结果如图4所示,可以观察到,星号标记的黑线几乎与橙色虚线重叠。DWELM能够准确评估轴承状态,显示了它对ELM、WELM、DELM和DELM-RBF的提升。进一步,采用线性模型和粒子滤波对DWELM-HI的演化趋势进行预测,结果如图5所示。粉红色阴影区域表示预测的DWELM-HI的95%置信区间(CI)。预测的DWELM-HI的中位数由蓝色实线显示。预测的DWELM-HI的95%CI几乎与以下实际DWELM-HI重叠。此外,95%CI非常窄,表明RUL估计的不确定性低。为了比较,结合了RMS、指数模型和PF(称为RMS-PF)来预测RUL。图6和图7分别显示了使用RMS-PF和DWELM-HI-PF对2-1轴承的RUL预测结果。为了公平比较,RMS-PF的失效阈值设置为RMS序列的最大值。可以看出,DWELM-HI-PF预测的RUL快速收敛到三个轴承的真实RUL曲线。DWELM-HI-PF预测的RUL的95%CI几乎在地面实况的30%误差区间内。与RMS-PF相比,DWELM-HI-PF能得到更准确的RUL、更窄的CI和更快的收敛性。
综上所述,本发明一种基于深度小波极限学习机的轴承剩余寿命预测方法及系统,以时变3σ准则检测故障发生时刻,将轴承运行过程划分为正常阶段和退化阶段,相对于传统3σ准则具有更高的准确性与鲁棒性;此外,通过构建基于深度小波极限学习机的监督学习模型,得到线性演化趋势的健康指标,通过线性模型描述指标演化趋势,并采用粒子滤波估计模型参数,预测轴承剩余使用寿命,克服了传统数据驱动和模型驱动方法的缺点。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.基于深度小波极限学习机的轴承剩余寿命预测方法,其特征在于,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;构建基于深度小波极限学习机的监督学习模型,利用标注的不同健康状态轴承信号和每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
2.根据权利要求1所述的方法,其特征在于,通过时变3σ准则检测轴承故障发生时刻具体为:
输入:当前时刻t前轴承振动信号的均方根序列xrms(t),触发机制预设的连续异常点数S,连续检测到的异常点数P;
设P=0;计算xrms(t)的均值μ(t)和标准差δ(t);如果|xrms(t)-μ(t)|≥3σ(t)那么,P=P+1,结束循环;否则t=t+1,返回重新计算xrms(t)的均值μ(t)和标准差δ(t);
如果P>=S那么,结束循环;否则t=t+1,返回重新计算xrms(t)的均值μ(t)和标准差δ(t);
输出:FOT=t-P为故障发生时刻。
3.根据权利要求1所述的方法,其特征在于,采用信号处理方法对振动信号进行分解具体为:
通过加速度传感器间隔采集轴承的水平振动信号和垂直振动信号;获得水平振动信号和垂直振动信号后,对水平振动信号和垂直振动信号进行分解,加上原始振动信号,获得多组信号,计算多组信号的均方根值,得到多尺度均方根特征。
4.根据权利要求3所述的方法,其特征在于,间隔采集轴承的水平振动信号和垂直振动信号具体为:
根据轴承所在设备结构,将加速度传感器安装在轴承座的水平、垂直方向;在轴承运行过程中,采用间隔采样方式采集轴承水平、垂直振动信号。
5.根据权利要求3所述的方法,其特征在于,采用二代小波包分解的信号处理方法对原始的水平振动信号和垂直振动信号进行分解。
7.根据权利要求1所述的方法,其特征在于,基于线性模型和粒子滤波方法预测轴承的剩余使用寿命具体如下:
S502、取上一步(tk-1)模型参数的后验PDF作为当前步骤(tk)的先验,根据以下公式计算当前时间的损伤状态θk=θk-1-bkΔt,Δt为时间间隔;
S505、根据获得的估计参数,通过递归外推损伤状态至失效阈值来预测失效时间和RUL。
9.根据权利要求7所述的方法,其特征在于,步骤S504中,采用逆累积密度函数方法重新采样粒子具体为:
根据似然函数计算CDF;从均匀分布中产生一个随机值;选择与CDF值最接近的粒子作为重采样结果;重复此过程n次数,得到n个权重相等的粒子。
10.一种基于深度小波极限学习机的轴承剩余寿命预测系统,其特征在于,包括:
标注模块,通过时变3σ准则检测轴承故障发生时刻,将轴承运行状态分为健康阶段与退化阶段,并按照0~1区间的数字对不同健康状态轴承信号进行标注;
分解模块,采用信号处理方法对振动信号进行分解,并计算每个尺度下信号均方根值,作为表征轴承退化状态的原始特征;
指标模块,构建基于深度小波极限学习机的监督学习模型,利用标注模块标注的不同健康状态轴承信号和分解模块每个尺度下信号的均方根值对基于深度小波极限学习机的监督学习模型进行训练和测试,构建DWELM-HI指标实时评估轴承健康状态;
预测模块,采用线性模型描述DWELM-HI的退化趋势,并使用粒子滤波估计线性模型的参数,根据估计的参数预测当前时刻轴承的剩余使用寿命并给出RUL概率分布,实现剩余寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130094.0A CN113962253B (zh) | 2021-09-26 | 2021-09-26 | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130094.0A CN113962253B (zh) | 2021-09-26 | 2021-09-26 | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962253A true CN113962253A (zh) | 2022-01-21 |
CN113962253B CN113962253B (zh) | 2023-08-18 |
Family
ID=79462540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111130094.0A Active CN113962253B (zh) | 2021-09-26 | 2021-09-26 | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962253B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及系统 |
CN116756881A (zh) * | 2023-08-21 | 2023-09-15 | 人工智能与数字经济广东省实验室(广州) | 一种轴承剩余使用寿命预测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039806A1 (en) * | 2012-08-02 | 2014-02-06 | Siemens Corporation | Estimating remaining useful life from prognostic features discovered using genetic programming |
CN106934125A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
-
2021
- 2021-09-26 CN CN202111130094.0A patent/CN113962253B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039806A1 (en) * | 2012-08-02 | 2014-02-06 | Siemens Corporation | Estimating remaining useful life from prognostic features discovered using genetic programming |
CN106934125A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
Non-Patent Citations (1)
Title |
---|
胡城豪;胡昌华;司小胜;杜党波;高旭东;: "基于MSCNN-LSTM的滚动轴承剩余寿命预测方法", 中国测试, no. 09 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及系统 |
CN114705432B (zh) * | 2022-06-06 | 2022-09-02 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及系统 |
CN116756881A (zh) * | 2023-08-21 | 2023-09-15 | 人工智能与数字经济广东省实验室(广州) | 一种轴承剩余使用寿命预测方法、装置及存储介质 |
CN116756881B (zh) * | 2023-08-21 | 2024-01-05 | 人工智能与数字经济广东省实验室(广州) | 一种轴承剩余使用寿命预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113962253B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
US20220341996A1 (en) | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model | |
CN108664700A (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN115979310B (zh) | 一种惯导系统性能退化评估方法、系统、电子设备及介质 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114662712A (zh) | 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 | |
Yang et al. | Combining pre-and post-model information in the uncertainty quantification of non-deterministic models using an extended Bayesian melding approach | |
CN110727553A (zh) | 处理器系统故障的预测与诊断方法和装置 | |
Pandey et al. | Fault prediction model by fuzzy profile development of reliability relevant software metrics | |
Weems et al. | Statistical validation of the split‐time method with volume‐based numerical simulation | |
Sheppard et al. | Bayesian diagnosis and prognosis using instrument uncertainty | |
CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
Sanz et al. | Leakage localization in water networks using fuzzy logic | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Wang et al. | Sensor-data-driven fusion prognostic framework for complex engineered systems | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
Farber et al. | Using kernel density estimation to detect loss-of-coolant accidents in a pressurized water reactor |
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 |