基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法技术

基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，首先使用具有不同核参数的相关向量机对滚动轴承健康指标进行回归分析，而后利用指数模型拟合相关向量；通过计算拟合退化曲线和平滑后健康指标序列之间的弗雷歇距离对拟合退化曲线进行动态评估，得到最优退化曲线及其对应退化模型参数，而后递推健康指标直至其达到失效阈值，从而实现了基于模型和数据驱动方法动态联动下对滚动轴承剩余寿命的预测，本发明专利技术避免了对退化模型参数做出先验假设，摆脱了预测方法对大量历史数据的依赖，提高了滚动轴承寿命预测的精度，具有较好的工程应用价值。

【技术实现步骤摘要】
基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法
本专利技术属于滚动轴承剩余寿命预测
，具体涉及基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法。
技术介绍
滚动轴承作为机械设备中最常用的零部件之一，其健康与否直接影响设备的可靠性和综合效益，因此需要制定有效的维护方案以保障设备安全稳定运行。由于滚动轴承的退化一般历经长期缓慢的早期退化阶段和短期剧烈的严重退化阶段，若采用传统的定期维护方案，不仅会造成人力物力浪费，还可能由于未及时更换滚动轴承而导致设备停机，甚至引发机毁人亡的惨剧。预测性维护方案则可根据滚动轴承剩余寿命预测结果制订相应的备件和检修计划，最大化设备的可靠性和综合效益。作为开展预测性维护的前提和关键依据，如何准确预测滚动轴承剩余寿命正受到国内外研究机构和生产企业的广泛关注和高度重视。现有滚动轴承剩余寿命预测方法可大致分为两类：基于模型方法和数据驱动方法。基于模型方法通过对轴承退化过程的理论分析或经验总结，使用指数模型、Paris-Erdogan模型等描述其退化趋势，并据此进行剩余寿命预测；而数据驱动方法则利用人工智能模型(支持向量机、相关向量机、人工神经网络等)从历史数据中挖掘运行时间、健康状态和剩余寿命之间的映射关系，从而实现滚动轴承的剩余寿命预测。但以上两种方法都存在明显弊端：基于模型方法需要研究人员深入分析滚动轴承退化机理，同时还需预先假设模型参数的先验分布，容易因错误假设带来严重的预测误差；数据驱动方法的预测精度不仅取决于历史数据的数量，更依赖于其质量，但在工程实际中往往难以获取足够多的高质量轴承历史数据。因此，上述两种寿命预测方法在现阶段均不能有效满足工程实际需求。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，充分利用基于模型和数据驱动两种方法的优势，并摒弃二者的不足，从而提高滚动轴承剩余寿命预测的精度。为了达到上述目的，本专利技术采取的技术方案为：基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，包括以下步骤：1)利用加速度传感器实时采集滚动轴承振动信号，从振动信号中提取反双曲正弦指标作为滚动轴承的健康指标：其中，s(t)为t时刻的反双曲正弦指标值，xt为t时刻采样得到的振动信号片段，σ(·)为方差计算式；2)在tk时刻将已获取的健康指标输入到具有不同核参数的相关向量机中，执行回归分析并获得相应的相关向量；具体步骤如下：2.1)获取滚动轴承从起始时刻t0到当前时刻tk的健康指标序列Sk，其中Sk＝{s(t0),...,s(tk)}；2.2)设置相关向量机的核函数为高斯核函数，即：K(tk,ti)＝exp(-γ||ti-tk||2)(2)式中K(·,·)表示核函数，ti代表第i个监测时刻，i＝0,1,…,k，tk＝{t0,t1,...,tk}，代表从起始时刻t0到当前时刻tk的监测时刻序列，γ为核参数；2.3)将核参数γ取若干个值进行相关向量回归，得到若干个相关向量其中代表第n个相关向量在tm时刻健康指标的估计值，n＝1,...,N，N为相关向量总数；m＝1,...,M，M为各相关向量维数，并进一步得到置信水平为95％的健康指标估计值置信区间上下界：上式中，为置信区间上界，为置信区间下界，tM＝(t1,t2,...,tM)T，代表相关向量的时间序列，和Σn,MP为第n个相关向量的最优超参数，使用序列稀疏贝叶斯学习算法得到；3)使用指数退化模型对步骤2)中得到的若干个相关向量进行非线性最小二乘拟合，得到不同核参数下拟合退化曲线：gn(t)＝anexp(bnt)+cnexp(dnt)(5)其中，gn(·)表示第n个相关向量对应拟合退化曲线，an，bn，cn，dn均为该曲线对应的指数退化模型参数；4)根据弗雷歇距离评估步骤3)中得到的各拟合退化曲线，得到最优退化曲线，具体步骤如下：4.1)将滚动轴承从起始时刻t0到当前时刻tk的健康指标序列Sk进行平滑处理，构成平滑后的健康指标序列其中为平滑后ti时刻的健康指标值，i＝1,...,k；4.2)计算平滑后的健康指标序列与步骤3)中得到的各相关向量拟合退化曲线之间的弗雷歇距离：其中ξ(·)和ψ(·)为满足ξ(0)＝ψ(0)＝t1，ξ(1)＝ψ(1)＝tk且定义域为[0,1]的任意单调非减函数，D(·,·)为欧氏距离计算函数；4.3)寻找与平滑后的健康指标序列之间弗雷歇距离最小的拟合退化曲线，记该拟合曲线为最优退化曲线，其对应模型参数为最优退化模型参数；5)根据最优退化模型参数，利用式(5)递推健康指标，记健康指标的递推值达到或首次超过预设失效阈值的时刻为tend，则当前时刻滚动轴承的剩余寿命RUL(tk)表示为：RUL(tk)＝tend-tk(7)。本专利技术的有益效果：本专利技术使用具有不同核参数的相关向量机在各监测时刻对滚动轴承健康指标进行回归分析，而后由指数模型拟合相关向量；根据弗雷歇距离筛选得到能有效反映滚动轴承退化趋势的最优拟合退化曲线，据此递推健康指标，实现了基于模型和数据驱动方法动态联动下对滚动轴承的剩余寿命预测。本专利技术克服了基于模型方法需要预先假设模型参数先验分布的弊端和数据驱动方法对大量历史数据的依赖，提高了滚动轴承剩余寿命预测的准确性。附图说明图1为本专利技术流程图。图2为实施例PRONOSTIA实验台结构图。图3为实施例两个测试滚动轴承全寿命周期内振动信号。图4为实施例两个测试滚动轴承退化趋势预测结果图。图5为实施例两个测试滚动轴承剩余寿命预测结果图。具体实施方式下面结合附图和实施例对本专利技术做进一步详细描述。如图1所示，基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，包括以下步骤：1)利用加速度传感器实时采集滚动轴承振动信号，从振动信号中提取反双曲正弦指标作为滚动轴承的健康指标：其中，s(t)为t时刻的反双曲正弦指标值，xt为t时刻采样得到的振动信号片段，σ(·)为方差计算式；2)在tk时刻将已获取的健康指标输入到具有不同核参数的相关向量机中，执行回归分析并获得相应的相关向量；具体步骤如下：2.1)获取滚动轴承从起始时刻t0到当前时刻tk的健康指标序列Sk，其中Sk＝{s(t0),...,s(tk)}；2.2)设置相关向量机的核函数为高斯核函数，即：K(tk,ti)＝exp(-γ||ti-tk||2)(2)式中K(·,·)表示核函数，ti代表第i个监测时刻，i＝0,1,…,k，tk＝{t0,t1,...,tk}，代表从起始时刻t0到当前时刻tk的监测时刻序列，γ为核参数；2.3)将核参数γ取若干个值进行相关向量回归，得到若干个相关向量其中代表第n个相关向量在tm时刻健康指标的估计值，n＝1,...,N，N为相关向量总数；m＝1,...,M，M为各相关向量维数，并进一步得到置信水平为95％的健康指标估计值置信区间上下界：上式中，为置信区间上界，为置信区间下界，tM＝(t1,t2,...,tM)T，代表相关向量的时间序列，和Σn,MP为第n个相关向量的最优超参数，可使用序列稀疏贝叶斯学习算法得到；3)使用指数退化模型对步骤2)中得到的若干个相关向量进行非线性最小二乘拟合，得到不同核参数下拟合退化曲线：gn(t)＝anexp(bnt)+cnexp(dnt)(5)本文档来自技高网...

【技术保护点】
1.基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，其特征在于，包括以下步骤：1)利用加速度传感器实时采集滚动轴承振动信号，从振动信号中提取反双曲正弦指标作为滚动轴承的健康指标：

【技术特征摘要】
1.基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法，其特征在于，包括以下步骤：1)利用加速度传感器实时采集滚动轴承振动信号，从振动信号中提取反双曲正弦指标作为滚动轴承的健康指标：其中，s(t)为t时刻的反双曲正弦指标值，xt为t时刻采样得到的振动信号片段，σ(·)为方差计算式；2)在tk时刻将已获取的健康指标输入到具有不同核参数的相关向量机中，执行回归分析并获得相应的相关向量；具体步骤如下：2.1)获取滚动轴承从起始时刻t0到当前时刻tk的健康指标序列Sk，其中Sk＝{s(t0),...,s(tk)}；2.2)设置相关向量机的核函数为高斯核函数，即：K(tk,ti)＝exp(-γ||ti-tk||2)(2)式中K(·,·)表示核函数，ti代表第i个监测时刻，i＝0,1,…,k，tk＝{t0,t1,...,tk}，代表从起始时刻t0到当前时刻tk的监测时刻序列，γ为核参数；2.3)将核参数γ取若干个值进行相关向量回归，得到若干个相关向量其中代表第n个相关向量在tm时刻健康指标的估计值，n＝1,...,N，N为相关向量总数；m＝1,...,M，M为各相关向量维数，并进一步得到置信水平为95％的健康指标估计值置信区间上下界：上式中，为置信区间上界，为置信区间下界，tM＝(t1,t2,...,tM)T，代表相关向量的时间序列，和Σn,MP...

【专利技术属性】
技术研发人员：雷亚国，闫涛，王彪，李乃鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61