一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法技术

一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法，先建立建立与滚动轴承累计旋转圈数有关的状态空间模型，再确定三个阈值，并基于阈值确定起始退化时间和起始预测时间；然后基于起始退化时间之后的观测值序列，由极大似然法更新模型参数，利用贝叶斯信息准则自动选择最优状态空间模型；最后根据选择的模型及其更新后的参数，计算失效时间的概率密度函数，得到剩余寿命预测结果；本发明专利技术能够由滚动轴承自身状态监测数据驱动而无需参考任何其他滚动轴承监测数据，并将监测数据实时匹配最优状态空间模型，有效表征工业实际中滚动轴承运行过程中的退化情况，提高了滚动轴承的剩余寿命预测精度。

【技术实现步骤摘要】
一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法
本专利技术属于滚动轴承剩余寿命预测
，具体涉及一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法。
技术介绍
近年来，随着军事技术的迅速发展和现代工业水平的整体提升，对机械设备安全运行的要求也越来越高。设备中的核心零部件极易发生不同程度的故障，导致设备失效，造成经济损失和人员伤亡。因此，保证机械设备关键零部件安全服役，对保障国防安全和促进现代工业生产意义重大。滚动轴承在绝大多数滚动轴承系统中扮演着重要角色，被称作“工业的关节”，其健康状态的好坏直接影响到机械设备的运转效率。实现对滚动轴承剩余寿命的准确预测，提前更换剩余寿命不足的轴承，从而保证机械设备的安全具有重要意义。现如今大部分的数据驱动剩余寿命预测方法依赖退化过程的经验知识和历史失效数据来训练预测模型，这些方法有两个前提假设：1、能够提前获取大量失效数据；2、不同滚动轴承的退化行为是相似的。然而，对于实际工程设备，往往只有少量失效数据或没有失效数据；即使积累了足够的失效数据，由于制造差异、环境、工况等因素，不同滚动轴承之间的退化过程也往往有所差异，很难保证训练好的模型在不同设备上的适应性。因此，上述两个假设在在一些实际情况中是不合理的，导致基于此假设的数据驱动剩余寿命预测方法效果不好。
技术实现思路
为了克服现有技术的以上缺点，本专利技术的目的在于提供了一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法，滚动轴承剩余寿命根据其自身的状态监测数据而被预测，而没有来自其他任何滚动轴承的监测数据，减少了模型对训练数据相似性和数量的要求，并能够使监测数据实时匹配最优状态空间模型，提高了滚动轴承剩余寿命的预测精度。为了达到上述目的，本专利技术采取的技术方案为：一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法，包括以下步骤：第1步，建立与滚动轴承累计旋转圈数有关的状态空间模型：y(t)＝x(t，0)+ωx(t，θ)(2)其中，公式(1)为状态方程，公式(2)为观测方程，x(t，θ)为t时刻的健康状态，x0为滚动轴承初始健康状态，是t时刻的累计退化量，退化函数根据实际情况设为线性函数、幂函数、指数函数或对数函数，θ是退化函数的参数向量，r(t)代表t时刻滚动轴承的累计旋转圈数，其计算公式为其中s(τ)代表轴承转速；y(t)是t时刻的观测值，能够反应状态退化的特征指标；ωx(t，θ)代表观测噪声，ω服从正态分布N(0，σ2)，因此，y(t)服从正态分布N(x(t，θ)，σ2(x(t，θ))2)；第2步，确定三个阈值：预警阈值D1，报警阈值D2和失效阈值D3，这三个阈值将观测值划分为4个不同的级别；2.1)预警阈值D1是级别I和II的分界线，分别代表健康阶段和初始退化阶段；在滚动轴承早期运行阶段，将记录的观测值作为健康阶段下的随机样本，计算这些观测值的3σ区间，并选择其上边界或下边界作为预警阈值D1，选择3σ区间的上边界用于观测值随着退化过程增加的情况，而3σ区间的下边界用于观测值随着退化过程减少的情况；2.2)失效阈值D3是等级III和IV之间的边界，即严重退化阶段和失效阶段，需要人为根据实际情况进行预先指定；2.3)报警阈值D2是级别II和III之间的边界，定义为预警阈值D1和失效阈值D3的平均值；第3步，实时监测并采集滚动轴承的振动信号，计算观测值序列，确定首次退化时间tFDT和首次预测时间tFPT；当观测值达到预警阈值D1，将这个时间点定义为滚动轴承的起始退化时间FDT；当观测值达到报警阈值D2，将这个时间点定义为起始预测时间FPT；第4步，状态空间模型参数更新：状态空间模型的未知参数由起始退化时间FDT之后的一系列观测值Y＝(yFDT，yFDT+1，…，yk)′确定，随着观测值序列不断增加，状态空间模型参数不断更新；由极大似然估计法估计模型参数θ和σ，未知参数θ和σ2的估计值是使下面对数似然函数最大化的值：其中，θ和σ2为未知参数，Y为观测值序列，k代表Y的观测值数量，是ti时刻轴承的累计退化量，yi代表ti时刻的观测值，初始健康状态x0设置为预警阈值D1，ri是滚动轴承从起始退化时间tFDT到时刻ti的累计转动量，计算公式如下：其中，FDT代表起始退化时间，sj代表tj时刻轴承转速；计算公式(3)关于σ2的偏导数，并且令则σ2的估计值由θ表示，公式如下：将公式(5)带入公式(3)，将对数似然函数简化为仅含未知参数θ的形式：基于公式(6)，使用下山单纯形法求解θ的估计结果，然后，通过将θ的估计输入到公式(5)中来计算σ2的估计结果；第5步，最优状态空间模型自动选择：伴随着观测值序列的不断增加，基于贝叶斯信息准则(BIC)评估建立的状态空间模型的拟合性能，自动选择当前最优状态空间模型，BIC计算公式如下：其中，代表似然函数的最大值，NP＝Nθ+1代表未知参数的个数，Nθ代表θ中参数的个数；选择获得最小BIC分数的模型作为当前最优状态空间模型；第6步，计算失效时间的概率密度函数：失效时间T看作是一个时间变量，定义为当观测值y(t)超过失效阈值D3的时刻，其累计分布函数表示为：F(t)＝Pr(T≤t)＝Pr(y(t)≥D3)(8)其中，Pr()表示某事件发生的概率；由式(2)知观测值y(t)服从正态分布N(x(t，θ)，σ2(x(t，θ))2)，令则z服从标准正态分布，其概率密度函数和累计分布函数分别表示为ψ(z)和Ψ(z)，失效时间的累计分布函数表示如下：其中x(t，θ)为t时刻的健康状态，Ψ(g(t))表示t时刻的累计分布函数；失效时间T不能为负，T＜0的概率需要从失效时间的累计分布函数中截去，截去后的累计分布函数表示如下：其中，Ψ(g(0))表示t＝0时刻的累计分布函数；失效时间T的概率密度函数表示如下：其中：是t时刻轴承的累计退化量；第7步，计算剩余寿命：将第5步中确定的最优状态空间模型的表达式及其更新后的参数带入公式(11)得到失效时间T的概率密度函数，剩余寿命预测结果L计算如下：L＝T-tk+tFDT(14)其中，T表示失效时间，tk代表当前时刻，tFDT代表首次退化时间。本专利技术的有益效果为：本专利技术提出了一种数据与模型自适应匹配的方法来预测滚动轴承的剩余寿命，由滚动轴承自身状态监测数据驱动而无需参考任何其他滚动轴承监测数据，考虑了不同滚动轴承退化过程之间的差异性，降低了数据驱动方法对训练数据量的依赖性。本专利技术方法能有效表征工业实际中滚动轴承运行过程中的退化情况，使监测数据实时匹配最优状态空间模型，提高了滚动轴承的剩余寿命预测精度。附图说明图1为本专利技术方法流程图。图2为三个阈值和起始退化时间、起始预测时间示本文档来自技高网...

【技术保护点】
1.一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：/n第1步，建立与滚动轴承累计旋转圈数有关的状态空间模型：/n

【技术特征摘要】
1.一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：
第1步，建立与滚动轴承累计旋转圈数有关的状态空间模型：






其中，公式(1)为状态方程，公式(2)为观测方程，x(t，θ)为t时刻的健康状态，x0为滚动轴承初始健康状态，是t时刻的累计退化量，退化函数根据实际情况设为线性函数、幂函数、指数函数或对数函数，θ是退化函数的参数向量，r(t)代表t时刻滚动轴承的累计旋转圈数，其计算公式为其中s(τ)代表轴承转速；
y(t)是t时刻的观测值，能够反应状态退化的特征指标；ωx(t，θ)代表观测噪声，ω服从正态分布N(0，σ2)，因此，y(t)服从正态分布N(x(t，θ)，σ2(x(t，θ))2)；
第2步，确定三个阈值：预警阈值D1，报警阈值D2和失效阈值D3，这三个阈值将观测值划分为4个不同的级别；
2.1)预警阈值D1是级别I和II的分界线，分别代表健康阶段和初始退化阶段；在滚动轴承早期运行阶段，将记录的观测值作为健康阶段下的随机样本，计算这些观测值的3σ区间，并选择其上边界或下边界作为预警阈值D1，选择3σ区间的上边界用于观测值随着退化过程增加的情况，而3σ区间的下边界用于观测值随着退化过程减少的情况；
2.2)失效阈值D3是等级III和IV之间的边界，即严重退化阶段和失效阶段，需要人为根据实际情况进行预先指定；
2.3)报警阈值D2是级别II和III之间的边界，定义为预警阈值D1和失效阈值D3的平均值；
第3步，实时监测并采集滚动轴承的振动信号，计算观测值序列，确定首次退化时间tFDT和首次预测时间tFPT；当观测值达到预警阈值D1，将这个时间点定义为滚动轴承的起始退化时间FDT；当观测值达到报警阈值D2，将这个时间点定义为起始预测时间FPT；
第4步，状态空间模型参数更新：
状态空间模型的未知参数由起始退化时间FDT之后的一系列观测值Y＝(yFDT，YFDT+1，…，yk)′确定，随着观测值序列不断增加，状态空间模型参数不断更新；
由极大似然估计法估计模型参数θ和σ，未知参数θ和σ2的估计值是使下面对数似然函数最大化的值：



其中，θ和σ2为未知参数，Y为观测值序列，k代表Y的观测值数量，是ti时刻轴承的累计退化量，yi代表ti时刻的观测值，初始健康状态x0设置为预...

【专利技术属性】
技术研发人员：雷亚国，徐鹏程，李乃鹏，蔡潇，刘晓飞，赵军，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61