CN116415509A - 一种轴承性能退化预测方法、系统、计算机及存储介质 - Google Patents

一种轴承性能退化预测方法、系统、计算机及存储介质 Download PDF

Info

Publication number
CN116415509A
CN116415509A CN202310687822.0A CN202310687822A CN116415509A CN 116415509 A CN116415509 A CN 116415509A CN 202310687822 A CN202310687822 A CN 202310687822A CN 116415509 A CN116415509 A CN 116415509A
Authority
CN
China
Prior art keywords
data
bearing
model
sample
initial
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
Application number
CN202310687822.0A
Other languages
English (en)
Other versions
CN116415509B (zh
Inventor
周建民
刘露露
尹洪妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310687822.0A priority Critical patent/CN116415509B/zh
Publication of CN116415509A publication Critical patent/CN116415509A/zh
Application granted granted Critical
Publication of CN116415509B publication Critical patent/CN116415509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/0475—Generative 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种轴承性能退化预测方法、系统、计算机及存储介质，方法包括：提取实验轴承全寿命数据的测试特征数据；构建初始SDAE模型，通过测试特征数据及与实验轴承全寿命数据对应的实验重构数据确定初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；采集待测轴承的实时信号数据，提取振动信号数据的实际特征数据；将实际特征数据作为最终SDAE模型的输入值，以获取重构样本数据；构建FBLS网络模型，通过将重构样本数据作为输入值输入FBLS网络模型，以获取待测轴承的性能退化曲线。通过上述步骤，为机械运行过程中提供了一种高效、高精度的轴承性能退化预测方法。

Description

一种轴承性能退化预测方法、系统、计算机及存储介质
技术领域
本申请涉及数据预测技术领域，特别是涉及一种轴承性能退化预测方法、系统、计算机及存储介质。
背景技术
随着工业需求的快速发展，机械设备不断在复杂、高效、轻型等方面进行改进，同时也面临更加苛刻的工作环境。一旦设备的关键部件出现故障，就可能会影响整个生产过程。因此，设备维修体制正由传统的定期维修或事后维修向基于状态的视情维修转变，而作为建立合理维修策略的前提，设备性能退化预测也开始备受关注。
轴承作为机械设备的关键部件之一，若轴承故障将会导致旋转机械长时间的停机，从而影响机械生产效率并产生相应的维护成本。因此，对轴承运行状态进行健康程度预测极其重要，通过预测轴承是否处于正常工作状态，来决定是否对机械进行维修或者故障检查，从而避免整体机械意外停机。在机械运行过程中，如何准确、高效的对轴承性能退化情况进行预测是需要研究的重点问题。
发明内容
本申请实施例提供了一种轴承性能退化预测方法、系统、计算机及存储介质，以解决现有技术中缺少对轴承性能退化情况进行准确、高效的预测方式的技术问题。
第一方面，本申请实施例提供了一种轴承性能退化预测方法，包括以下步骤：
提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
进一步地，所述小波包能量熵的获取步骤包括：
通过小波包分解将主轴加速度信号拆分为若干个子信号，计算每个所述子信号的能量值；
通过所述能量值获取每个所述子信号的能量比，基于所述能量比确定每个所述子信号的能量熵。
进一步地，所述能量值的计算公式为：
Figure SMS_1
，
其中，
Figure SMS_2
表示能量值，/>
Figure SMS_3
表示第i个子信号的重构系数，/>
Figure SMS_4
表示计算参数；
所述能量比的计算公式为：
Figure SMS_5
，
其中，
Figure SMS_6
表示能量比，/>
Figure SMS_7
表示若干个子信号的能量值之和；
所述能量熵的计算公式为：
Figure SMS_8
，
其中，
Figure SMS_9
表示能量熵，/>
Figure SMS_10
表示子信号的数量，/>
Figure SMS_11
表示对数函数。
进一步地，所述通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数步骤包括：
于所述初始SDAE模型内设置预设迭代次数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的网络层数，以获取若干个第一输出值，获取与所述实验轴承全寿命数据对应的实验重构数据及所述第一输出值之间的第一损失值，以确定最优网络层数；
于所述初始SDAE模型内设置最优网络层数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的迭代次数，以获取若干个第二输出值，获取所述实验重构数据及所述第二输出值之间的第二损失值，以确定最优迭代次数；
于所述初始SDAE模型内设置最优网络层数及最优迭代次数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的噪声系数，以获取若干个第三输出值，获取所述实验重构数据及所述第三输出值之间的第三损失值，以确定最优噪声系数。
进一步地，所述第一损失值的计算公式为：
Figure SMS_12
，
其中，
Figure SMS_13
表示第一损失值，/>
Figure SMS_14
表示第一输出值，/>
Figure SMS_15
表示实验重构数据，
Figure SMS_16
表示测试特征数据的数量。
进一步地，所述通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线的步骤包括：
将所述重构样本数据拆分为无故障样本及故障样本，所述无故障样本包括训练无故障样本，所述故障样本包括训练故障样本；
将所述训练无故障样本及所述训练故障样本作为输入值输入所述FBLS网络模型，以获取无故障样本中心点及故障样本中心点；
将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述重构样本数据中每个样本分别至所述无故障样本中心点及所述故障样本中心点的第一距离及第二距离；
基于所述第一距离及所述第二距离计算所述样本的DI值，通过每个所述样本的DI值形成所述待测轴承的性能退化曲线。
第二方面，本申请实施例提供了一种轴承性能退化预测系统，应用如上述技术方案中的轴承性能退化预测方法，所述系统包括：
第一提取模块，用于提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
训练模块，用于构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
第二提取模块，用于采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
执行模块，用于将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
预测模块，用于构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
第三方面，本申请实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的轴承性能退化预测方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的轴承性能退化预测方法。
相比于相关技术，本发明的有益效果在于：通过将所述实验轴承全寿命数据集所述实验重构数据作为所述初始SDAE模型的调测依据，可快速有效的确定所述初始SDAE模型的运行参数，从而更好地重构信号，更快速、更准确的获取表达含有轴承状态信息的所述重构样本数据。进一步通过所述FBLS网络模型可完成所述性能退化曲线的构建，通过所述性能退化曲线，可直观预测所述待测轴承的性能退化情况，为机械运行过程中提供了一种高精度、高效的轴承性能退化预测方法，提高了机械生产效率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为本发明第一实施例中轴承性能退化预测方法的流程图；
图2为本发明第一实施例中轴承性能退化预测方法中第一损失函数曲线图；
图3为本发明第一实施例中轴承性能退化预测方法中FBLS网络模型的结构图；
图4为本发明第一实施例中轴承性能退化预测方法中通过实验轴承全寿命数据形成的性能退化曲线图；
图5为本发明第二实施例中轴承性能退化预测系统的结构框图；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
请参阅图1，本发明第一实施例提供的轴承性能退化预测方法，包括以下：
步骤S10：提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
实验时，将四个双列球轴承分别安装在同一连接轴的不同位置，在其水平和垂直方向各安装一个加速度传感器，通过交流电机驱动连接轴旋转，转速恒定2000r/min，轴承径向负荷大小为6000磅。信号采样频率为12kHz，采样时间1s，采集数据长度为20480个点。使用轴承外圈失效部位轴承的数据样本，包含984个数据样本，为所述实验轴承全寿命数据。可以理解地，所述实验轴承全寿命数据包括振动信号、主轴加速度信号等。
所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵。所述时域特征数据包括：最大值、最小值、平均值、峰-峰值、整流平均值、有效值、峰值、方差、标准差、偏度、峭度、波形因子、脉冲因子及裕度因子；所述频域特征数据包括：重心频率、均方频率、频率方差、均方根频率、频率标准差。
所述小波包能量熵的获取步骤为：
通过小波包分解将主轴加速度信号拆分为若干个子信号，计算每个所述子信号的能量值；
优选地，将所述主轴加速度信号拆分为8个子信号，其包含了0~fs区间中不同频段的信号，可以理解地，fs表示频段。
所述能量值的计算公式为：
Figure SMS_17
，
其中，
Figure SMS_18
表示能量值，/>
Figure SMS_19
表示第i个子信号的重构系数，/>
Figure SMS_20
表示计算参数。
完成不同的所述子信号的能量值获取后，即可得到不同频段的能量向量
Figure SMS_21
。
通过所述能量值获取每个所述子信号的能量比，基于所述能量比确定每个所述子信号的能量熵。
对所述能量值进行归一化处理，进而获取所述能量比，所述能量比的计算公式为：
Figure SMS_22
，
其中，
Figure SMS_23
表示能量比，/>
Figure SMS_24
表示若干个子信号的能量值之和。
可以理解地，
Figure SMS_25
，其中，M表示子信号的个数。且有/>
Figure SMS_26
。
所述能量熵的计算公式为：
Figure SMS_27
，
其中，
Figure SMS_28
表示能量熵，/>
Figure SMS_29
表示子信号的数量，/>
Figure SMS_30
表示对数函数。
优选地，测试特征数据为28维特征。
步骤S20：构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
SDAE是一种典型的无监督网络，它可以有效地减少数据受噪声干扰的影响，从而更好地重构信号，并且可以更准确地表达出含有轴承状态信息的信号。但SDAE具备三个较为重要的参数：网络层数、迭代次数和网络噪声系数。如何确定这三个参数的最优值可保证提取信息高效性及代表性。
具体地，所述通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数步骤包括：
步骤S201：于所述初始SDAE模型内设置预设迭代次数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
步骤S202：调节所述初始SDAE模型的网络层数，以获取若干个第一输出值，获取与所述实验轴承全寿命数据对应的实验重构数据及所述第一输出值之间的第一损失值，以确定最优网络层数；
将所述初始SDAE模型的网络层数分别设置为1~4层，每个隐含层的节点数都设置为上一个隐含层的一半，设置所述初始SDAE模型的预设迭代次数及预设噪声系数，优选地，所述预设迭代次数为100次，所述预设噪声系数为0.1，将所述第一输出值与所述试验重构数据进行比对，计算两者之间的第一损失值，所述第一损失值的计算公式为：
Figure SMS_31
，
其中，
Figure SMS_32
表示第一损失值，/>
Figure SMS_33
表示第一输出值，/>
Figure SMS_34
表示实验重构数据，
Figure SMS_35
表示测试特征数据的数量。
若干个所述第一损失值与所述预设迭代次数之间形成的第一损失函数曲线如图2所示。从图中可以看出，网络层数越少，初始的网络损失率就越少，随着网络训练迭代次数的增加，1层和2层的第一损失函数曲线的下降速度明显低于3层。在迭代80次以后，3层的第一损失函数曲线可保持在最低。而当网络层数为4层时，性能出现了明显的下降，损失率较高。因此，可确定所述最优网络层数为3层。
步骤S203：于所述初始SDAE模型内设置最优网络层数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
步骤S204：调节所述初始SDAE模型的迭代次数，以获取若干个第二输出值，获取所述实验重构数据及所述第二输出值之间的第二损失值，以确定最优迭代次数；
可以理解地，于所述初始SDAE模型内设置3层网络层数，噪声系数设置为0.1，对所述测试特征数据进行不同次数的迭代，以获取不同的所述第二输出值，计算所述第二损失值，计算结果及训练时间如下表所示：
Figure SMS_36
，
随着SDAE迭代次数的增加，网络模型的损失值也会随之降低，虽然增大迭代次数有利于提高网络的性能，但是也增加了网络的训练时间。当迭代次数达到100代以后，所述第二损失值的下降趋势明显变小，说明网络的优化空间无法再提升，训练时间的增长率却无明显降低。因此，可确定所述最优迭代次数为100次。
步骤S205：于所述初始SDAE模型内设置最优网络层数及最优迭代次数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
步骤S206：调节所述初始SDAE模型的噪声系数，以获取若干个第三输出值，获取所述实验重构数据及所述第三输出值之间的第三损失值，以确定最优噪声系数；
将所述初始SDAE模型的网络层数设置为3层，迭代次数设置为100次，于0.1~1之间调节噪声系数，将不同噪声系数下的所述第三损失值与迭代次数之间形成第二损失函数曲线，通过比对不同噪声系数下的所述第二损失函数曲线的变化率，以确定所述最优噪声系数为0.6。在完成所述最优网络层数、所述最优噪声系数及所述最优迭代次数的获取后，即完成所述初始SDAE模型的训练，获取所述最终SDAE模型。可以理解地，所述第二损失值与所述第三损失值的计算方式与所述第一损失值的计算方式相同，此处不再进行赘述。
步骤S30：采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
可以理解地，所述实时信号数据与所述试验轴承全寿命数据为同一类数据，所述实际特征数据与所述测试特征数据为同一类数据。所述实际特征数据的提取方式与所述测试特征数据的提取方式相同。
步骤S40：将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
即将28维的所述实际特征数据作为输入值输入网络层数为3层、迭代次数为100代、噪声系数为0.6的所述最终SDAE模型中进行堆栈降噪自编码器第一层网络模型的训练，经过第一次编码与解码后，直接输入到第二层降噪自编码器中进行第二次编码与解码，同样地，最后进行第三层降噪自编码器网络的训练，此时完成针对所述实际特征数据的降噪与重构，从而提取出其中的有效信息，形成所述重构样本数据。
步骤S50：构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
所述FBLS网络模型是由宽度学习系统与Takagi-Sugeno模糊子系统结合构成的，虽在结构上与宽度学习系统相似，但所述FBLS网络模型将宽度学习系统中的特征节点替换为Takagi-Sugeno模糊子系统，并且去掉了微调特征层权值的稀疏自编码器，从而降低网络结构复杂度。所述FBLS网络模型通过伪逆的岭回归逼近可快速进行处理计算，与其他采用BP或其他迭代训练算法的神经模糊模型相比大大缩短了学习时间。宽度学习系统具有极强的适应性，可以轻松地处理输入、特征节点和增强节点的增量，而且不需要对整个网络进行重复又冗杂的训练，所述FBLS网络模型如图3所示。
具体地，所述通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线的步骤包括：
步骤S501：将所述重构样本数据拆分为无故障样本及故障样本，所述无故障样本包括训练无故障样本，所述故障样本包括训练故障样本；
若所述无故障样本包括795个健康样本数据，所述故障样本包括179个失效样本数据，则提取所述无故障样本中前100个所述健康样本数据为所述训练无故障样本，提取所述故障样本中后10个所述失效样本数据为所述训练故障样板。
步骤S502：将所述训练无故障样本及所述训练故障样本作为输入值输入所述FBLS网络模型，以获取无故障样本中心点及故障样本中心点；
所述FBLS网络模型采用k-means算法，在所述训练无故障样本集所述训练故障样本输入所述FBLS网络模型后，通过k-means算法对输入数据进行分块排序，并优化高斯录属函数的中心和模糊子系统的模糊规则数量。进而完成所述无故障样本中心点及所述故障样本中心点的获取，即获取所述训练无故障样本的聚类中心及所述训练故障样本的聚类中心。
步骤S503：将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述重构样本数据中每个样本分别至所述无故障样本中心点及所述故障样本中心点的第一距离及第二距离；
步骤S504：基于所述第一距离及所述第二距离计算所述样本的DI值，通过每个所述样本的DI值形成所述待测轴承的性能退化曲线。
通过所述重构样本数据中每个样本的所述第一距离及所述第二距离可计算所述重构样本数据中每个样本对于所述无故障样本中心点及所述故障样本中心点的隶属度，以此作为滚动轴承退化状态评价指标的DI值。将所述重构样本数据中全部的样本的DI值汇总，即可得到所述待测轴承的性能退化曲线，并依据所述性能退化曲线完成所述待测轴承的性能退化预测。
通过将所述实验轴承全寿命数据集所述实验重构数据作为所述初始SDAE模型的调测依据，可快速有效的确定所述初始SDAE模型的运行参数，从而更好地重构信号，更快速、更准确的获取表达含有轴承状态信息的所述重构样本数据。进一步通过所述FBLS网络模型可完成所述性能退化曲线的构建，通过所述性能退化曲线，可直观预测所述待测轴承的性能退化情况，为机械运行过程中提供了一种高精度、高效的轴承性能退化预测方法，提高了机械生产效率。
以所述实验轴承全寿命数据为所述实时信号数据进行性能退化预测实验，在完成步骤S10~步骤S50后获取所述性能退化曲线，通过五点滑动平均法对所述性能退化曲线进行平滑处理，所得到的曲线如图4所示。
从图中可看出，轴承退化指标DI值前期表现平稳，保持在报警阈值下；在533个样本点时超过报警阈值，此时为早期故障点；在第731个样本点时，DI值上升至1，则轴承损坏；随后DI值有所下降且波动幅度变大，此阶段称为“严重故障”阶段；在第902个样本点后，DI值表现出一种无规律的“直上直下”的混乱趋势，表示轴承已完全失效。
将所述实验轴承全寿命数据中的532和533个点进行集成经验模式分解，得到15个IMF分量，计算15个分量的鲁棒性和相关性，剔除鲁棒性上表现较差的分量，并将其他分量作为可选择对象；同时优先考虑相关系数超过0.4的分量。比对532和533点的相关性趋势，选取若干个最优特征，将所述最优特征运用多点最优最小熵解卷积调整重构，作为验证模型的输入信号。之后进行Hilbert包络解调，可得出第533点时出现了231Hz谱线的倍频成分，靠近计算得到236.4Hz，因此，可以认为轴承在第533点时出现了早期外圈故障。因此，本申请中轴承性能退化预测方法效果良好。
请参阅图5，本发明第二实施例提供了一种轴承性能退化预测系统，该系统应用如上述实施例中的所述轴承性能退化预测方法，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
所述系统包括：
第一提取模块10，用于提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
训练模块20，用于构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
优选地，所述训练模块20包括：
第一预设单元，用于构建初始SDAE模型，于所述初始SDAE模型内设置预设迭代次数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
第一调整单元，用于调节所述初始SDAE模型的网络层数，以获取若干个第一输出值，获取与所述实验轴承全寿命数据对应的实验重构数据及所述第一输出值之间的第一损失值，以确定最优网络层数；
第二预设单元，用于于所述初始SDAE模型内设置最优网络层数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
第二调整单元，用于调节所述初始SDAE模型的迭代次数，以获取若干个第二输出值，获取所述实验重构数据及所述第二输出值之间的第二损失值，以确定最优迭代次数；
第三预设单元，用于于所述初始SDAE模型内设置最优网络层数及最优迭代次数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
第三调整单元，用于调节所述初始SDAE模型的噪声系数，以获取若干个第三输出值，获取所述实验重构数据及所述第三输出值之间的第三损失值，以确定最优噪声系数，以获取最终SDAE模型。
第二提取模块30，用于采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
执行模块40，用于将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
预测模块50，用于构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
优选地，所述预测模块50包括：
分隔单元，用于构建FBLS网络模型，将所述重构样本数据拆分为无故障样本及故障样本，所述无故障样本包括训练无故障样本，所述故障样本包括训练故障样本；
第一执行单元，用于将所述训练无故障样本及所述训练故障样本作为输入值输入所述FBLS网络模型，以获取无故障样本中心点及故障样本中心点；
第二执行单元，用于将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述重构样本数据中每个样本分别至所述无故障样本中心点及所述故障样本中心点的第一距离及第二距离；
构建单元，用于基于所述第一距离及所述第二距离计算所述样本的DI值，通过每个所述样本的DI值形成所述待测轴承的性能退化曲线。
本发明还提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案中所述的轴承性能退化预测方法。
本发明还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述技术方案中所述的轴承性能退化预测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种轴承性能退化预测方法，其特征在于，包括以下步骤：
提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
2.根据权利要求1所述的轴承性能退化预测方法，其特征在于，所述小波包能量熵的获取步骤包括：
通过小波包分解将主轴加速度信号拆分为若干个子信号，计算每个所述子信号的能量值；
通过所述能量值获取每个所述子信号的能量比，基于所述能量比确定每个所述子信号的能量熵。
3.根据权利要求2所述的轴承性能退化预测方法，其特征在于，所述能量值的计算公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
表示能量值，/>
Figure QLYQS_3
表示第i个子信号的重构系数，/>
Figure QLYQS_4
表示计算参数；
所述能量比的计算公式为：
Figure QLYQS_5
，
其中，
Figure QLYQS_6
表示能量比，/>
Figure QLYQS_7
表示若干个子信号的能量值之和；
所述能量熵的计算公式为：
Figure QLYQS_8
，
其中，
Figure QLYQS_9
表示能量熵，/>
Figure QLYQS_10
表示子信号的数量，/>
Figure QLYQS_11
表示对数函数。
4.根据权利要求1所述的轴承性能退化预测方法，其特征在于，所述通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数步骤包括：
于所述初始SDAE模型内设置预设迭代次数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的网络层数，以获取若干个第一输出值，获取与所述实验轴承全寿命数据对应的实验重构数据及所述第一输出值之间的第一损失值，以确定最优网络层数；
于所述初始SDAE模型内设置最优网络层数及预设噪声系数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的迭代次数，以获取若干个第二输出值，获取所述实验重构数据及所述第二输出值之间的第二损失值，以确定最优迭代次数；
于所述初始SDAE模型内设置最优网络层数及最优迭代次数，将所述测试特征数据作为输入值输入所述初始SDAE模型；
调节所述初始SDAE模型的噪声系数，以获取若干个第三输出值，获取所述实验重构数据及所述第三输出值之间的第三损失值，以确定最优噪声系数。
5.根据权利要求4所述的轴承性能退化预测方法，其特征在于，所述第一损失值的计算公式为：
Figure QLYQS_12
，
其中，
Figure QLYQS_13
表示第一损失值，/>
Figure QLYQS_14
表示第一输出值，/>
Figure QLYQS_15
表示实验重构数据，/>
Figure QLYQS_16
表示测试特征数据的数量。
6.根据权利要求1所述的轴承性能退化预测方法，其特征在于，所述通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线的步骤包括：
将所述重构样本数据拆分为无故障样本及故障样本，所述无故障样本包括训练无故障样本，所述故障样本包括训练故障样本；
将所述训练无故障样本及所述训练故障样本作为输入值输入所述FBLS网络模型，以获取无故障样本中心点及故障样本中心点；
将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述重构样本数据中每个样本分别至所述无故障样本中心点及所述故障样本中心点的第一距离及第二距离；
基于所述第一距离及所述第二距离计算所述样本的DI值，通过每个所述样本的DI值形成所述待测轴承的性能退化曲线。
7.一种轴承性能退化预测系统，应用如权利要求1~6任一项所述的轴承性能退化预测方法，其特征在于，所述系统包括：
第一提取模块，用于提取实验轴承全寿命数据的测试特征数据，所述测试特征数据包括时域特征数据、频域特征数据及小波包能量熵；
训练模块，用于构建初始SDAE模型，通过所述测试特征数据及与所述实验轴承全寿命数据对应的实验重构数据确定所述初始SDAE模型的最优网络层数、最优迭代次数及最优噪声系数，以获取最终SDAE模型；
第二提取模块，用于采集待测轴承的实时信号数据，提取所述实时信号数据的实际特征数据；
执行模块，用于将所述实际特征数据作为所述最终SDAE模型的输入值，以获取重构样本数据；
预测模块，用于构建FBLS网络模型，通过将所述重构样本数据作为输入值输入所述FBLS网络模型，以获取所述待测轴承的性能退化曲线。
8.一种计算机，包括存储器、处理器以及存储在所述存储器上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6中任一项所述的轴承性能退化预测方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的轴承性能退化预测方法。
CN202310687822.0A 2023-06-12 2023-06-12 一种轴承性能退化预测方法、系统、计算机及存储介质 Active CN116415509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310687822.0A CN116415509B (zh) 2023-06-12 2023-06-12 一种轴承性能退化预测方法、系统、计算机及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310687822.0A CN116415509B (zh) 2023-06-12 2023-06-12 一种轴承性能退化预测方法、系统、计算机及存储介质

Publications (2)

Publication Number Publication Date
CN116415509A true CN116415509A (zh) 2023-07-11
CN116415509B CN116415509B (zh) 2023-08-11

Family

ID=87049627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310687822.0A Active CN116415509B (zh) 2023-06-12 2023-06-12 一种轴承性能退化预测方法、系统、计算机及存储介质

Country Status (1)

Country Link
CN (1) CN116415509B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023307A1 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
WO2021103496A1 (zh) * 2019-11-29 2021-06-03 国网天津市电力公司电力科学研究院 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
CN113158366A (zh) * 2021-04-14 2021-07-23 合肥工业大学 基于运行状态声辐射信号的轴承监测方法、系统及设备
CN114881087A (zh) * 2022-05-26 2022-08-09 固工机器人(金华)有限公司 一种建筑机器人轴承性能退化评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023307A1 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
WO2021103496A1 (zh) * 2019-11-29 2021-06-03 国网天津市电力公司电力科学研究院 基于异常振动的气体绝缘组合开关设备机械故障诊断方法
CN113158366A (zh) * 2021-04-14 2021-07-23 合肥工业大学 基于运行状态声辐射信号的轴承监测方法、系统及设备
CN114881087A (zh) * 2022-05-26 2022-08-09 固工机器人(金华)有限公司 一种建筑机器人轴承性能退化评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周建民;王发令;张龙;李鹏;张臣臣;: "基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估", 机械设计与研究, no. 06 *

Also Published As

Publication number Publication date
CN116415509B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107784325B (zh) 基于数据驱动增量融合的螺旋式故障诊断方法
Yin et al. Wasserstein Generative Adversarial Network and Convolutional Neural Network (WG‐CNN) for Bearing Fault Diagnosis
Zheng et al. A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination
Gao et al. Rolling bearing fault diagnosis based on CEEMDAN and refined composite multiscale fuzzy entropy
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
Zhang et al. A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data
Guo et al. Improved adversarial learning for fault feature generation of wind turbine gearbox
Chen et al. Integrated early fault diagnosis method based on direct fast iterative filtering decomposition and effective weighted sparseness kurtosis to rolling bearings
CN110348468B (zh) 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法
CN115901249B (zh) 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Lee et al. An enhanced binary particle swarm optimization for optimal feature selection in bearing fault diagnosis of electrical machines
Yu et al. Machine fault diagnosis based on Gaussian mixture model and its application
Zhang et al. Bearing fault diagnosis using a novel classifier ensemble based on lifting wavelet packet transforms and sample entropy
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN114742097B (zh) 一种基于轴承振动信号自动确定变分模态分解参数的优化方法
CN116383608A (zh) 一种小样本装备故障在线预测方法
Chen et al. Multi-scale split dual calibration network with periodic information for interpretable fault diagnosis of rotating machinery
Lyu et al. A novel multiview sampling-based meta self-paced learning approach for class-imbalanced intelligent fault diagnosis
CN116415509B (zh) 一种轴承性能退化预测方法、系统、计算机及存储介质
Cai et al. A novel fault diagnosis method for denoising autoencoder assisted by digital twin
Maragoudakis et al. Random forests identification of gas turbine faults
Fu et al. Intelligent fault diagnosis of rolling bearings based on an improved empirical wavelet transform and ResNet under variable conditions
CN116595338B (zh) 基于物联网工程信息采集处理系统

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
GR01 Patent grant
GR01 Patent grant