An integrated KELM method for predicting the remaining service life of rolling bearings belongs to the technical field of bearing life prediction. The invention solves the problems of difficulty in predicting the remaining service life of existing rolling bearings and low prediction accuracy. Firstly, based on variational mode decomposition, this method extracts vibration signal features, and introduces a new similarity dimension reduction method to reduce the dimension of features, further extracts the features of monotony, similarity and stability LM model, combined with stochastic forest, constructs an integrated KELM prediction model to get the current prediction result P value. The CEF of the test bearing is input into the prediction model to predict the current p value, and the second-order exponential smoothing method is used to fit, and the RUL of the bearing is predicted. Experiments show that the proposed prediction method has higher prediction accuracy than other literatures.
【技术实现步骤摘要】
一种集成KELM的滚动轴承剩余使用寿命预测方法
本专利技术涉及滚动轴承剩余使用寿命预测方法,属于轴承寿命预测
技术介绍
滚动轴承是旋转机械中的重要部件一,由于复杂的工作环境及运行状态,旋转机械中有超过30%的机械故障是故障轴承引起的,因此滚动轴承也是旋转机械中最易受损的零部件之一[1,2]。准确预测滚动轴承(RemainingUsefulLife,RUL)可为预防性维修决策提供依据,延长设备生命周期,提高整机可靠性和利用率并避免事故的发生[3]。目前,已有许多国内外学者针对滚动轴承振动信号的特征提取方法进行研究。文献[4]利用包络分析结合多尺度熵和经验模态分解(Empiricalmodedecomposition,EMD)方法实现变转速下滚动轴承故障诊断。文献[5]提出基于多目标优化的改进EMD分析方法提取滚动轴承外环和内环故障特征,获得了较好故障识别效果。但EMD存在模态混叠的问题。集合经验模态分解(EnsembleEMD,EEMD)作为改进EMD算法也已应用广泛[6-7],其作为一种递归模式分解方法却存在分解效率低、过分解等问题。变分模态分解(VariationalModeDecomposition,VMD)可以改善传统EMD和EEMD算法模态混叠和过分解问题,其具有更强的噪声鲁棒性。文献[8]将VMD结合支持向量机建立预测模型对变压器油中气体的含量进行预测。文献[9]提出一种结合VMD的内燃机振动谱图纹理特征提取的故障诊断方法,用于实现内燃机故障的自动诊断。上述文献方法均较好地提取了故障特征,并获得了较高的故障识别率。针对特征在不同工况下单 ...
【技术保护点】
1.一种集成KELM的滚动轴承剩余使用寿命预测方法,其特征在于,所述方法的实现过程为:训练阶段:(1)首先对已知滚动轴承原始振动数据去除直流分量,再进行多项式趋势项消除,然后使用五点平滑法对其进行平滑,去除频率成分较高的干扰信号,最后选用VMD算法对预处理的信号进行模态分解;VMD算法预先设定分解模态个数K′,根据观察各模态中心频率的方法确定实际K值,若K′个分解模态中第k′i个首次出现中心频率相近的模态分量时,产生过分解现象,此时(k′i‑1)为实际要分解的BIMF个数K;利用VMD算法分解的BIMF的个数根据不同轴承信号具有不同的数值;(2)按照如下特征集分别提取各个模态的时、频域特征,并根据公式(10)对时、频域特征中每个特征进行归一化,构造特征矩阵;所述特征集包括7个时域特征和17个频域特征,时域特征包括:均方根值,峰峰值,波形指标,峰值指标,脉冲指标,裕度指标,峭度指标;频域特征包括重心频率,均方频率,均方根频率,频率方差,频域指标F1‑F13;Y=(Ymax‑Ymin)(X‑Xmin)/(Xmax‑Xmin)+Ymin (10)式中,Y为归一化结果,Ymax=1,Ymi ...
【技术特征摘要】
1.一种集成KELM的滚动轴承剩余使用寿命预测方法,其特征在于,所述方法的实现过程为:训练阶段:(1)首先对已知滚动轴承原始振动数据去除直流分量,再进行多项式趋势项消除,然后使用五点平滑法对其进行平滑,去除频率成分较高的干扰信号,最后选用VMD算法对预处理的信号进行模态分解;VMD算法预先设定分解模态个数K′,根据观察各模态中心频率的方法确定实际K值,若K′个分解模态中第k′i个首次出现中心频率相近的模态分量时,产生过分解现象,此时(k′i-1)为实际要分解的BIMF个数K;利用VMD算法分解的BIMF的个数根据不同轴承信号具有不同的数值;(2)按照如下特征集分别提取各个模态的时、频域特征,并根据公式(10)对时、频域特征中每个特征进行归一化,构造特征矩阵;所述特征集包括7个时域特征和17个频域特征,时域特征包括:均方根值,峰峰值,波形指标,峰值指标,脉冲指标,裕度指标,峭度指标;频域特征包括重心频率,均方频率,均方根频率,频率方差,频域指标F1-F13;Y=(Ymax-Ymin)(X-Xmin)/(Xmax-Xmin)+Ymin(10)式中,Y为归一化结果,Ymax=1,Ymin=0,X为特征的值,Xmax为特征中的最大值,Xmin为特征中的最小值;(3)利用公式(11)进行相关相似性特征降维,将特征集的24个特征(24维)降到一维,最后为了得到具有单调性、相似性和稳定性特征,使用公式(12)进一步对其提取循环增强特征CEF;RSt表示降到一维后的特征,RSt是指基于以上提取的时、频域特征,求当前和初始时刻间的特征序列的相关相似性特征;式中,时刻t的数据序列表示为ut,将初始动作时间的数据序列表示为u0,k是特征序列的长度,取值为24,和分别是初始时刻和t时刻的k维特征均值;CEF提取分两步:第一步:将第t时段和第...
【专利技术属性】
技术研发人员:康守强,孙良棚,王玉静,谢金宝,陈威威,王庆岩,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江,23
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。