CN115982896B - 一种轴承保持架的寿命检测方法及装置 - Google Patents
一种轴承保持架的寿命检测方法及装置 Download PDFInfo
- Publication number
- CN115982896B CN115982896B CN202310272171.9A CN202310272171A CN115982896B CN 115982896 B CN115982896 B CN 115982896B CN 202310272171 A CN202310272171 A CN 202310272171A CN 115982896 B CN115982896 B CN 115982896B
- Authority
- CN
- China
- Prior art keywords
- life
- bearing
- bearing retainer
- real
- degradation
- 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
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轴承保持架的寿命检测方法及装置,属于预测技术领域,用于解决现有的轴承保持架寿命检测方法无法在使用过程中实时预测轴承保持架的可用寿命,并且预测结果的精确度较低的技术问题。方法包括:构建并训练轴承保持架寿命预测模型;采集待测轴承保持架工作中的实时振动信号;获取降噪处理后的实时振动信号的最大幅值;若最大幅值达到退化阈值,则提取实时振动信号的时域特征以及频域特征;提取降噪预处理后的实时振动信号的退化特征;将实时振动信号的时域特征、频域特征以及退化特征进行融合,得到实时振动信号的综合振动特征;将综合振动特征以及当前轴承转速输入轴承保持架寿命预测模型,得到待测轴承保持架的剩余预测寿命。
Description
技术领域
本申请涉及预测技术领域,尤其涉及一种轴承保持架的寿命检测方法及装置。
背景技术
滚动轴承在煤矿、数控机床、航空航天等重大领域均有广泛应用,而受到恶劣工况的影响,滚动轴承在服役期间极易失效,如不及时发现并进行精确诊断,则会对生产安全产生重要影响。滚动轴承中的轴承保持架是支撑滚动轴承安全运作的重要零件,如果能够提前预测轴承保持架的剩余可用寿命,则可以在很大程度上对滚动轴承的失效进行提前预知并及时更换。
为提前预测轴承保持架的可用寿命,国内外关于轴承保持架的特性做了大量研究,大多都是通过建立滚动轴承拟动力学分析模型,在滚动轴承投入使用之前就通过模型模拟轴承保持架的工作状态,从而对轴承保持架的可用寿命进行预测,得知轴承保持架在多长时间后有失效风险。但是这样的方式只能根据预测出的可用总寿命以及轴承保持架已工作的时长,计算出轴承保持架的剩余寿命,无法根据轴承保持架工作中的实时状态,获取更加精准的剩余寿命。对于轴承保持架工作过程中可能面临的磨损等情况也无法提前预知,最终得出的可用寿命比实际寿命可能更长,从而无法在轴承保持架真正失效之前意识到失效风险。
发明内容
本申请实施例提供了一种轴承保持架的寿命检测方法及装置,用于解决如下技术问题:现有的轴承保持架寿命检测方法均是在轴承保持架使用之前进行寿命预测,无法在使用过程中实时预测轴承保持架的可用寿命,并且预测结果的精确度较低。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种轴承保持架的寿命检测方法,方法包括:基于LSTM预测网络,构建并训练轴承保持架寿命预测模型;通过信号采集模块,采集待测轴承保持架工作中的实时振动信号;对所述实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的最大幅值;若所述最大幅值达到退化阈值,则提取所述实时振动信号的时域特征以及频域特征;通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征;将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征;将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命。
在一种可行的实施方式中,基于LSTM预测网络,构建并训练轴承保持架寿命预测模型,具体包括:基于LSTM预测网络架构,构建基础寿命预测模型;分别采集不同转速下的轴承保持架的全寿命周期信号,并将所述全寿命周期信号分解为水平振动信号与垂直振动信号,得到训练数据集;对所述训练数据集中的信号进行连续小波变换处理,并为每个训练数据设置剩余寿命标签以及转速标签;通过处理后的训练数据集、所述剩余寿命标签以及所述转速标签,对所述基础寿命预测模型进行模型训练;选取测试数据对训练后的基础寿命预测模型进行验证,将得到的模型预测值进行平滑处理后,根据测试数据对应的实际寿命进行模型预测误差计算,并根据所述模型预测误差,调整模型参数直至模型收敛;通过Adam优化算法,对所述收敛后的基础寿命预测模型进行学习率自适应优化,得到所述轴承保持架寿命预测模型。
在一种可行的实施方式中,在通过信号采集模块,采集待测轴承保持架工作中的实时振动信号之前,所述方法还包括:在一批轴承保持架投入使用之前,通过随机采样方式,确定若干个寿命分析样本;通过疲劳分析软件,为所述若干个寿命分析样本分别生成对应的S-N曲线;通过滚动轴承拟动力学分析模型,对所述若干个寿命分析样本进行仿真模拟,并确定仿真模拟时间t对应的第一样本循环次数;根据所述S-N曲线,确定每个寿命分析样本在预设应力水平下循环至损坏的第二样本循环次数;根据,得到每个寿命分析样本的疲劳损伤D;其中,k为所述预设应力水平的等级;/>为所述第一样本循环次数,/>为所述第二样本循环次数;根据所述仿真模拟时间t与所述疲劳损伤D的比值,确定为对应的寿命分析样本的总寿命,并确定所述若干个寿命分析样本的总寿命平均值,作为此批轴承保持架中每个轴承保持架的预测总寿命。
在一种可行的实施方式中,所述方法还包括:对采集的不同转速下轴承保持架的全寿命周期信号进行信号分析,确定轴承保持架开始退化的退化阈值;其中,所述退化阈值为轴承保持架开始退化节点对应的信号幅值;将降噪处理后的实时振动信号的最大幅值与所述退化阈值进行比较;若所述最大幅值小于所述退化阈值,则确定所述待测轴承保持架处于正常运行状态;获取所述待测轴承保持架所属批次的预测总寿命,以及所述待测轴承保持架的已工作时长,并将所述预测总寿命与所述已工作时长相减,得到所述待测轴承保持架的剩余预测寿命;若所述最大幅值大于或等于所述退化阈值,则确定所述待测轴承保持架处于退化运行状态。
在一种可行的实施方式中,对所述实时振动信号进行降噪处理,具体包括:预设若干个信号分解尺度;根据所述实时振动信号的噪声标准差、信号长度,确定每个信号分解尺度对应的小波系数阈值;根据所述小波系数阈值,将每个信号分解尺度对应的实时振动信号分解为低频信号以及高频信号;根据所述小波系数阈值,确定对应的小波降噪阈值函数,并通过所述小波降噪阈值函数,对每个信号分解尺度中的所述高频信号进行降噪处理,得到降噪处理后的实时振动信号。
在一种可行的实施方式中,通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征,具体包括:基于模糊神经网络的网络结构,构建所述初始退化特征提取网络;增加所述初始退化特征提取网络中的输出层神经元数量;创建若干个超参数向量,并通过门控循环单元,构建超参数评估模型;通过所述超参数评估模型,确定每个超参数向量的评估值,并将评估值最大的超参数向量确定为可用超参数向量,将所述可用超参数向量的第一个元素确定为可用隶属度函数;将所述可用超参数向量以及所述可用隶属度函数更新到所述初始退化特征提取网络中,并通过训练数据集对所述初始退化特征提取网络进行迭代调整,得到所述预设退化特征提取网络;将降噪处理后的实时振动信号输入所述预设退化特征提取网络中,得到所述实时振动信号的退化特征。
在一种可行的实施方式中,将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征,具体包括:将所述退化特征对应的特征向量确定为主特征向量;在所述时域特征以及所述频域特征中选取部分特征向量,确定为补充特征向量;将所述主特征向量与所述补充特征向量进行拼接,并对拼接后的特征向量进行归一化处理,得到所述实时振动信号的综合振动特征。
在一种可行的实施方式中,在将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命之后,所述方法还包括:根据输入的所述当前轴承转速,生成若干个轴承关联转速;将所述若干个轴承关联转速分别输入所述轴承保持架寿命预测模型中,得到每个轴承关联转速分别对应的剩余预测寿命;将所述当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以列表的形式显示在触摸显示屏上,以供用户选择合适的轴承转速以延长所述待测轴承保持架的使用寿命;若所述待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值,则生成紧急预警信息,并将所述紧急预警信息在所述触摸显示屏上进行闪烁显示。
另一方面,本申请实施例还提供了一种轴承保持架的寿命检测装置,所述装置包括:信号采集模块,用于采集待测轴承保持架工作中的实时振动信号;信号处理模块,用于基于LSTM预测网络,构建并训练轴承保持架寿命预测模型;以及对所述实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的幅值;若所述幅值达到退化阈值,则提取所述实时振动信号的时域特征以及频域特征;通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征;将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征;将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命。
在一种可行的实施方式中,所述装置还包括:显示模块以及预警模块;所述显示模块为触摸显示屏,用于显示当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以供用户选择合适的轴承转速以延长所述待测轴承保持架的使用寿命;所述预警模块用于在所述待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值时,生成紧急预警信息,并将所述紧急预警信息在所述触摸显示屏上进行闪烁显示;所述信号采集模块、所述信号处理模块、所述显示模块以及所述预警模块安装于同一个封闭壳体中,所述封闭壳体外部具有手持柄。
与现有技术相比,本申请实施例提供的一种轴承保持架的寿命检测方法及装置,具有如下有益效果:
1、本申请通过采集正在工作中的轴承保持架的实时振动信号,输入到预先构建并训练好的寿命预测模型中进行预测,可以在任何时间节点对工作状态下的轴承保持架进行剩余寿命预测,得到更加准确的、更符合轴承保持架当前状态的剩余寿命值,能够更准确地预知轴承保持架的失效时间。
2、本申请通过提出退化阈值来缩短寿命检测的时间,提升寿命检测效率。若振动信号的最大幅值小于退化阈值,则证明待测轴承保持架为正常运行状态,未出现裂痕等退化趋势,那么此时,根据轴承保持架投入工作之前预测的总寿命时长减去已工作的时长,得出的剩余寿命是比较准确的,可以直接作为预测结果使用,不需要再运行模型,节省了一部分预测时间。而若是振动信号的最大幅值大于退化阈值,则证明待测轴承保持架可能出现了裂痕、磨损等退化趋势,此时则需要运行模型来获取更准确的剩余寿命。
3、本申请将信号采集、信号处理、预警等功能集成于一个手持设备中,并通过显示屏将预测结果显示出来,可以使检测人员不限时间、不限地点地检查各个工况、各个机器中的轴承保持架的剩余寿命,解决了目前只能在实验室或者模拟软件中预测轴承保持架剩余寿命的问题,扩展了轴承保持架寿命检测的使用范围、提升了实用价值。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种轴承保持架的寿命检测方法流程图;
图2为本申请实施例提供的一种轴承保持架的寿命检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
本申请实施例提供了一种轴承保持架的寿命检测方法,如图1所示,轴承保持架的寿命检测方法具体包括步骤S101-S106:
S101、基于LSTM预测网络,构建并训练轴承保持架寿命预测模型。
具体地,首先基于LSTM预测网络架构,构建一个基础寿命预测模型。然后分别采集不同转速下的轴承保持架的全寿命周期信号,并将每个全寿命周期信号分解为水平振动信号与垂直振动信号,得到训练数据集。然后对训练数据集中的信号进行连续小波变换处理,并为每个训练数据设置剩余寿命标签以及转速标签。
作为一种可行的实施方式,用于采集训练数据的轴承保持架,是选用的正常状态、不同磨损程度、不同裂纹含量以及断裂的各种轴承保持架。并通过现有的动力学模型对这些试验品进行不同转速下的动力学模拟,得到每个试验品在不同转速下直至完全损坏的时间,作为该试验品的剩余寿命。然后将转速和剩余寿命均以标签的形式与对应的全生命周期信号相关联,得到最终的训练数据集。
进一步地,通过处理后的训练数据集、剩余寿命标签以及转速标签,对基础寿命预测模型进行模型训练。然后选取测试数据对训练后的基础寿命预测模型进行验证,将得到的模型预测值进行平滑处理后,根据测试数据对应的实际寿命进行模型预测误差计算,并根据模型预测误差,调整模型参数直至模型收敛。最后,通过Adam优化算法,对收敛后的基础寿命预测模型进行学习率自适应优化,以提高模型的鲁棒性,最终得到本申请的轴承保持架寿命预测模型。
而在一批轴承保持架投入使用之前,本申请会通过随机采样的方式,选出若干个寿命分析样本,然后通过疲劳分析软件,为这若干个寿命分析样本分别生成对应的S-N曲线。再通过滚动轴承拟动力学分析模型,对这若干个寿命分析样本进行仿真模拟,并确定仿真模拟时间t时刻对应的第一样本循环次数。
根据每个寿命分析样本的S-N曲线,确定每个寿命分析样本在预设应力水平下循环至损坏的第二样本循环次数。
进一步地,根据,得到每个寿命分析样本的疲劳损伤D;其中,k为预设应力水平的等级;/>为第一样本循环次数,/>为第二样本循环次数。最后再根据仿真模拟时间t与疲劳损伤D的比值,确定为对应的寿命分析样本的总寿命,并确定若干个寿命分析样本的总寿命平均值,作为此批轴承保持架中每个轴承保持架的预测总寿命。
作为一种可能的实施方式,利用N-code疲劳分析软件,输入轴承保持架的抗拉强度、和弹性模量、类型以及方差,生成轴承保持架的S-N曲线。然后根据S-N曲线,确定当前应力水平Si对应的轴承保持架循环至破坏的次数Ni,代入上述公式中,得到轴承保持架在应力水平Si作用下,经过次循环之后的疲劳损伤。
S102、通过信号采集模块,采集待测轴承保持架工作中的实时振动信号。
具体地,通过一个信号采集模块,采集需要检测的轴承保持架在工作时的实时振动信号。
作为一种可行的实施方式,为提高采集的信号强度,可以在轴承保持架内部植入微型信号放大芯片,将轴承保持架振动发出的信号增强后发出,以便与其余部件的振动信号进行区分。
S103、对实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的最大幅值;若最大幅值达到退化阈值,则提取实时振动信号的时域特征以及频域特征。
具体地,首先,预设若干个信号分解尺度,根据实时振动信号的噪声标准差、信号长度,确定每个信号分解尺度对应的小波系数阈值。然后根据小波系数阈值,将每个信号分解尺度对应的实时振动信号分解为低频信号以及高频信号。
进一步地,根据小波系数阈值,确定对应的小波降噪阈值函数,并通过小波降噪阈值函数,对每个信号分解尺度中的高频信号进行降噪处理,得到降噪处理后的实时振动信号。
在采集训练数据时,对采集的不同转速下轴承保持架的全寿命周期信号进行信号分析,确定轴承保持架开始退化的退化阈值;退化阈值即为轴承保持架开始退化节点对应的信号幅值,在全生命周期信号波形图中体现为振幅明显增大波段的振幅平均值。
进一步地,将降噪处理后的实时振动信号的最大幅值与退化阈值进行比较,若最大幅值小于退化阈值,则确定待测轴承保持架处于正常运行状态,此时,获取待测轴承保持架所属批次的预测总寿命,以及待测轴承保持架的已工作时长,并将预测总寿命与已工作时长相减,得到待测轴承保持架的剩余预测寿命。
进一步地,若最大幅值大于或等于退化阈值,则确定待测轴承保持架处于退化运行状态,此时则提取实时振动信号的时域特征以及频域特征,为后续寿命预测做准备。
本申请通过提出退化阈值来缩短寿命检测的时间,提升寿命检测效率。若振动信号的最大幅值小于退化阈值,则证明待测轴承保持架为正常运行状态,未出现裂痕等退化趋势,那么此时,根据轴承保持架投入工作之前预测的总寿命时长减去已工作的时长,得出的剩余寿命是比较准确的,可以直接作为预测结果使用,不需要再运行模型,节省了一部分预测时间。而若是振动信号的最大幅值大于退化阈值,则证明待测轴承保持架可能出现了裂痕、磨损等退化趋势,此时则需要运行模型来获取更准确的剩余寿命。
S104、通过预设退化特征提取网络,提取降噪预处理后的实时振动信号的退化特征。
具体地,基于模糊神经网络的网络结构,构建初始退化特征提取网络。然后增加初始退化特征提取网络中的输出层神经元数量。
进一步地,创建若干个超参数向量,并通过门控循环单元,构建超参数评估模型。通过超参数评估模型,确定每个超参数向量的评估值,并将评估值最大的超参数向量确定为可用超参数向量,将可用超参数向量的第一个元素确定为可用隶属度函数。将可用超参数向量以及可用隶属度函数更新到初始退化特征提取网络中,并通过训练数据集对初始退化特征提取网络进行迭代调整,得到预设退化特征提取网络。最后,将降噪处理后的实时振动信号输入预设退化特征提取网络中,得到实时振动信号的退化特征。
作为一种可行的实施方式,特征提取网络性能一定程度上依赖隶属度函数类型以及对应超参数的选择,本申请设置了多组超参数向量与隶属度函数的组合,并通过门控循环单元(Gated Recurrent Unit,GRU)对每个组合进行评估值计算,将评估值最高的组合作为当前特征提取网络的超参数与隶属度函数(其中,隶属度函数为超参数的第一个元素),从而提高特征提取网络的提取性能。
S105、将实时振动信号的时域特征、频域特征以及退化特征进行融合,得到实时振动信号的综合振动特征。
具体地,将退化特征对应的特征向量确定为主特征向量。在时域特征以及频域特征中选取部分特征向量,确定为补充特征向量。然后将主特征向量与补充特征向量进行拼接,并对拼接后的特征向量进行归一化处理,得到实时振动信号的综合振动特征。
需要说明的是,拼接时遵循主特征向量在前,补充特征向量在后的规则。
S106、将综合振动特征以及当前轴承转速输入轴承保持架寿命预测模型,得到待测轴承保持架的剩余预测寿命。
具体地,将得到的综合振动特征以及当前轴承转速,输入轴承保持架寿命预测模型,输出待测轴承保持架的剩余预测寿命。
进一步地,装置自动根据输入的当前轴承转速,生成若干个轴承关联转速;将若干个轴承关联转速分别输入轴承保持架寿命预测模型中,得到每个轴承关联转速分别对应的剩余预测寿命。
进一步地,将当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以列表的形式显示在触摸显示屏上,以供用户选择合适的轴承转速以延长待测轴承保持架的使用寿命。
作为一种可行的实施方式,轴承关联转速是基于用户输入的当前轴承转速,以预设步长进行递减后得到的多个关联转速。例如,当前转速为3000r/min,预设步长为500,递减次数为3,那么轴承关联转速即为2500r/min、2000r/min、1500r/min。将这四种转速下的剩余预测寿命均显示在触摸显示屏中,用户可以根据剩余寿命的长短,选择合适的转速,以延长轴承保持架的使用时间。
进一步地,若待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值,则生成紧急预警信息,并将紧急预警信息在触摸显示屏上进行闪烁显示。
另外,本申请实施例还提供了一种轴承保持架的寿命检测装置,如图2所示,轴承保持架的寿命检测装置200具体包括:
信号采集模块210,用于采集待测轴承保持架工作中的实时振动信号;
信号处理模块220,用于基于LSTM预测网络,构建并训练轴承保持架寿命预测模型;以及对所述实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的幅值;若所述幅值达到退化阈值,则提取所述实时振动信号的时域特征以及频域特征;通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征;将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征;将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命。
作为一种可行的实施方式,轴承保持架的寿命检测装置装置200还包括:显示模块230以及预警模块240。显示模块230为触摸显示屏,用于显示当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以供用户选择合适的轴承转速以延长所述待测轴承保持架的使用寿命;
所述预警模块240用于在所述待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值时,生成紧急预警信息,并将所述紧急预警信息在所述触摸显示屏上进行闪烁显示。
作为一种可行的实施方式,信号采集模块、信号处理模块、显示模块以及预警模块安装于同一个封闭壳体中,封闭壳体外部具有手持柄,整个装置较为轻便,用户可以手持装置,并将信号采集模块对准正在工作的轴承,采集待测轴承保持架的实时振动信号,并输入当前轴承转速,即可在显示屏中显示当前轴承转速及多个关联轴承转速下的剩余预测寿命,能够更加方便、快捷、直观地获取轴承保持架的剩余寿命,方便实用。本申请对装置的内部结构及连接方式不作特别限定。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理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权利要求范围之内。
Claims (8)
1.一种轴承保持架的寿命检测方法,其特征在于,所述方法包括:
基于LSTM预测网络,构建并训练轴承保持架寿命预测模型;
在一批轴承保持架投入使用之前,通过随机采样方式,确定若干个寿命分析样本;
通过疲劳分析软件,为所述若干个寿命分析样本分别生成对应的S-N曲线;
通过滚动轴承拟动力学分析模型,对所述若干个寿命分析样本进行仿真模拟,并确定仿真模拟时间t对应的第一样本循环次数;
根据所述S-N曲线,确定每个寿命分析样本在预设应力水平下循环至损坏的第二样本循环次数;
根据所述仿真模拟时间t与所述疲劳损伤D的比值,确定为对应的寿命分析样本的总寿命,并确定所述若干个寿命分析样本的总寿命平均值,作为此批轴承保持架中每个轴承保持架的预测总寿命;
通过信号采集模块,采集待测轴承保持架工作中的实时振动信号;
对所述实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的最大幅值;
对采集的不同转速下轴承保持架的全寿命周期信号进行信号分析,确定轴承保持架开始退化的退化阈值;其中,所述退化阈值为轴承保持架开始退化节点对应的信号幅值;
将降噪处理后的实时振动信号的最大幅值与所述退化阈值进行比较;
若所述最大幅值小于所述退化阈值,则确定所述待测轴承保持架处于正常运行状态;
获取所述待测轴承保持架所属批次的预测总寿命,以及所述待测轴承保持架的已工作时长,并将所述预测总寿命与所述已工作时长相减,得到所述待测轴承保持架的剩余预测寿命;
若所述最大幅值达到退化阈值,则确定所述待测轴承保持架处于退化运行状态,提取所述实时振动信号的时域特征以及频域特征;
通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征;
将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征;
将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命。
2.根据权利要求1所述的一种轴承保持架的寿命检测方法,其特征在于,基于LSTM预测网络,构建并训练轴承保持架寿命预测模型,具体包括:
基于LSTM预测网络架构,构建基础寿命预测模型;
分别采集不同转速下的轴承保持架的全寿命周期信号,并将所述全寿命周期信号分解为水平振动信号与垂直振动信号,得到训练数据集;
对所述训练数据集中的信号进行连续小波变换处理,并为每个训练数据设置剩余寿命标签以及转速标签;
通过处理后的训练数据集、所述剩余寿命标签以及所述转速标签,对所述基础寿命预测模型进行模型训练;
选取测试数据对训练后的基础寿命预测模型进行验证,将得到的模型预测值进行平滑处理后,根据测试数据对应的实际寿命进行模型预测误差计算,并根据所述模型预测误差,调整模型参数直至模型收敛;
通过Adam优化算法,对所述收敛后的基础寿命预测模型进行学习率自适应优化,得到所述轴承保持架寿命预测模型。
3.根据权利要求1所述的一种轴承保持架的寿命检测方法,其特征在于,对所述实时振动信号进行降噪处理,具体包括:
预设若干个信号分解尺度;
根据所述实时振动信号的噪声标准差、信号长度,确定每个信号分解尺度对应的小波系数阈值;
根据所述小波系数阈值,将每个信号分解尺度对应的实时振动信号分解为低频信号以及高频信号;
根据所述小波系数阈值,确定对应的小波降噪阈值函数,并通过所述小波降噪阈值函数,对每个信号分解尺度中的所述高频信号进行降噪处理,得到降噪处理后的实时振动信号。
4.根据权利要求1所述的一种轴承保持架的寿命检测方法,其特征在于,通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征,具体包括:
基于模糊神经网络的网络结构,构建初始退化特征提取网络;
增加所述初始退化特征提取网络中的输出层神经元数量;
创建若干个超参数向量,并通过门控循环单元,构建超参数评估模型;
通过所述超参数评估模型,确定每个超参数向量的评估值,并将评估值最大的超参数向量确定为可用超参数向量,将所述可用超参数向量的第一个元素确定为可用隶属度函数;
将所述可用超参数向量以及所述可用隶属度函数更新到所述初始退化特征提取网络中,并通过训练数据集对所述初始退化特征提取网络进行迭代调整,得到所述预设退化特征提取网络;
将降噪处理后的实时振动信号输入所述预设退化特征提取网络中,得到所述实时振动信号的退化特征。
5.根据权利要求1所述的一种轴承保持架的寿命检测方法,其特征在于,将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征,具体包括:
将所述退化特征对应的特征向量确定为主特征向量;
在所述时域特征以及所述频域特征中选取部分特征向量,确定为补充特征向量;
将所述主特征向量与所述补充特征向量进行拼接,并对拼接后的特征向量进行归一化处理,得到所述实时振动信号的综合振动特征。
6.根据权利要求1所述的一种轴承保持架的寿命检测方法,其特征在于,在将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命之后,所述方法还包括:
根据输入的所述当前轴承转速,生成若干个轴承关联转速;
将所述若干个轴承关联转速分别输入所述轴承保持架寿命预测模型中,得到每个轴承关联转速分别对应的剩余预测寿命;
将所述当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以列表的形式显示在触摸显示屏上,以供用户选择轴承转速以延长所述待测轴承保持架的使用寿命;
若所述待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值,则生成紧急预警信息,并将所述紧急预警信息在所述触摸显示屏上进行闪烁显示。
7.一种轴承保持架的寿命检测装置,其特征在于,所述装置包括:
信号采集模块,用于采集待测轴承保持架工作中的实时振动信号;
信号处理模块,用于基于LSTM预测网络,构建并训练轴承保持架寿命预测模型;在一批轴承保持架投入使用之前,通过随机采样方式,确定若干个寿命分析样本;
通过疲劳分析软件,为所述若干个寿命分析样本分别生成对应的S-N曲线;
通过滚动轴承拟动力学分析模型,对所述若干个寿命分析样本进行仿真模拟,并确定仿真模拟时间t对应的第一样本循环次数;
根据所述S-N曲线,确定每个寿命分析样本在预设应力水平下循环至损坏的第二样本循环次数;
根据所述仿真模拟时间t与所述疲劳损伤D的比值,确定为对应的寿命分析样本的总寿命,并确定所述若干个寿命分析样本的总寿命平均值,作为此批轴承保持架中每个轴承保持架的预测总寿命;
以及对所述实时振动信号进行降噪处理,并获取降噪处理后的实时振动信号的最大幅值;对采集的不同转速下轴承保持架的全寿命周期信号进行信号分析,确定轴承保持架开始退化的退化阈值;其中,所述退化阈值为轴承保持架开始退化节点对应的信号幅值;将降噪处理后的实时振动信号的最大幅值与所述退化阈值进行比较;若所述最大幅值小于所述退化阈值,则确定所述待测轴承保持架处于正常运行状态;获取所述待测轴承保持架所属批次的预测总寿命,以及所述待测轴承保持架的已工作时长,并将所述预测总寿命与所述已工作时长相减,得到所述待测轴承保持架的剩余预测寿命;若所述最大幅值达到退化阈值,则确定所述待测轴承保持架处于退化运行状态,提取所述实时振动信号的时域特征以及频域特征;通过预设退化特征提取网络,提取降噪预处理后的所述实时振动信号的退化特征;将所述实时振动信号的时域特征、频域特征以及所述退化特征进行融合,得到所述实时振动信号的综合振动特征;将所述综合振动特征以及当前轴承转速输入所述轴承保持架寿命预测模型,得到所述待测轴承保持架的剩余预测寿命。
8.根据权利要求7所述的一种轴承保持架的寿命检测装置,其特征在于,所述装置还包括:显示模块以及预警模块;
所述显示模块为触摸显示屏,用于显示当前轴承转速对应的剩余预测寿命,以及每个轴承关联转速分别对应的剩余预测寿命,以供用户选择轴承转速以延长所述待测轴承保持架的使用寿命;
所述预警模块用于在所述待测轴承保持架在当前轴承转速下的剩余预测寿命小于预设损坏阈值时,生成紧急预警信息,并将所述紧急预警信息在所述触摸显示屏上进行闪烁显示;
所述信号采集模块、所述信号处理模块、所述显示模块以及所述预警模块安装于同一个封闭壳体中,所述封闭壳体外部具有手持柄。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272171.9A CN115982896B (zh) | 2023-03-21 | 2023-03-21 | 一种轴承保持架的寿命检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272171.9A CN115982896B (zh) | 2023-03-21 | 2023-03-21 | 一种轴承保持架的寿命检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115982896A CN115982896A (zh) | 2023-04-18 |
CN115982896B true CN115982896B (zh) | 2023-06-30 |
Family
ID=85958588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310272171.9A Active CN115982896B (zh) | 2023-03-21 | 2023-03-21 | 一种轴承保持架的寿命检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982896B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116221038B (zh) * | 2023-05-10 | 2023-07-14 | 山东金帝精密机械科技股份有限公司 | 一种基于风电轴承保持架的轴承运行监测方法及设备 |
CN116337451B (zh) * | 2023-05-29 | 2023-08-22 | 山东金帝精密机械科技股份有限公司 | 一种椭圆形轴承保持器静音优化方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589885B (zh) * | 2012-03-09 | 2014-04-09 | 北京航空航天大学 | 一种箔片动压径向气体轴承磨损寿命的预测方法 |
JP5990729B1 (ja) * | 2015-04-03 | 2016-09-14 | トライボテックス株式会社 | 汎用劣化曲線作成方法及び機械寿命予測方法、並びに汎用劣化曲線作成プログラム及び機械寿命予測プログラム |
CN108645615B (zh) * | 2018-04-08 | 2019-11-22 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
EP3660482A1 (en) * | 2018-11-30 | 2020-06-03 | Siemens Aktiengesellschaft | System, apparatus and method of determining remaining life of a bearing |
CN111458149B (zh) * | 2020-06-01 | 2022-03-01 | 合肥工业大学 | 一种滚动轴承性能及使用寿命的预测方法及系统 |
CN114564877B (zh) * | 2021-12-29 | 2024-05-10 | 西安交通大学 | 一种滚动轴承寿命预测方法、系统、设备及可读存储介质 |
CN115034137A (zh) * | 2022-06-17 | 2022-09-09 | 河南工业大学 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
-
2023
- 2023-03-21 CN CN202310272171.9A patent/CN115982896B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115982896A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115982896B (zh) | 一种轴承保持架的寿命检测方法及装置 | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
Li et al. | Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
CN108984893A (zh) | 一种基于梯度提升方法的趋势预测方法 | |
Wang et al. | Online bearing fault diagnosis using numerical simulation models and machine learning classifications | |
CN111581892B (zh) | 基于gdau神经网络的轴承剩余寿命的预测方法 | |
Chen et al. | Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions | |
CN110555247A (zh) | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 | |
CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN111898686A (zh) | 基于门控循环单元网络的轴承故障识别方法 | |
Zhou et al. | Remaining useful life prediction by distribution contact ratio health indicator and consolidated memory GRU | |
CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN114662712A (zh) | 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 | |
CN113933054B (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN110728377A (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN112711530A (zh) | 一种基于机器学习的代码风险预测方法及系统 | |
CN116502073A (zh) | 一种风力发电机组高可信智能故障诊断与健康管理方法 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
Shanling et al. | Real-time rubber quality model based on CNN-LSTM deep learning theory | |
CN115292820A (zh) | 一种城轨列车轴承剩余使用寿命的预测方法 |
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 |