CN115034137A - 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 - Google Patents
基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 Download PDFInfo
- Publication number
- CN115034137A CN115034137A CN202210683270.1A CN202210683270A CN115034137A CN 115034137 A CN115034137 A CN 115034137A CN 202210683270 A CN202210683270 A CN 202210683270A CN 115034137 A CN115034137 A CN 115034137A
- Authority
- CN
- China
- Prior art keywords
- bearing
- degradation
- time
- curve
- rvm
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 118
- 230000015556 catabolic process Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000036541 health Effects 0.000 claims abstract description 38
- 238000005096 rolling process Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 230000006866 deterioration Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
涉及机械系统故障预测与健康管理技术领域的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，通过采集装置实时获取轴承振动信号，提取时域最大幅值构建健康指标序列，采用时变3σ准则检测轴承故障起始时刻，对从故障起始时刻至检查时刻的序列执行不同核参数的RVM回归，稀疏得到不同的RVs，采用加权单、双指数和多项式结合的退化模型拟合RVs，得到拟合曲线簇，再采用Hausdorff距离将拟合曲线与真实平滑曲线进行相似度分析，选取最优退化曲线，外推至失效阈值，进而预测轴承剩余寿命；本发明有效克服了纯基于模型和纯数据驱动方法的局限性，使用时变3σ准则提高了轴承寿命预测效率和准确性，为轴承故障预测与健康管理提供保障。
Description
技术领域
本发明涉及机械系统故障预测与健康管理技术领域，尤其是涉及基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法。
背景技术
滚动轴承在诸多工业场景广泛使用，如风力涡轮机、涡扇发动机、加工制造等，其健康状态对机械装备安全服役性能起着十分重要的作用，且旋转机械的失效很多都是由于滚动轴承故障引起的，其健康与否直接影响设备的可靠性和综合效益，针对滚动轴承进行状态检测，获取轴承设备状态，一旦在检测到它的故障，预测性维护方案可以及时采取措施，避免运营生产或经济损失风险，从而提高系统安全性、维护效率和资源可用性，因此，对轴承进行故障检测和剩余使用寿命预测具有重要的应用意义；
目前滚动轴承剩余寿命预测方法可以分为两大类：基于模型的方法和数据驱动的方法；基于模型的方法使用源自第一原理的数学或物理模型和故障机制知识来描述轴承的退化过程，然而，在工业应用中，轴承的故障机制通常是多种多样的或不直接的，这意味着可能无法获得准确的退化模型；数据驱动方法使用事件数据和状态监测数据以及机器学习技术来训练预测模型，然后利用训练的模型来估计剩余寿命，数据驱动方法可以直接从可用的传感器数据中了解轴承的潜在退化趋势，然而，纯数据驱动方法的性能从很大程度上取决于所采用的机器学习模型的参数选择，数据驱动方法的预测精度不仅取决于历史数据的数量，更依赖于其质量，但在工程实际中往往难以获取足够多的高质量轴承历史数据；因此，上述两种寿命预测方法在现阶段均不能有效满足工程实际需求。
发明内容
为了克服背景技术中的不足，本发明公开了基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，充分利用基于模型和数据驱动两种方法的优势，并采用时变3σ准则将轴承运行状态划分为健康阶段和退化阶段的两阶段，提高了滚动轴承寿命预测的效率和准确性。
为实现上述发明目的，本发明采用如下技术方案：
基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，包含以下步骤：S1、加速度传感器实时采集轴承振动信号，并设定失效阈值和不同的核参数；S2、从采集到的轴承振动信号中提取信号时域最大幅值MA构造滚动轴承的健康指标数值，将这些健康指标数值连接形成了原始轴承退化曲线；S3、使用时变3σ准则确定轴承退化起始时刻，设定检查时刻，将轴承运行状态划分为健康阶段和退化阶段；S4.1、故障起始时刻至检查时刻健康指标序列预处理；S4.2、故障起始时刻至检查时刻健康指标序列窗口滑动得到真实平滑退化曲线；S5、执行预定的不同核参数的相关向量机模型训练，得到相应不同相关向量；S6、使用加权单、双指数和多项式结合的退化模型对不同核参数下的若干个相关向量执行非线性最小二乘法拟合，得到不同核参数下的多条拟合退化曲线；S7、计算各相关向量拟合退化曲线与真实平滑退化曲线的Hausdorff距离，选取最优拟合曲线；S8、使用最优模型参数对健康指标数值外推至失效阈值；S9、预测轴承剩余使用寿命。
进一步，在S1中，为了获取轴承的周期振动信号，将两个单向加速度传感器分别通过磁座固定于测试轴承的水平和垂直方向上，设定采样频率为25.6kHz，采样间隔为1min，采样时长为1s，根据相关向量机模型稀疏性可知，核函数的核参数可以影响相关向量的选取，为了避免过度拟合和过度平滑，设定径向基函数不同的核参数γ，并根据工业标准及操作经验预先设定滚动轴承的失效阈值为ω＝20g。
进一步，在S3中，输入当前时刻t前的轴承振动信号的最大幅值序列XMA(t)，预先设定触发机制的连续异常点数为E，初始化连续检测到的异常点数I＝0；时变循环体为：计算最大幅值序列XMA(t)的均值μ(t)和标准差σ(t)；如果|XMA(t)-μ(t)|≥3σ(t)，则I＝I+1，接着判断条件I≥E是否成立，如果成立，则输出轴承首次故障起始时刻FET＝t-I，结束循环，否则t＝t+1，结束条件判断；如果|XMA(t)-μ(t)|＜3σ(t)，则t＝t+1，重置I＝0，继续执行循环，直至检测出轴承故障起始时刻FET，且将FET时刻前的最大幅值序列XMA(t)划分为健康阶段，FET时刻后划分为退化阶段。
进一步，在S4.1中，对退化阶段轴承退化曲线使用小波分解与重构进行滤波降噪，减少高频分量的影响，保留包含轴承退化信号的低频分量。
进一步，在S4.2中，是使用窗口滑动平均法对原始健康指标序列进行平滑处理，去除轴承的异常瞬态激励噪声，得到真实的平滑退化曲线，以便后续步骤使用。
进一步，在S5中，设置相关向量机的核函数为径向基函数，即：
K(xi，xj)＝exp(-γ||xj-xi||2) (1)
式中K(·，·)表示核函数，其中，xi表示第i个检查时刻，i＝0，1，…，j，xj＝{x0，x1，…，xj}，表示从起始时刻x0到当前时刻xj的检查时刻序列，|| ||2表示向量模的平方，γ为核参数。
进一步，在S6中，加权单、双指数和多项式结合的退化模型能够根据历史数据变化趋势反映滚动轴承整体劣化过程，更好的拟合滚动轴承退化过程，即：
fn(t)＝an·exp(bnt)+[an·exp(bnt)+cn·exp(dnt)]+[an·exp(bnt)+cn·t2](2)
式中，fn(·)表示第n个稀疏相关向量对应的拟合退化曲线，t表示相关向量对应的时刻，an，bn，cn，dn表示第n条拟合曲线对应的混合退化模型参数。
进一步，在S7中，Hausdorff距离可以用来衡量两条时间序列轨迹之间的相似程度，即：
H(T，fn)＝max{h(T，fn)，h(fn，T)} (3)
其中，
H(T，fn)称为双向Hausdorff距离，h(T，fn)和h(fn，T)称为单向Hausdorff距离，d(·，·)表示欧氏距离，双向Hausdorff距离取单向Hausdorff距离中的最大值，度量了两条轨迹点集间的不相似程度，从而双向Hausdorff距离越小，表明相应的两条曲线匹配程度越高，越相似，因此，选择所有拟合曲线中与真实平滑退化曲线T的Hausdorff距离最小的拟合曲线作为最优拟合退化曲线。
进一步，在S8中，根据选取的最优拟合退化曲线，确定最优退化模型参数，使用最优模型参数外推健康指标数值，得到预测退化曲线，直到预测退化曲线的健康指标数值MA第一次达到或超过设定的失效阈值ω＝20g时，标记对应时刻为TEOL。
进一步，在S9中，通过外推选定的最优退化曲线来预测轴承的未来退化状态，滚动轴承剩余使用寿命RUL(Ton)定义为：
RUL(Ton)＝inf{η：f(η+Ton)≥ω|f} (4)
其中，RUL(Ton)是当前检查时刻Ton的轴承剩余使用寿命，f(η+Ton)是η+Ton时刻的预测退化状态，
表示Ton时刻提取的所有健康指标特征，ω是失效阈值，由工业界预定义标准或操作经验设定。
由于采用如上所述的技术方案，本发明具有如下有益效果：
本发明公开的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，对提取的时域最大幅值信号进行滤波降噪，有效去除高频干扰分量的影响，使用平滑处理方法去除原始健康指标序列的瞬态激励噪声，捕捉滚动轴承的真实退化趋势得到真实平滑退化曲线，提高预测的准确性；使用设定的具有不同核参数的相关向量机对滚动轴承健康指标序列进行回归训练，得到相应的相关向量，再使用加权单、双指数和多项式结合的退化模型拟合相关向量，得到不同的拟合曲线；根据Hausdorff距离对真实平滑曲线和各拟合曲线进行相似性程度分析，得到最优拟合退化曲线；而后使用最优退化模型参数外推健康指标数值至轴承失效阈值，进而实现了基于相关向量机和退化模型的滚动轴承剩余寿命预测；
本发明提出了数据驱动和模型混合的预测方法，克服了纯基于模型方法需要假设模型参数先验分布和纯数据驱动的方法对于大量历史数据依赖的局限性，提高了滚动轴承剩余寿命预测的准确性；本发明方法可以很容易的扩展到处理一些关键机器部件的退化问题，如齿轮、钻头和切削工具等，或者有相似机理的设备剩余寿命预测研究，对设备的故障预测与健康管理，有着十分重要的意义。
附图说明
图1是本发明基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法流程图；
图2是实施例测试滚动轴承全寿命周期内水平方向振动信号图；
图3是实施例测试滚动轴承选取最优拟合曲线示意图；
图4是实施例测试滚动轴承检查时刻的剩余使用寿命预测示意图。
具体实施方式
为了能进一步了解本发明的发明内容，下面结合附图和具体实施例对本发明的技术方案进行详细说明；显然，下文中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，仅用于解释本发明，而不能解释为对本发明的限制，基于本发明的实施例，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。
针对纯基于模型的方法和纯数据驱动方法的局限性，如图1所示，本发明提供了基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，具体包括以下步骤：
Step1、采用加速度传感器实时采集滚动轴承周期振动信号，并设定初始参数；
详细描述为：为了获取轴承的周期振动信号，将两个单向加速度传感器分别通过磁座固定于测试轴承的水平和垂直方向上，设定采样频率为25.6kHz，采样间隔为1min，采样时长为1s，根据相关向量机模型稀疏性可知，径向基核函数的核参数可以影响相关向量的选取，为了避免过度拟合和过度平滑，设定不同的径向基函数核参数γ，并根据工业标准及操作经验预先设定滚动轴承的失效阈值为ω＝20g；
Step2、从采集到的轴承振动信号中提取信号时域最大幅值MA构造滚动轴承的健康指标数值，将这些健康指标数值连接形成了原始轴承退化曲线；
Step3、通过时变3σ准则检测滚动轴承故障起始时刻，并将轴承运行状态划分为健康阶段和退化阶段；
详细描述为：输入当前时刻t前的轴承振动信号的最大幅值序列XMA(t)，预先设定触发机制的连续异常点数为E，初始化连续检测到的异常点数I＝0；时变循环体为：计算最大幅值序列XMA(t)的均值μ(t)和标准差σ(t)；如果|XMA(t)-μ(t)|≥3σ(t)，则I＝I+1，接着判断条件I≥E是否成立，如果成立，则输出轴承首次故障起始时刻FET＝t-I，结束循环，否则t＝t+1，结束条件判断；如果|XMA(t)-μ(t)|＜3σ(t)，则t＝t+1，重置I＝0，继续执行循环，直至检测出轴承故障起始时刻FET，且将FET时刻前的最大幅值序列XMA(t)划分为健康阶段，FET时刻后划分为退化阶段；
Step4.1、故障起始时刻至检查时刻健康指标序列预处理，对退化阶段轴承退化曲线使用小波分解与重构进行滤波降噪；
详细描述为：对于轴承退化数据，低频分量非常重要，它往往包含振动信号的退化特征，而高频分量给出了振动信号的细节或差异，通过小波分解与重构可以减少高频分量的影响，保留包含轴承退化信号的低频分量；
Step4.2、对原始轴承退化曲线通过窗口滑动法得到真实的平滑退化曲线T；
Step5、执行预设的不同核参数的相关向量机回归分析，得到相应不同的相关向量；
详细描述为：设置相关向量机的核函数为径向基函数，即：
K(xi，xj)＝exp(-γ||xj-xi||2) (1)
式中K(·，·)表示核函数，其中，xi表示第i个检查时刻，i＝0，1，…，j，xj＝{x0，x1，…，xj}，表示从起始时刻x0到当前时刻xj的检查时刻序列，|| ||2表示向量模的平方，γ为核参数；
Step6、使用加权单、双指数和多项式结合的退化模型对不同核参数下的若干个相关向量执行非线性最小二乘法拟合，得到不同核参数下的多条拟合退化曲线；
详细描述为：加权单、双指数和多项式结合的退化模型能够根据历史数据变化趋势反映滚动轴承整体劣化过程，更好地拟合滚动轴承退化过程，即：
fn(t)＝an·exp(bnt)+[an·exp(bnt)+cn·exp(dnt)]+[an·exp(bnt)+cn·t2](2)
式中，fn(·)表示第n个相关向量对应的拟合退化曲线，t表示相关向量对应的时刻，an，bn，cn，dn表示第n条拟合曲线对应的混合退化模型参数；
Step7、计算各相关向量拟合退化曲线fn(·)与真实平滑退化曲线T的Hausdorff距离，选取最优拟合曲线；
详细描述为：Hausdorff距离可以用来衡量两条时间序列轨迹之间的相似程度，即：
H(T，fn)＝max{h(T，fn)，h(fn，T)} (3)
其中，
H(T，fn)称为双向Hausdorff距离，h(T，fn)和h(fn，T)称为单向Hausdorff距离，d(·，·)表示欧氏距离，双向Hausdorff距离取单向Hausdorff距离中的最大值，度量了两条轨迹点集间的不相似程度，从而双向Hausdorff距离越小，表明相应的两条曲线匹配程度越高，越相似，因此，选择所有拟合曲线中与真实平滑退化曲线T的Hausdorff距离最小的拟合曲线作为最优拟合退化曲线；
Step8、使用选出的最优拟合退化曲线模型参数外推得到预测退化曲线，用于预测轴承在未来时间步长的退化状态；
详细描述为：根据选取的最优拟合退化曲线，确定最优退化模型参数，使用最优模型参数外推健康指标数值，得到预测退化曲线，直到预测退化曲线的健康指标数值MA第一次达到或超过设定的失效阈值ω＝20g时，标记对应时刻为TEOL；
Step9、进行滚动轴承剩余使用寿命预测；
详细描述为：滚动轴承剩余使用寿命RUL(Ton)定义为：
RUL(Ton)＝inf{η：f(η+Ton)≥ω|f} (4)
其中，RUL(Ton)是当前检查时刻Ton的轴承剩余使用寿命，f(η+Ton)是η+Ton时刻的预测退化状态，
表示Ton时刻提取的所有健康指标特征，ω是失效阈值，由工业界预定义标准或操作经验设定。
实施例：采用来自西安交通大学设计科学与基础构件研究所的滚动轴承加速寿命实验数据XJTU-SY轴承数据集对本发明进行验证；XJTU-SY实验台能够进行轴承加速退化测试，以提供表征轴承在整个运行寿命期间退化的真实实验数据，该实验台由一个交流电机、一个电机调速器、一个旋转轴、一个支撑轴承、液压加载系统和测试轴承组成。测试平台的可调工作条件包括径向力和速度，径向力由液压加载系统产生，作用在试验轴承的轴承座上，速度由交流电机调节；
在对滚动轴承开始剩余使用寿命预测之前，需要预先设定相关向量机核函数的核参数，在本实施例中，设定10个不同核参数取值γ＝[γ1，γ2，…γ10]，提取振动信号的最大幅值构造健康指标序列，并且设定滚动轴承失效阈值ω＝20g，因为采集到的振动信号水平方向包含更丰富的退化信息，因此使用XJTU-SY轴承数据集的轴承2-3水平方向全寿命周期数据为例阐明使用本发明方法实施结果，所使用的滚动轴承水平方向全寿命振动信号如图2所示；
本实施例中设置滚动轴承转速为2250r/min，径向力为11kN，使用加速度传感器采集滚动轴承振动信号，当滚动轴承振动幅值达到或首次超过设定的失效阈值20g时，认为滚动轴承完全失效。选取的滚动轴承2-3的全寿命周期振动信号水平方向数据，该组实验数据集从轴承开始到退化实验结束，总计采集533组振动信号，采样频率为25.6kHz，每次采样持续时间为1s，每次采集25600个数据点，采样间隔为1min；
对应本实施例中2-3轴承数据，预测滚动轴承剩余使用寿命，使用时变3σ准则确定滚动轴承初始退化发生时刻FET，设定检查时刻Ton，将从退化时刻FET至当前检查时刻Ton的健康指标序列经过小波分解重构滤波降噪处理后，执行不同核参数的相关向量机训练，如图3所示，拟合不同相关向量得到十条拟合曲线，并使用Hausdorff距离对真实平滑曲线和各拟合曲线进行相似性分析，选取Hausdorff距离最小的拟合曲线Curve3作为最优拟合曲线，使用最优曲线模型参数外推拟合健康指标数值直至首次达到失效阈值20g，记录对应的失效时刻TEOL，根据上述滚动轴承剩余使用寿命的定义得到当前时刻预测剩余使用寿命为检查时刻Ton起到预测轴承失效时刻TEOL之间的时间，即RUL(Ton)＝TEOL-Ton；
本实施例预测结果显示如图4所示，使用时变3σ准则确定滚动轴承初始退化发生时刻FET＝325min，设定检查时刻Ton＝426min，外推预测曲线直至首次达到失效阈值20g时刻TEOL＝475min，即RUL(426)＝49min，与实际剩余寿命误差超前13min，检查时刻越靠后，相关向量机训练数据越多，预测相对越准确，与滚动轴承的真实失效时刻相比，预测失效时刻误差小，本发明提出的混合预测方法准确有效。
综上所述，本发明一种基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，以时变3σ准则检测故障发生时刻，将轴承运行状态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，对退化阶段包含更多退化信息的振动信号使用相关向量机稀疏健康指标，减少占用内存和计算量，并且将加权单、双指数和多项式结合的退化模型更好的拟合振动信号退化趋势，最后预测阶段使用最优模型参数拟合健康指标数值，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局限性，提高了轴承预测的准确度和效率。
以上所述的实施例是为了帮助读者理解本发明的技术方案，仅是对本发明的较佳实施例，并非对本发明作任何形式上的限制，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例，本领域的普通技术人员可以根据本发明公开的技术实质对参数、指标做出替换修改，这些替换修改也应属于本发明技术方案的保护范围内。
Claims (10)
1.基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：包含以下步骤：
S1、加速度传感器实时采集轴承振动信号，并设定失效阈值和不同的核参数；
S2、提取振动信号时域最大幅值构建健康指标序列，将这些健康指标数值连接形成原始轴承退化曲线；
S3、使用时变3σ准则确定轴承退化起始时刻，设定检查时刻，将轴承运行状态划分为健康阶段和退化阶段；
S4.1、故障起始时刻至检查时刻健康指标序列预处理；
S4.2、故障起始时刻至检查时刻健康指标序列窗口滑动得到真实平滑退化曲线；
S5、执行预定的不同核参数的相关向量机模型训练，得到相应不同相关向量；
S6、使用加权单、双指数和多项式结合的退化模型对不同核参数下的若干个相关向量执行非线性最小二乘法拟合，得到不同核参数下的多条拟合退化曲线；
S7、计算各相关向量拟合退化曲线与真实平滑退化曲线的Hausdorff距离，选取最优拟合曲线；
S8、使用最优模型参数对健康指标数值外推至失效阈值；
S9、预测轴承剩余使用寿命。
2.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S1中，为了获取轴承的周期振动信号，将两个单向加速度传感器分别通过磁座固定于测试轴承的水平和垂直方向上，设定采样频率为25.6kHz，采样间隔为1min，采样时长为1s，根据相关向量机模型稀疏性可知，核函数的核参数可以影响相关向量的选取，为了避免过度拟合和过度平滑，设定径向基函数不同的核参数γ，并根据工业标准及操作经验预先设定滚动轴承的失效阈值为ω＝20g。
3.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S3中，输入当前时刻t前的轴承振动信号的最大幅值序列XMA(t)，预先设定触发机制的连续异常点数为E，初始化连续检测到的异常点数I＝0；时变循环体为：计算最大幅值序列XMA(t)的均值μ(t)和标准差σ(t)；如果|XMA(t)-μ(t)|≥3σ(t)，则I＝I+1，接着判断条件I≥E是否成立，如果成立，则输出轴承首次故障起始时刻FET＝t-I，结束循环，否则t＝t+1，结束条件判断；如果|XMA(t)-μ(t)|＜3σ(t)，则t＝t+1，重置I＝0，继续执行循环，直至检测出轴承故障起始时刻FET，且将FET时刻前的最大幅值序列XMA(t)划分为健康阶段，FET时刻后划分为退化阶段。
4.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S4.1中，对退化阶段轴承退化曲线使用小波分解与重构进行滤波降噪，减少高频分量的影响，保留包含轴承退化信号的低频分量。
5.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S4.2中，是使用窗口滑动平均法对原始健康指标序列进行平滑处理，去除轴承的异常瞬态激励噪声，得到真实的平滑退化曲线，以便后续步骤使用。
6.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S5中，设置相关向量机的核函数为径向基函数，即：K(xi，xj)＝exp(-γ||xj-xi||2) (1)
式中K(·，·)表示核函数，其中，xi表示第i个检查时刻，i＝0，1，…，j，xj＝{x0，x1，…，xj}，表示从起始时刻x0到当前时刻xj的检查时刻序列，|| ||2表示向量模的平方，γ为核参数。
7.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S6中，加权单、双指数和多项式结合的退化模型能够根据历史数据变化趋势反映滚动轴承整体劣化过程，更好的拟合滚动轴承退化过程，即：
fn(t)＝an·exp(bnt)+[an·exp(bnt)+cn·exp(dnt)]+[an·exp(bnt)+cn·t2] (2)
式中，fn(·)表示第n个稀疏相关向量对应的拟合退化曲线，t表示相关向量对应的时刻，an，bn，cn，dn表示第n条拟合曲线对应的混合退化模型参数。
8.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S7中，Hausdorff距离可以用来衡量两条时间序列轨迹之间的相似程度，即：
H(T，fn)＝max{h(T，fn)，h(fn，T)} (3)
其中，
H(T，fn)称为双向Hausdorff距离，h(T，fn)和h(fn，T)称为单向Hausdorff距离，d(·，·)表示欧氏距离，双向Hausdorff距离取单向Hausdorff距离中的最大值，度量了两条轨迹点集间的不相似程度，从而双向Hausdorff距离越小，表明相应的两条曲线匹配程度越高，越相似，因此，选择所有拟合曲线中与真实平滑退化曲线T的Hausdorff距离最小的拟合曲线作为最优拟合退化曲线。
9.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S8中，根据选取的最优拟合退化曲线，确定最优退化模型参数，使用最优模型参数外推健康指标数值，得到预测退化曲线，直到预测退化曲线的健康指标数值MA第一次达到或超过设定的失效阈值ω＝20g时，标记对应时刻为TEOL。
10.根据权利要求1所述的基于RVM和退化模型的轴承剩余寿命两阶段混合预测方法，其特征是：在S9中，通过外推选定的最优退化曲线来预测轴承的未来退化状态，滚动轴承剩余使用寿命RUL(Ton)定义为：
RUL(Ton)＝inf{η：f(η+Ton)≥ω|f} (4)
其中，RUL(Ton)是当前检查时刻Ton的轴承剩余使用寿命，f(η+Ton)是η+Ton时刻的预测退化状态，f表示Ton时刻提取的所有健康指标特征，ω是失效阈值，由工业界预定义标准或操作经验设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210683270.1A CN115034137A (zh) | 2022-06-17 | 2022-06-17 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210683270.1A CN115034137A (zh) | 2022-06-17 | 2022-06-17 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034137A true CN115034137A (zh) | 2022-09-09 |
Family
ID=83125786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210683270.1A Pending CN115034137A (zh) | 2022-06-17 | 2022-06-17 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034137A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982896A (zh) * | 2023-03-21 | 2023-04-18 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持架的寿命检测方法及装置 |
| CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
| CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
| CN118114005A (zh) * | 2024-04-28 | 2024-05-31 | 江苏新道格自控科技有限公司 | 皮带机轴承自适应分阶段与数模融合寿命预测方法 |
-
2022
- 2022-06-17 CN CN202210683270.1A patent/CN115034137A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982896A (zh) * | 2023-03-21 | 2023-04-18 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持架的寿命检测方法及装置 |
| CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
| CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
| CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
| CN118114005A (zh) * | 2024-04-28 | 2024-05-31 | 江苏新道格自控科技有限公司 | 皮带机轴承自适应分阶段与数模融合寿命预测方法 |
| CN118114005B (zh) * | 2024-04-28 | 2024-07-12 | 江苏新道格自控科技有限公司 | 皮带机轴承自适应分阶段与数模融合寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
| CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
| CN108304941A (zh) | 一种基于机器学习的故障预测方法 | |
| CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
| CN109992895B (zh) | 一种设备性能退化趋势提取及预测方法 | |
| WO2024065777A1 (en) | Method, apparatus, electronic device, and storage medium for diagnosing industrial fault | |
| CN112711850B (zh) | 一种基于大数据的机组在线监测方法 | |
| CN112308038B (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN108280424A (zh) | 一种基于稀疏编码的滚动轴承剩余寿命预测方法 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| Khan et al. | System design for early fault diagnosis of machines using vibration features | |
| CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
| CN114841190A (zh) | 一种基于复合模型的轴承健康评估方法 | |
| CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
| CN118468175A (zh) | 一种基于混合神经网络的球磨机故障诊断方法及系统 |
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 |