CN116432071A

CN116432071A - 一种滚动轴承剩余寿命预测方法

Info

Publication number: CN116432071A
Application number: CN202111660842.6A
Authority: CN
Inventors: 于巍峰; 刘丙月; 刘伟; 苏华
Original assignee: Research Institute of Nuclear Power Operation; China Nuclear Power Operation Technology Corp Ltd
Current assignee: Research Institute of Nuclear Power Operation; China Nuclear Power Operation Technology Corp Ltd
Priority date: 2021-12-31
Filing date: 2021-12-31
Publication date: 2023-07-14

Abstract

本发明涉及核电状态维修领域，特别是一种用于对滚动轴承剩余寿命的预测方法。包括如下步骤：步骤1：收集历史数据；步骤2：数据清洗和预处理；步骤3：特征提取及敏感特征提取；步骤4：构建m×p的模式矩阵E；步骤5：计算降维后的数据矩阵F；步骤6：预测模型构建。本发明的有益效果在于：应用本发明可实现实时滚动轴承剩余寿命在线预测，结合设备状态监测数据和寿命数据，相比应用单一类型数据的剩余寿命预测方法，预测结果准确性更高，对基于寿命预测结果进而开展滚动轴承的状态维修工作具有一定的指导意义。

Description

一种滚动轴承剩余寿命预测方法

技术领域

本发明涉及核电状态维修领域，特别是一种用于对滚动轴承剩余寿命的预测方法。

背景技术

核电厂设备众多，检修任务繁重且成本很高。核电厂目前普遍采取基于时间的定期维修策略，而不是根据设备运行状况的基于状态的维修策略。核电厂有大量旋转机械设备，其中，滚动轴承是其关键部件。滚动轴承的寿命很大程度决定了旋转机械设备的寿命。

发明内容

本发明的目的在于提供一种滚动轴承剩余寿命预测方法，可根据滚动轴承的状态监测数据，实现滚动轴承剩余寿命的在线预测。

本发明的技术方案如下：一种滚动轴承剩余寿命预测方法，包括如下步骤：

步骤1：收集历史数据；

步骤2：数据清洗和预处理；

步骤3：特征提取及敏感特征提取；

步骤4：构建m×p的模式矩阵E；

步骤5：计算降维后的数据矩阵F；

步骤6：预测模型构建。

所述的步骤1包括获取滚动轴承全寿命周期状态监测数据和寿命数据。

所述的步骤2包括采用小波阈值降噪法剔除原始振动数据中的异常数据点和噪声点。

所述的步骤3包括时域特征提取、频域特征提取、时频域特征提取和敏感特征提取。

设去噪后的振动信号为x(t),t＝1,2,…,n，所述的时域特征提取为：

均值-反映振动信号的平均变化趋势，计算公式如下：

均方根-反映振动信号能量的大小，计算公式如下：

方差-与平均值的偏离程度，计算公式如下：

标准差-方差的算术平方根，计算公式如下：

整流平均-绝对值的平均值，计算公式如下：

峰峰值-反映振动信号强度的变化特征，计算公式如下：

X_pp＝max(x)-min(x)

峭度因子-适合用于轴承点蚀类故障的判断，计算公式如下：

峰值因子-振动信号中冲击信号的特征指标，计算公式如下：

脉冲因子-峰值与均值的比值：

波形因子-计算公式如下：

偏度因子-计算公式如下：

边缘因子-计算公式如下：

所述的频域特征提取利用快速傅里叶变换将去噪后的振动信号x(t),t＝1,2,…n进行处理，变换后的信号为：

从变换后的信号中提取频域特征，主要包括：

平均频率-反映的是轴承故障程度，计算公式如下：

频率均方根值-反映频谱能量的大小，计算公式如下：

频率峰值-计算公式如下：

f₃＝max(X(k))

所述的敏感特征提取采用主元分析方法对原始特征指标，降维，产生敏感特征数据，所述的主元分析对数据降维的具体过程如下：

步骤31：构建m×n的样本矩阵D

步骤32：构建n×n的协方差矩阵C

步骤33：计算协方差矩阵C的特征值，并计算每个特征值相对应的特征向量，通过对比特征值的大小来选取特征向量，特征值大的特征向量包含主要信息更多，反之较小特征值所对应的的特征向量在保证误差在可接受范围之内时可以予以舍弃，并不会丢失重要信息。

所述的步骤4包括将n个特征值从小到大进行排序，然后选择排名靠前的p个特征值，即选择了前p个特征向量作为主成分，把原始的n维特征降到p维。

所述的步骤5包括F＝[E^T×A^T]^T，其中，ET是模式矩阵E的转置，A称为中心化矩阵，中心化矩阵就是将样本矩阵的每列数据减去该列数据的平均值，矩阵F样本数据个数m不变，每个特征向量的维度由n变为p，实现了数据从n维到p维的降维。

所述的步骤6包括如下步骤：

步骤61：选定威布尔分布为失效模型，

步骤62：利用极大似然估计方法，以历史数据为基础估计初始失效模型的参数β和η；

步骤63：利用时域/频域/时频域特征提取和敏感特征选择算法，提取并优选与设备性能退化敏感度最高的特征指标作为可靠性评估的响应协变量Z_r(t)，其中Z_r(t)表示提取的敏感特征；

步骤64：由

得到一组离散的基本协变量函数值c₀(t_i)，选取合适的基本协变量函数c₀(t)的形式，利用回归技术对其进行参数估计；

步骤65：提取待测设备的响应协变量Z_r(t)，由

得到一组离散的故障函数，利用最小二乘估计方法估计设备故障率函数的参数β和η；

步骤66：由

得到设备可靠度，依据给定的可靠度阈值确定设备的失效寿命；选取可靠度为0.45～0.58的失效寿命作为预测结果，并给出预测的剩余寿命区间。

本发明的有益效果在于：应用本发明可实现实时滚动轴承剩余寿命在线预测，结合设备状态监测数据和寿命数据，相比应用单一类型数据的剩余寿命预测方法，预测结果准确性更高，对基于寿命预测结果进而开展滚动轴承的状态维修工作具有一定的指导意义。

附图说明

图1是本发明所提供的一种滚动轴承剩余寿命预测方法流程图；

图2是小波去噪流程图；

图3是时域特征图；

图4是频域特征图；

图5是时频域特征图；

图6第一主成分的可视化结果；

图7是第一主元可视化图；

图8是比例协变量模型流程图；

图9是极大似然估计法流程图；

图10是回归分析技术流程图；

图11是最小二乘估计法流程图；

图12是剩余寿命预测结果。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

一种滚动轴承剩余寿命预测方法，包括以下步骤：

步骤1：收集历史数据

将传感器安装在被测设备表面，进行信号采集，采集设备状态实时数据。对同一型号设备或部件，在相同环境相同工况下收集的历史数据，可作为该型设备的模型预训练数据。通过前期数据清洗、数据预处理、特征提取等手段，将历史数据整理成为可用作寿命预测模型的训练数据。

步骤2：构建并训练预测模型

构建适合于设备历史数据的预测模型，然后将步骤1中所收集整理的历史数据作为模型的训练数据对构建的预测模型进行训练和测试，同时，根据试验结果，确认优化方案，对模型参数进行优化，最后训练得到适用于该设备剩余寿命预测的模型。

步骤3：信号采集

设备正常工作状态下，使用加速度传感器及其他类型传感器采集实时设备振动信号，应当注意的是用作寿命预测的数据，是对设备从开始工作到出现故障的全寿命周期进行采集，确保采集过程的规范性、完整性。

步骤4：状态监测

该步骤首先检查数据格式是否正确，进而对数据进行预处理，包括数据去噪、标准化、数据特征融合等操作，数据预处理的操作应和训练数据预处理的操作保持一致。同时对于设备明显的工作异常状态做出初步判断。

步骤5：建立全寿命周期数据库

从设备运行时刻开始，按照时间顺序，收集状态监测数据。该数据库一是用作设备寿命预测数据输入到预测模型；二是当设备一个寿命周期结束时，将该数据集添加到历史数据库中，扩充历史数据库，为优化改进寿命预测模型提供支持。

步骤6：寿命预测

使用步骤5建立的具有时间序列特征的数据集和步骤2训练的寿命预测模型，进行设备的剩余寿命预测任务。根据剩余寿命的预测结果，评估设备健康状态并做出合理的维护措施。

如图1所示，本发明一种滚动轴承剩余寿命预测方法，具体包括：获取滚动轴承全寿命周期状态监测数据和寿命数据、对状态数据进行清洗和预处理、数据特征提取及敏感特征提取、预测模型构建、预测模型训练及测试；然后基于上述模型，开展预测模型应用。具体包括：获取待测滚动轴承的状态监测数据、对状态数据进行清洗和预处理、数据特征提取及敏感特征提取、预测模型计算、输出剩余寿命预测结果。

构建和训练剩余寿命预测模型

本实施例具体选择XJTU-SY滚动轴承加速寿命试验数据集，试验轴承为LDKUER204滚动轴承，试验通过两个单向加速度传感器分别测试轴承水平和竖直方向上的振动信号，试验中设置采样频率为25.6kHz，采样间隔为1min，每次采样时长为1.28s，每次采集32768个数据点。试验共设计了3类工况，每类工况下有5个轴承。

步骤1：收集历史数据

包括滚动轴承全寿命周期状态监测数据和寿命数据；

步骤2：数据清洗和预处理

采用小波阈值降噪法剔除原始振动数据中的异常数据点和噪声点，小波去噪流程图如图2所示。

小波阈值去噪的具体处理过程包括小波分解、小波系数阈值化处理和小波重构，其具体步骤如下：

步骤21：根据选定的小波基和小波分解层数对含噪信号进行小波变换，得到一组小波分解系数；

步骤22：对分解得到的小波系数进行阈值处理，若小波系数小于该阈值，认为该系数主要是由噪声引起，去除这部分系数；若小波系数大于该阈值，则认为此系数主要是由信号引起，保留这部分系数，之后得出估计小波系数；

步骤23：利用估计小波系数进行小波重构，得到去噪后的振动信号。

步骤3：特征提取及敏感特征提取

包括时域特征提取、频域特征提取、时频域特征提取和敏感特征提取。

设去噪后的振动信号为x(t),t＝1,2,…,n，则提取的时域特征具体如下：

均值-反映振动信号的平均变化趋势，计算公式如下：

均方根-反映振动信号能量的大小，计算公式如下：

方差-与平均值的偏离程度，计算公式如下：

标准差-方差的算术平方根，计算公式如下：

整流平均-绝对值的平均值，计算公式如下：

峰峰值-反映振动信号强度的变化特征，计算公式如下：

X_pp＝max(x)-min(x)

其中，x为降噪后的振动信号x(t),t＝1,2,…,n。

峭度因子-适合用于轴承点蚀类故障的判断，计算公式如下：

峰值因子-振动信号中冲击信号的特征指标，计算公式如下：

脉冲因子-峰值与均值的比值：

波形因子-计算公式如下：

偏度因子-计算公式如下：

边缘因子-计算公式如下：

时域特征提取结果如图3所示。

所述的频域特征提取利用快速傅里叶变换将去噪后的振动信号x(t),t＝1,2,…,n进行处理，变换后的信号为：

从变换后的信号中提取频域特征，主要包括：

平均频率-反映的是轴承故障程度，计算公式如下：

频率均方根值-反映频谱能量的大小，计算公式如下：

频率峰值-计算公式如下：

f₃＝max(X(k))

所述的时频域特征提取通过小波函数对振动信号进行小波分解，提取其时频域特征。小波变换α＝W^Tf，α表示变换得到的小波系数，W是正交矩阵，f是输入信号。

所述的敏感特征提取采用主元分析方法对原始特征指标(此处指频域、时域、时频域特征)，降维，产生敏感特征数据。

其中，主元分析对数据降维的具体过程如下：

步骤31：构建m×n的样本矩阵D，其中m为样本数，n为特征数

步骤32：构建n×n的协方差矩阵C

步骤33：计算协方差矩阵C的特征值，并计算每个特征值相对应的特征向量。通过对比特征值的大小来选取特征向量，特征值大的特征向量包含主要信息更多，反之较小特征值所对应的的特征向量在保证误差在可接受范围之内时可以予以舍弃，并不会丢失重要信息。

步骤4：构建m×p的模式矩阵E

将n个特征值从小到大进行排序，然后选择排名靠前的p个特征值，即选择了前p个特征向量作为主成分。目标是把原始的n维特征降到p维。

步骤5：计算降维后的数据矩阵F

即F＝[E^T×A^T]^T，其中，ET是模式矩阵E的转置，A称为中心化矩阵。中心化矩阵就是将样本矩阵的每列数据减去该列数据的平均值。

矩阵F样本数据个数m不变，但每个特征向量的维度由n变为p，实现了数据从n维到p维的降维，降低数据之间冗余的同时又保留了原始数据的大部分信息。

图5为提取的IMS数据集2轴承1的18个时域、频域和时频域特征进行PCA降维后的前5个主成分的贡献率可视化结果，其中横坐标为主成分，纵坐标为各主成分的贡献率。从图中可以看出，前5个主成分的累积贡献率已达到97％，即前5个主成分可以有效的表征轴承的退化过程。此外，从图中可以看出，第一个主成分的贡献率最高，可达69％。

图6为前第一主成分的可视化结果。

步骤6：预测模型构建

构建基于比例协变量方法的剩余寿命预测模型。其建模流程如图8所示。具体构建步骤如下：

步骤61：选定威布尔分布为失效模型，

步骤64：由

步骤65：提取待测设备的响应协变量Z_r(t)，由

步骤66：由

得到设备可靠度，依据给定的可靠度阈值确定设备的失效寿命；

选取可靠度为0.45～0.58的失效寿命作为预测结果，并给出预测的剩余寿命区间。

其中，极大似然估计法、回归分析和最小二乘估计法的流程如图8、9和10所示。

图11为使用比例协变量方法预测的西交大滚动轴承1-3在运行至100min～119min时刻的剩余寿命结果图。其中，横坐标为该轴承的运行时刻，纵坐标为对应的剩余寿命，蓝线表示预测的剩余寿命上限，即可靠度为0.45左右时的预测结果，橙线表示预测的剩余寿命下限，即可靠度为0.58左右时[38]的预测结果，预测值上限和预测值下限组成了剩余寿命预测区间，绿线表示剩余寿命真实值。

以轴承运行至110min时的预测结果为例，此时的剩余寿命预测区间约为[45min,52min]，真实的剩余寿命为49min，在剩余寿命预测区间内，预测效果较好。