基于多阶段维纳过程的轴承寿命预测方法技术

本发明专利技术公开了一种基于多阶段维纳过程的轴承寿命预测方法，首先采集轴承运行时的振动信号并提取退化特征指标；然后根据轴承在服役期间的状态变化，基于维纳过程将退化过程划分正常阶段、缓慢退化阶段和加速退化阶段并以此建立多阶段随机退化模型；同时，利用卡尔曼滤波和期望最大化算法对退化状态和模型参数进行估计更新；最后，构造滑动窗口识别方法判断轴承退化阶段，推导每个阶段对应的剩余寿命表达式并预测剩余寿命。该方法能有效判断轴承的退化阶段，进而预测对应阶段下的剩余寿命，具有较好的应用效果。有较好的应用效果。有较好的应用效果。

【技术实现步骤摘要】
基于多阶段维纳过程的轴承寿命预测方法


[0001]本专利技术属于剩余寿命预测领域，涉及一种基于多阶段维纳过程的轴承寿命预测方法。

技术介绍

[0002]轴承是机械设备正常工作的关键零部件之一，被广泛应用于各种大小型装备中。由于受到内外环境的影响，轴承会随着服役时间的增加而发生失效，其退化或失效将直接影响设备的性能和可靠性。通过准确预测轴承的性能变化，估计剩余寿命，从而有针对地制定合理的维护策略和组织生产，可以大大减少因轴承失效而引发的损失，提高机械设备的运行可靠性。
[0003]在专利说明书CN111414703A中公开了一种滚动轴承剩余寿命预测方法，该方法将同类轴承的历史数据输入加速退化预测模型，计算每个时刻下属于平稳退化阶段的第一概率和属于加速退化阶段的第二概率，确定加速退化阶段，建立平稳退化寿命预测模型和加速退化寿命预测模型，通过实时振动数据判断预测轴承的所处阶段，按照所处阶段的模型进行寿命预测。在专利说明书CN105653851A中公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法，该方法设置报警阈值、分阶段点阈值和停车阈值作为预测初始点、阶段分界点和预测截止点，然后建立不同劣化阶段模型，应用最小二乘法更新模型参数，使用粒子滤波算法进行剩余寿命预测。
[0004]在这两种建立分阶段模型进行轴承剩余寿命预测的方法中，由于轴承之间的差异和服役条件的不同，则每个轴承的退化阶段改变点不同，而通过相关经验或者历史数据划分轴承的退化阶段会导致剩余寿命预测时可能使用错误的寿命预测模型，因而会影响轴承的剩余寿命预测精度。此外，在这两种剩余寿命预测方法中，由于剩余寿命的区间估计比点估计在实际应用中更广泛，则需要推导剩余寿命的概率密度函数，而回归或者物理模型通过引入正态分布，得到剩余寿命概率密度函数的近似解而不是解析解，因而剩余寿命预测精度较低。同时，由于轴承退化形式多样、失效机理复杂，则轴承的失效原因可能包含多个，而回归或物理模型的预测精度取决于回归趋势或失效机理和实际退化的一致性，因而会影响轴承的剩余寿命预测精度。

技术实现思路

[0005]为了克服分阶段寿命预测模型预测精度低的问题，本专利技术的目的在于提供一种基于多阶段维纳过程的轴承寿命预测方法，考虑到轴承退化具备多个阶段以及退化存在不确定性的特征，凭借维纳过程的数学优势构建寿命预测模型，可以得到准确的剩余寿命预测结果。
[0006]为了达到上述目的，本专利技术的技术方案如下：
[0007]基于多阶段维纳过程的轴承寿命预测方法，包括以下步骤：
[0008]第一步：利用传感器实时采集轴承的振动信号，并从振动信号中提取特征指标表
征轴承的退化状态；
[0009]第二步：基于轴承在服役期间的状态变化，将退化过程划分为正常阶段、缓慢退化阶段、加速退化阶段三个阶段。其中，使用标准维纳过程描述轴承的正常阶段，使用线性维纳过程描述轴承的缓慢退化阶段，使用非线性维纳过程描述轴承的加速退化阶段。基于以上退化阶段，充分考虑个体差异性、时变性和测量不确定性，建立表征轴承退化的多阶段随机退化模型。
[0010]第三步：基于多阶段随机退化模型，根据实时采集数据利用状态估计方法估计轴承的退化状态，使用参数估计方法更新模型参数；
[0011]第四步：根据实时采集数据变化，利用滑动窗口识别方法判断轴承的退化阶段，按照阶段对应的退化模型进行寿命预测；
[0012]第五步：基于轴承寿命和首达时间的定义，推导不同退化阶段下剩余寿命的概率密度函数，进而预测每个时刻下的轴承剩余寿命。
[0013]优选地，基于多阶段维纳过程的轴承寿命预测方法第二步中构建的多阶段随机退化模型如下：
[0014]1)正常阶段模型：
[0015][0016]上式，x是实际的退化指标；σ为扩散系数，表征轴承退化的时变性；τ为采样间隔，τ
k
＝t
k
‑
t
k
‑1；B(τ)为布朗运动，B(t)～N(0,σ2τ)；y为测量的退化指标；π为测量方差，表征测量的不确定性，
[0017]2)缓慢退化模型：
[0018][0019]上式，η为漂移系数，表征个体之间的差异性；ν是漂移系数变化方差，v～N(0,ε2)。
[0020]3)加速退化模型：
[0021][0022]上式，Λ(t；ξ)是时间t的非线性函数，ξ为非线性系数。
[0023]优选地，基于多阶段维纳过程的轴承寿命预测方法第四步中，滑动窗口识别方法步骤如下：
[0024]1)建立滑动窗口计算相对误差：根据实时采集数据，计算窗口内测量的退化指标和滤波的退化指标之间的相对误差；若相对误差超过设定阈值，表明轴承的退化阶段发生改变。相对误差计算公式如下：
[0025][0026]其中，HI
mea
是测量的退化指标；HI
fil
是滤波的退化指标；n是向前截取的数据长度；
[0027]2)检验变化量分布：计算滑动窗口内退化指标的变化量，使用Lilliefors检验方法判断变化量是否符合正态分布；若变化量符合正态分布，则表明轴承处于正常阶段或缓慢退化阶段；若不符合正态分布，则表明处于加速退化阶段；
[0028]3)计算相关系数：计算滑动窗口内退化指标和采集时刻之间的Pearson相关系数；若相关系数超过设定阈值，表明轴承处于缓慢退化阶段；否则，轴承处于正常阶段。
[0029]优选地，基于多阶段维纳过程的轴承寿命预测方法第五步中，每个时刻下轴承的预测剩余寿命计算公式如下：
[0030][0031]其中，f(t|θ)为t
k
时刻推导的轴承剩余寿命概率密度函数。根据维纳过程中首达时间概念和轴承寿命的定义，缓慢退化阶段的剩余寿命概率密度函数为：
[0032][0033]其中，ω为失效阈值。加速退化阶段的剩余寿命概率密度函数为：
[0034][0035]优选地，基于多阶段维纳过程的轴承寿命预测方法第一步中从振动信号中提取时域指标表征轴承的退化状态；第三步中利用卡尔曼滤波估计轴承的退化状态，利用期望最大化算法更新退化模型的参数。
[0036]本专利技术的有益效果：
[0037]本专利技术基于多阶段维纳过程建立了轴承多阶段随机退化模型，包括标准维纳过程的正常阶段、线性维纳过程的缓慢退化阶段和非线性维纳过程的加速退化阶段；使用卡尔曼滤波和期望最大化算法根据实时采集信号更新退化状态和模型参数；利用滑动窗口识别方法判断轴承退化阶段，推导剩余寿命的概率密度函数并预测剩余寿命，实现了对轴承退化阶段的识别，进而预测不同阶段下的剩余寿命。本专利技术利用维纳过程首达时间满足逆高斯分布的性质，推导出剩余寿命的概率密度函数，得到了寿命预测模型的解析解，相比于其他预测模型的近似解，提高了剩余寿命预测的精度。同时，本专利技术利用维纳过程表示具有随机特性的连续过程，相比于其他多阶段寿命预测模型，更有效地描述了退化过程的不确定性。本专利技术根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多阶段维纳过程的轴承寿命预测方法，其特征在于，包括以下步骤：第一步：利用传感器实时采集轴承的振动信号，并从振动信号中提取特征指标表征轴承的退化状态；第二步：基于轴承在服役期间的状态变化，将退化过程划分为正常阶段、缓慢退化阶段、加速退化阶段三个阶段；其中，使用标准维纳过程描述轴承的正常阶段，使用线性维纳过程描述轴承的缓慢退化阶段，使用非线性维纳过程描述轴承的加速退化阶段；基于以上退化阶段，充分考虑个体差异性、时变性和测量不确定性，建立表征轴承退化的多阶段随机退化模型；第三步：基于多阶段随机退化模型，根据实时采集数据利用状态估计方法估计轴承的退化状态，使用参数估计方法更新模型参数；第四步：根据实时采集数据变化，利用滑动窗口识别方法判断轴承的退化阶段，按照阶段对应的退化模型进行寿命预测；第五步：基于轴承寿命和首达时间的定义，推导不同退化阶段下剩余寿命的概率密度函数，进而预测每个时刻下的轴承剩余寿命。2.根据权利要求1所述的基于多阶段维纳过程的轴承寿命预测方法，其特征在于，所述第二步中，构建如下多阶段随机退化模型：1)正常阶段模型：上式，x是实际的退化指标；σ为扩散系数，表征轴承退化的时变性；τ为采样间隔，τ
k
＝t
k
‑
t
k
‑1；B(τ)为布朗运动，B(t)～N(0,σ2τ)；y为测量的退化指标；π为测量方差，表征测量的不确定性，2)缓慢退化模型：上式，η为漂移系数，表征个体之间的差异性；ν是漂移系数变化方差，v～N(0,ε2)；3)加速退化模型：上式，Λ(t；ξ)是时间t的非线性函数，ξ为非线性系数。3.根据权利要求1所述的基于多阶段维纳...

【专利技术属性】
技术研发人员：刘淑杰，范乐贤，张淼，张晟，董志远，梅志恒，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：