一种轴承性能退化状态检测方法及系统技术方案

本发明专利技术公开了一种轴承性能退化状态检测方法及系统，包括步骤：S1、采集轴承全寿命服役过程中的振动信号；S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。本发明专利技术可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可兼顾数据的全局结构与局部结构，弥补传统的数据融合方法的不足。法的不足。法的不足。

【技术实现步骤摘要】
一种轴承性能退化状态检测方法及系统


[0001]本专利技术涉及机械设备健康监测
，特别涉及一种轴承性能退化状态检测方法及系统。

技术介绍

[0002]由于传感器和计算机技术的发展，工业生产中已经积累了大量状态监测数据。数据驱动方法使用状态监测数据来刻画轴承的退化状态，而不是建立一个不易获得的特定模型，已广泛用于轴承寿命预测。通常，基于数据驱动的轴承寿命预测包括三个步骤：数据采集，健康指标构建和剩余寿命预测。其中，健康指标是通过从采集到的振动数据中提取特征来评估服役轴承的退化状态，以量化其历史退化降级过程。因此，构造的健康指标质量直接影响数据驱动预测方法的有效性。由此来看，构建能够有效描述轴承性能退化状态表征指标非常重要。
[0003]当前有利用单一表征指标进行状态刻画，如有利用单一的均方根或小波信息熵作为健康指标用于轴承的剩余使用寿命预测。然而，直接从原始轴承振动信号中提取表征指标，由于噪声等干扰因素的扰动必然会影响现有表征指标的品质，不利于准确刻画其退化状态。同时，单一特征往往只能反映了研究对象部分的特征信息。通过数据融合来提升单一表征指标的性能是一种有效的方案。然而，如何能得到有效的融合特征信息是特征融合技术的关键。传统的基于数据融合的健康指标构建方法主要分两步：第一步是使用一系列数学变换将振动信号映射生成高维特征；第二步是将高维特征通过降维方法降低特征的维数，从而找到隐含在高维特征中的敏感低维信息。然而，当前传统数据融合方法难以兼顾轴承退化状态的全局结构和局部结构，不能全面描述轴承的退化状态，也给后续轴承寿命预测工作带来了一定的复杂性。总体上，传统方法存在以下三点不足之处：(1)轴承的振动信号含有大量噪声及随机波动，这些有害信息会影响轴承指标曲线的趋势性，不利于轴承退化状态的刻画。(2)部分特征对轴承的退化程度并不敏感，若将这些不敏感的特征直接进行融合会影响轴承的退化性能曲线，因此需采用合理的方案剔除这些不敏感特征。(3)传统融合降维方法不能兼顾轴承退化状态数据的全局结构和局部结构。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种可全面检测轴承退化状态、准确度高的轴承性能退化状态检测方法。
[0005]为了解决上述问题，本专利技术提供了轴承性能退化状态检测方法，其包括以下步骤：
[0006]S1、采集轴承全寿命服役过程中的振动信号；
[0007]S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；
[0008]S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
[0009]S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
[0010]作为本专利技术的进一步改进，所述高维退化趋势特征集包括时域内的统计特征和频域内的统计特征。
[0011]作为本专利技术的进一步改进，所述时域内的统计特征包括：时域内的均值、方差、标准差、方均值、方均根、绝对均值、根均平方、峭度、偏度、峰值、峰峰值、熵、偏度因子、峭度因子、峰度因子、波形因子、脉冲因子、间隙因子。
[0012]作为本专利技术的进一步改进，所述频域内的统计特征包括：频域内的频率均值、频率中心值、频率均方根、包络谱频率均值、包络谱频率中心值、包络谱频率均方根。
[0013]作为本专利技术的进一步改进，所述指数加权滑动平均的计算公式如下：
[0014][0015]其中，x
t
为t时刻当前观测值，xt'表示其估计值，即在时间t时刻修改后的时间序列值，α表示为0到1之间的平滑参数。
[0016]作为本专利技术的进一步改进，α取值为0.1。
[0017]作为本专利技术的进一步改进，设计的特征敏感性评价准则CM如下：
[0018][0019]其中，Corr表示特征指标与采样时间t之间的线性相关程度，Corr的计算式如下：
[0020][0021]其中，K代表表征指标的时序长度，HI(t
k
)和T(t
k
)分别代表的是表征指标和从1到K的时间向量，和分别是HI(t
k
)和T(t
k
)的均值；
[0022]Mon表示曲线的单调性，用相邻两个表征指标值的差值的正负数量来评价表征指标曲线的单调性，如果正值的总数大于负值的总数，则表明单调性在上升，反之亦然；当Mon值接近于0时，表征指标曲线的单调性不好，Mon值越接近于1，表征指标曲线的单调性越好；Mon的计算公式如下：
[0023][0024]其中，dHI(t
k
)代表的是两个相邻HI(t
k
)的微分，No.of(
·
)代表的是(
·
)的个数。
[0025]作为本专利技术的进一步改进，通过设置阈值筛选出描述轴承性能退化状态的指标，CM阈值在0.45～0.5之间。
[0026]作为本专利技术的进一步改进，步骤S4包括：
[0027]S41、寻找每个时刻点敏感特征集的n个最近邻域，在流形上生成的归一化距离，并将有限度量空间转换为单纯集，通过迭代构造所有时刻状态点的局部模糊单纯集；
[0028]S42、利用局部模糊单纯集的并集形成全局模糊拓扑表示，并在对称归一化拉普拉斯算子上使用标准谱方法来进行谱嵌入；
[0029]S43、利用随机梯度下降法来最小化拓扑表示间的交叉熵，获得最优化低维嵌入；
[0030]S44、输出最优化低维嵌入作为融合指标，并利用利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
[0031]本专利技术还提供了一种轴承性能退化状态检测系统，其包括：
[0032]信号采集模块，用于采集轴承全寿命服役过程中的振动信号；
[0033]特征集构建模块，用于构建高维退化趋势特征集；
[0034]第一特征融合模块，特征融合并利用指数加权滑动平均进行平滑处理；
[0035]敏感特征集筛选模块，用于设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
[0036]敏感特征集融合模块，用于利用一致流形逼近算法融合敏感特征集；
[0037]第二特征融合模块，用于利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
[0038]本专利技术的有益效果：
[0039]本专利技术轴承性能退化状态检测方法和系统指数加权滑动平均算法可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；设计的表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可以兼顾数据的全局结构与局部结构，以弥补传统的数据融合方法的不足之处，有效提升检测的准确度。
[0040]同时，从融合表征指标来源的丰富性、表征指标遴选的评价准则的合理性以及融合算法的先进性三方面来综合确保构建的表征指标具有高品质特性，克本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承性能退化状态检测方法，其特征在于，包括以下步骤：S1、采集轴承全寿命服役过程中的振动信号；S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。2.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，所述高维退化趋势特征集包括时域内的统计特征和频域内的统计特征。3.如权利要求2所述的轴承性能退化状态检测方法，其特征在于，所述时域内的统计特征包括：时域内的均值、方差、标准差、方均值、方均根、绝对均值、根均平方、峭度、偏度、峰值、峰峰值、熵、偏度因子、峭度因子、峰度因子、波形因子、脉冲因子、间隙因子。4.如权利要求2所述的轴承性能退化状态检测方法，其特征在于，所述频域内的统计特征包括：频域内的频率均值、频率中心值、频率均方根、包络谱频率均值、包络谱频率中心值、包络谱频率均方根。5.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，所述指数加权滑动平均的计算公式如下：其中，x
t
为t时刻当前观测值，x'
t
表示其估计值，即在时间t时刻修改后的时间序列值，α表示为0到1之间的平滑参数。6.如权利要求5所述的轴承性能退化状态检测方法，其特征在于，α取值为0.1。7.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，设计的特征敏感性评价准则CM如下：其中，Corr表示特征指标与采样时间t之间的线性相关程度，Corr的计算式如下：其中，K代表表征指标的时序长度，HI(t
k
)和T(t
k
)分别代表的是表征指标和从1到K的时间向量，和分别是HI(t
k
)和T(t
...

【专利技术属性】
技术研发人员：江星星，黄强，彭德民，宋秋昱，王鑫，杜贵府，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：