一种齿轮的实时剩余寿命预测方法技术

一种齿轮的实时剩余预测方法，属于机械可靠性技术领域，特征是实施步骤如下：1、利用传感器对动力齿轮退化实时监测；2、对齿轮疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；3、建立可变参数的齿轮退化状态空间模型；4、对齿轮退化过程中的突变状态点进行检测；5、根据监测到的突变点信息修正预测模型，重新进行状态评估；6、根据齿轮状态估计及齿轮故障阈值进行齿轮剩余寿命预测。优点是可有效的预测齿轮退化状态及实时剩余寿命的准确度，为齿轮预防性维修提供依据。

【技术实现步骤摘要】

本专利技术属于机械可靠性领域，具体涉及一种齿轮的实时剩余寿命预测方法。
技术介绍
齿轮是机械工业中应用广泛的旋转机械设备传动系统中的关键部件。齿轮啮合受力情况较为复杂，在变工况、变载荷的情况下运行，更容易发生故障。当齿轮发生断齿、齿面疲劳、胶合等故障时，常常会引起整个机械设备灾难性的破坏。同时随着信息传感设备的发展，可对齿轮的运行状态进行实时监测，利用接收到的大量实时监测信息更为准确预测系统的退化状态及其剩余寿命，可以提供有关健康状态的关键信息，进而识别和管理故障的发生、规划维修活动，为更合理地制定基于状态的维护维修策略提供依据；齿轮的磨损退化过程是一个动态随机过程。现有的齿轮磨损状态预测大部分都是基于监测数据建立一个随机退化模型来分析其退化过程。还有一些提出了多阶段的退化状态预测模型，将齿轮的退化分为正常退化和潜在故障两个阶段，认为在潜在故障阶段退化速度增大，仅在此阶段预测退化状态求其剩余寿命。而齿轮的退化过程随着设备负载及工况的变化而变化，开始齿轮啮合阶段与后期磨损加速阶段是复杂多变的多阶段退化过程，没有恒定不变的阶段，难以用一个退化模型来描述。同时系统运行中其退化状态很难直接测量，可监测到的数据往往只是与状态有关的一些间接观测数据，例如振动信号、温度和压力等信号。而且观测数据往往因受到随机噪声的干扰而出现观测误差。根据观测数据构造状态空间模型对系统的状态进行估计与预测可以很好地解决这一问题；在齿轮退化过程中，往往由于其退化磨损过程由渐变、量变发展为突变、质变，导致系统的材料、结构等发生变化，出现退化突变点。突变点后的退化速率增大进而使剩余寿命发生较大变化。突变点是退化状态发生变化的起始点，它所包含的大量剩余寿命信息能够为剩余寿命预测及预防性维护维修策略的制定提供有用信息。
技术实现思路
本专利技术目的是提供一种齿轮实时剩余寿命预测方法，将基于退化状态突变点检测和剩余寿命的预测进行联合研究，可以利用突变点信息更快的对系统的动态变化进行跟踪，提高齿轮退化状态预测精度，可有效地克服现有技术中存在的缺点。本专利技术是这样实现的，其特征是包括以下实施步骤：步骤1、在齿轮箱安装传感器，获取表征齿轮退化的实时监测数据；加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，在主试箱的正上方安装噪声传感器，步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；利用均方幅值对齿轮磨损退化性能进行衰退评估，对于每次采样时间Δt长度内，离散随机信号的时间序列均方幅值可表示为：xrms(Δt)=(1nΣi=1nxi2(t))1/2---(1)]]>式中Δt为采用时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，xi(t)为采样值；步骤3、建立可变参数的齿轮退化状态空间模型：通过非线性状态空间建模进行状态估计，模型的一般形式为：Xt＝f(Xt-1)+wt-1(2)Yt＝h(Xt)+vt(3)式中，Xt为t时刻的系统状态向量，t≥1，f(Xt-1)为系统状态转移模型；Yt为t时刻的系统观测向量，h(Xt)为系统观测模型，系统噪声wt和观测噪声vt服从零均值的高斯分布，其协方差阵为：Var(wt)＝Qt，Var(vt)＝Rt；采用线性化进行简化，线性化后的状态空间模型为：Xt＝Ft|t-1Xt-1+wt-1(4)Yt＝HtXt+vt(5)(4)式和(5)式中的未知参数用一个参数向量θ表示，即θ＝{Ft|t-1,Ht,Qt,Rt本文档来自技高网...

【技术保护点】
一种齿轮的实时剩余寿命预测方法，其特征在于实施步骤是：步骤1、在齿轮箱安装传感器，获取表征齿轮退化的实时监测数据；加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，在主试箱的正上方安装噪声传感器；步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估：利用均方幅值对齿轮磨损退化性能进行衰退评估，对于每次采样时间Δt长度内，离散随机信号的时间序列均方幅值可表示为：xrms(Δt)=(1nΣi=1nxi2(t))1/2---(1)]]>式中Δt为采用时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，xi(t)为采样值；步骤3、建立可变参数的齿轮退化状态空间模型：通过非线性状态空间建模进行状态估计，模型的一般形式为：Xt＝f(Xt‑1)+wt‑1   (2)Yt＝h(Xt)+vt   (3)式中，Xt为t时刻的系统状态向量，t≥1，f(Xt‑1)为系统状态转移模型；Yt为t时刻的系统观测向量，h(Xt)为系统观测模型，系统噪声wt和观测噪声vt服从零均值的高斯分布，其协方差阵为：Var(wt)＝Qt，Var(vt)＝Rt采用线性化进行简化，线性化后的状态空间模型为：Xt＝Ft|t‑1Xt‑1+wt‑1   (4)Yt＝HtXt+vt   (5)(4)式和(5)式中的未知参数用一个参数向量θ表示，即θ＝{Ft|t‑1,Ht,Qt,Rt}，其中，Ft|t‑1为系统状态转移矩阵，Ht为系统观测矩阵，对系统的状态向量进行i次观测，从而得到观测序列Y1:i＝{Y1,Y2,…,Yi}，当系统在运行过程中，随着外界环境的变化，模型参数发生变化，因此可以在可实时监测条件下，利用监测数据进行状态空间模型参数的估计及退化状态的预测，求得在t时刻系统状态向量Xt的最优估计量首先采用期望最大化算法从初始时刻以迭代的方式实时估计状态空间模型参数，该算法包括E步骤和M步骤两个步骤，具体步骤如下：E步骤是估计未知参数向量θ过程中，将卡尔曼滤波中的待估计状态初值X0作为未知的“缺失数据”，其均值和方差分别为未知，滤波估计误差初值为P0，待估计参数的初值为：θ0＝{F0,H0,Q0,R0}   (6)为使退化状态初值选择更为合理，采用卡尔曼前向滤波及固定区间反向滤波相结合的方法在参数估计的同时来选取最优的退化状态初值，卡尔曼前向滤波时，在t1,t2,...,ti,ti+1,...,ti+n时刻，其相应的退化状态估计值为：一步预测值为：X^t|t-1=Ft|t-1X^t-1---(7)]]>校正预测估计得到的状态估计值为：X^t=X^t|t-1+Kt[Yt-HtX^t|t-1]---(8)]]>Kt=Pt|t-1HtT[HtPt|t-1HtT+Rt]-1---(9)]]>式中Kt为滤波增益，Pt|t‑1为预测的误差方差阵，Pt为滤波估计误差的方差阵：Pt|t‑1＝Ft|t‑1Pt‑1Ft|t‑1T+Qt‑1   (10)Pt=[I-KtHt]Pt|t-1[I-KtHt]T+KtRtKtT---(11)]]>已知在ti+n时刻，接收到i+n个监测点的监测信息，求得其对数最大似然函数为：ln L(θ)=ln[Πt=t0ti+np(Yt|Xt,θ)]=Πt=t1ti+nln p(Yt|θ)-ln p(X0|θ)Σt=t1ti+nln p(Xt|Xt-1,θ)---(12)]]>式中∏表示求积，a0为X0的均值，为X0的方差，可求得似然函数的表达式为：ln L(θ)=-{ln|σ02|+(x0-a0)2σ02+(i+n)ln|Qti+n|+Σt=t1ti+n(xt-Fti+n|ti+n-1xt-1)2Qti+n+(i+n)ln|Rti+n|+Σt=t1ti+n(Yt-Hti+nXt)2Rti+n}---(13)]]>采用期望最大化算法估计参数，计算式(13)的期望值，记为EX|Y,θk[ln L(θ)]=E{-[ln|σ02|+(x0-a0)2σ02+(i+n)ln|Qti+n|+Σt=t1ti+n(xt-Fti+n|ti+n-1xt-1)2Qti+n+(i+n)ln|Rti+n|+Σt=t1ti+n(Yt-Hti+nXt)2Rti+n]}---(14)]]>卡尔曼光滑算法即为求期望值的过程，首先求得：EX|Y,θk(Xt)=X^t|T---(15)]]>St...

【技术特征摘要】
1.一种齿轮的实时剩余寿命预测方法，其特征在于实施步骤是：
步骤1、在齿轮箱安装传感器，获取表征齿轮退化的实时监测数据；
加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，
在主试箱的正上方安装噪声传感器；
步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评
估：
利用均方幅值对齿轮磨损退化性能进行衰退评估，对于每次采样时间Δt长
度内，离散随机信号的时间序列均方幅值可表示为：
xrms(Δt)=(1nΣi=1nxi2(t))1/2---(1)]]>式中Δt为采用时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，
i∈(1,2,3....n)，xi(t)为...

【专利技术属性】
技术研发人员：石慧，张晓红，常春波，曾建潮，董增寿，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西;14