本发明专利技术提供了一种基于可靠性评估的机械零部件再制造时机选择方法，属于机械装备再制造领域。利用在线监测轴承振动退化信号，预测轴承剩余使用寿命，通过评估其可靠性选择相应再制造时机的方法。为了获得较高的预测精度，对实时的监测信号利用小波支持向量机建立回归模型，根据所建立的模型预测未来时刻的状态，然后将此状态参数作为服从正态分布的随机变量进行可靠度估计，根据预设的可靠度阈值选择轴承的再制造时机。本发明专利技术的有益效果：该研究不仅有利于预防性维修决策的制定和提高系统的安全评估质量，而且对环境保护和能源可持续性方面具有重大的科学意义。
【技术实现步骤摘要】
本专利技术属于机械装备再制造领域，具体涉及机械装备关键零部件的再制造时机选 择方法。
技术介绍
在绿色制造技术的推动下，再制造问题得到广泛关注，尤其对于大型复杂装备如 压缩机、内燃机，如果能够对关键零部件进行再制造，不仅能够节约能源资源，还能提高生 产效率。对于再制造的时机选择，成为研究者们关注的问题。机械装备核心零部件是否具 有剩余使用寿命，其剩余使用寿命是否能够维持下一个寿命周期直接影响再制造产品的质 量和可靠性，所以机械装备核心零部件的剩余使用寿命是决定其再制造方案的基础，依据 核心零部件的寿命信息来判断其可靠性继而选择其再制造时机，故准确对机械装备核心零 部件进行寿命预测及可靠性评估成为再制造时机选择的关键。 寿命预测的研究经历了很长久的发展，从19世纪50年代至60年代，S-N曲线和 疲劳极限的概念的引入到疲劳裂纹扩展速率的经验公式的提出使剩余寿命预测理论研究 产生惊人的突破。随后基于失效机理的剩余寿命预测研究得到深入发展。除了上述利用物 理力学方法进行寿命预测外，基于数学方法的寿命预测也被广泛关注，如概率统计方法，其 中自回归移动平均模式与自回归求和移动平均模式被广泛应用于时间序列的建模和预测。 随着信息技术的发展，人工智能技术在剩余寿命预测中也有相关应用。对于正在运行中的 设备，利用在线的监测数据进行寿命预测已经成为研究的热点。 根据在线监测的关键零部件的退化信号，对其进行小波分析得到的退化数据，并 利用支持向量机方法预测未来时刻的退化趋势，通过设定的阈值，预计退化数据超过阈值 的时间作为设备的剩余使用寿命，进而得到可靠性的定量评估。由预测的结果进行再制造 时机选择。
技术实现思路
本专利技术涉及一种基于可靠性评估的机械装备关键零部件再制造时机选择方法，有 效解决机械装备核心零部件再制造时机选择问题，该方法精度高、成本低、简单可靠，便于 工程实践中使用。 本专利技术的技术方案： -种基于可靠性评估的机械装备关键零部件再制造时机选择方法，步骤如下： 步骤一：获得零部件退化信息的在线监测信号，提取退化特征向量； 在待测零部件的待测位置处安装传感器，利用传感器采集对待测零部件退化特性 有表征关系的信号，用数据采集卡对传感器采集的信号进行转换并存储，分析获取待测零 部件的在线监测信号，然后对所监测信号的特征量提取，获得具有退化趋势的时域参数指 标，作为退化的特征向量； 步骤二：对步骤一得到的特征向量进行小波变换处理，再根据小波变换后得到的 退化数据特征建立支持向量机模型（WT-SVM模型），输出退化趋势的预测值； 首先根据在线监测信号的复杂程度选择分解层数，对特征向量进行小波分解，提 取分解后各层数据；由于支持向量机通过非线性映射将训练样本集的输入输出关系集映射 到高维特征空间，并在高维特征空间进行线性回归，从而得到在原空间的非线性回归估计。 通过支持向量机方法对分解后各层数据确定的训练样本集的输入输出关系分别进行非线 性回归估计，然后将各层的预测值重构，合成最终的预测结果；附图2是所提出的组合模型 结构图。 步骤三：给定失效临界阈值，输出零部件当前时刻的可靠度R(t)并预测未来某一 时刻的可靠度R(t+1 · At); 步骤四：根据制定的再制造临界可靠度阈值R*，分析R(t), R(t+1 · Δ t)和R*之 间的关系，安排再制造时机选择方案。 本专利技术的有益效果：该研究不仅有利于预防性维修决策的制定和提高系统的安全 评估质量，而且对环境保护和能源可持续性方面具有重大的科学意义。【附图说明】 图1轴承振动信号均方根值。 图2小波支持向量机模型结构图。 图3为利用WT-SVM模型对振动信号进行50次预测的结果。 图4(a)再利用决策的分析与制定。 图4(b)再制造决策的分析与制定。 图4(c)再循环决策的分析与制定。【具体实施方式】 以下结合附图和技术方案，进一步说明本专利技术的【具体实施方式】。 步骤一：获得零部件退化信息的在线监测信号，提取退化特征向量； 随着机械装备的运行，关键零部件会出现不同程度的损耗，导致零部件附近的振 动等表征信号的变化。通过在零部件的合适位置安装传感器，利用数据采集卡对传感器的 输出进行转换传入计算机中，获取能够表征零件损伤程度的信号。对信号求取具有退化趋 势的时域参数指标，作为退化的特征向量。 以双列滚子轴承为例，由于各运动部件的相互作用，会产生一定的振动，当轴承内 部发生异常时，会出现振动增大，振动性质改变等现象。通过在轴承座处安装加速度传感器 并利用数据采集卡进行A/D转换，采集轴承的振动信号并输入到计算机中。对采集的数据 求取均方根值（Root mean square，RMS)，如图1所示。由图可以看出，前700个点之前，轴 承振动信号变化不明显；之后的数据呈现明显的增长趋势，即轴承开始出现破坏。因此取第 780-930共150个时刻用于建立小波-支持向量机模型。取第931-980共50个时刻进行预 测。971-980共10个时刻可靠度计算，选择再制造的时机 步骤二：对步骤一中特征向量进行小波变换处理，减少不规则特性的影响，简化信 号复杂性。根据小波变换后退化数据特征建立支持向量机模型（WT-SVM模型），输出退化趋 势的预测值； 利用小波分析方法降低不规则特性的影响，简化数据的复杂性。首先根据信号的 复杂程度选择具体的分解层数，对特征向量进行小波分解，分解后各层的数据自身特性更 易被提取。由于支持向量机通过非线性映射将训练样本集的输入输出关系集映射到高维特 征空间，并在高维特征空间进行线性回归，从而得到在原空间的非线性回归估计。通过支 持向量机方法将分解后各层数据确定的训练样本集的输入输出关系分别进行非线性回归 估计，然后将各个层的预测值重构，合成最终的预测结果。附图2是所提出的组合模型结构 图。 实施例选择Daubechies小波函数进行退化特征向量处理。建立小波-支持向量 机（WT-SVM)预测模型，最后合成各层的预测值，得到整体的预测结果。 需要对WT-SVM模型参数进行选择，包括核函数的选择、惩罚因子C、不敏感函数ε 核函数用来计算当前第1页1 2 本文档来自技高网...
【技术保护点】
一种基于可靠性评估的机械装备关键零部件再制造时机选择方法，步骤如下：步骤一：获得零部件退化信息的在线监测信号，提取退化特征向量；在待测零部件的待测位置处安装传感器，利用传感器采集对待测零部件退化特性有表征关系的信号，用数据采集卡对传感器采集的信号进行转换并存储，分析获取待测零部件的在线监测信号，然后对所监测信号的特征量提取，获得具有退化趋势的时域参数指标，作为退化的特征向量；步骤二：对步骤一得到的特征向量进行小波变换处理，再根据小波变换后得到的退化数据特征建立支持向量机模型，输出退化趋势的预测值；首先根据在线监测信号的复杂程度选择分解层数，对特征向量进行小波分解，提取分解后各层数据；通过支持向量机方法对分解后各层数据确定的训练样本集的输入输出关系分别进行非线性回归估计，然后将各层的预测值重构，合成最终的预测结果；步骤三：根据实际情况，设定待测零部件的失效临界阈值，输出待测零部件当前时刻的可靠度R(t)并预测未来某一时刻的可靠度R(t+l·Δt)；在失效模式单一的情况下，待测零部件的性能参数用yt表示，并假设yt服从正态分布，其临界阈值是Ycl，对待测零部件的失效概率用条件概率表示；t+l·Δt时刻的失效概率为：F(t+l·Δt|t)=P(Y(l)≥Ycl)=∫yCL∞f(y(t+l·Δt|t))dy---(1)]]>其中Y(l)表示在当前时刻下l个时间间隔t+l·Δt的预测值；在t+l·Δt时刻的条件可靠度为：R(t+l·Δt|t)=1‑F(t+l·Δt|t)=R(tf)/R(tc) (2)式中，R(tc)是当前t时刻的可靠度，R(tf)是t+l·Δt时刻的可靠度；步骤四：根据给定的再制造临界可靠度阈值R*，分析R(t),R(t+l·Δt)和R*之间的关系，安排再制造时机选择方案；通过计算得到当前时刻的可靠度R(t)并预测出t+l·Δt时刻的可靠度R(t+l·Δt)，分析R(t),R(t+l·Δt)和设定的可靠度阈值R*之间的关系，共有三种不同的再制造方案；(1)当R(t)>R*,R(t+l·Δt)>R*，零部件不经过再制造直接利用，称为再利用；(2)当R(t)>R*,R(t+l·Δt)<R*，零部件在该段时间出现失效的概率比较大，经过再制造提高运行可靠性，称为再制造；(3)当R(t)<R*,R(t+l·Δt)<R*，不推荐零部件进行再制造，回收利用，称为再循环；当t时刻可靠度将要达到可靠度阈值R*而t+1时刻可靠度达到或超过阈值R*时，定义[t,t+1]时间区间为最佳再制造时机。...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘淑杰，胡娅维，高斯博，张洪潮，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。