一种工程装备轴承退化评估方法技术

本发明专利技术属于工程轴承故障退化评估领域，公开了一种工程装备轴承退化评估方法，包括以下步骤：步骤1，提取出轴承数据中随时间推移单调性较强的特征作为轴承寿命退化程度的主要评估指标；步骤2，通过以实验环境下与实际工程环境下提取特征为基础，采用子空间迁移特征对齐的CORAL方法，缩小两者之间的数据分布差异；步骤3，通过模糊聚类算法计算出实验数据下的正常轴承与故障轴承数据的的特征中心；并以此为基础，分别计算实际工程各阶段轴承数据与聚类中心的距离，实现模糊聚类算法柔性划分轴承的退化过程阶段。本发明专利技术能够有效减少不同环境下滚动滚动轴承振动信号数据分布差异，柔性划分其退化过程，完成工程装备早期故障预警与故障评估。评估。评估。

【技术实现步骤摘要】
一种工程装备轴承退化评估方法


[0001]本专利技术属于工程轴承故障退化评估领域，具体涉及一种工程装备轴承退化评估方法。

技术介绍

[0002]工程装备用轴承除在数据特征分布上受环境因素的影响较为严重，工作负载变化不一，数据的高效采集也存在较大挑战。不同于语音图像信号较为简单的获取方式，工程类数据需要各个传感器之间的协同工作，实时性较强。针对一些设计结构复杂的部位，传感器安装难度大，状态数据没有行之有效的获取途径。以上种种因素使得现实中的工程类数据样本严重稀缺。
[0003]目前的工程装备用轴承数据多基于实验室环境下的测量数据，其故障通过电火花加工等方式在轴承的内外圈及滚动体上人为制造故障裂纹，虽然在一定程度上可以描述轴承故障时的特征，但相较于现实情况中由环境因素日积月累产生的疲劳裂纹故障仍存在差异。因此，如果能将已存在的大量实验室数据利用起来，将之经过迁移变换后缩小与现实工程数据之间的分布差异，便能从一定程度上打破理论实验模拟与实际工程之间的环境壁垒，尽可能解决现实工程数据稀缺的问题，实现对实际工程环境下的轴承工作状态的准确判定。
[0004]迁移学习算法是一种数据分布自适应调整方法，能在一定程度上缩小不同工况环境下轴承数据特征分布的差异，提高不同信号之间退化评估的效果。同时借助模糊聚类算法，将原始的基于实验室轴承状态划分模糊化，柔性划分工程装备轴承从正常到故障的整个退化过程。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术的目的在于提出一种工程装备轴承退化评估方法，能够有效减少不同环境下滚动滚动轴承振动信号数据分布差异，柔性划分其退化过程，完成工程装备早期故障预警与故障评估。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0007]1.工程装备轴承特征数据与寿命的映射
[0008]由于工程装备轴承复杂的工作环境以及严苛的数据采集条件，在进行跨环境轴承退化程度评估时，若数据库特征数量庞大，容易造成特征维数灾难。因此在实际工程中，需要根据原有特征数据挖掘能够反映轴承不同寿命阶段的特征数据，将原始高维数据经过属性分析进行筛选。根据机械部件寿命退化过程可知，滚动轴承在其运转寿命周期中会出现磨损程度逐渐加深，故障特征趋于明显的过程。因此可以提取出数据中随时间推移单调性较强的特征作为轴承寿命退化程度的主要评估指标。其中，特征x
i
的单调性可通过式(5.1) 进行计算：
[0009][0010]式中，n为测量天数，m为监测的传感器的数量。为在第j个传感器上的第i个特征。
[0011]2.基于子空间迁移学习算法的工程轴承数据特征对齐
[0012]由于工作环境的变化及测量条件的不同，工程轴承特征与实验室仿真轴承之间总存在特征分布差异。迁移学习算法重点关注数据的边缘分布距离，对数据中的每个特征逐一进行核映射以实现故障的准确划分，但其本身较长的运行时间难以应对现实工程环境中的实时性要求。因此需要调整迁移方式，以不改变原始数据分布为大前提，基于轴承数据的重点特征进行不同环境下的数据特征分布对齐。SA方法(Subspace Alignment，子空间对齐)是统计特征变换的典型方法，通过线性变换M，实现不同数据特征的变换对齐。优化目标如下:
[0013][0014]上述优化问题的闭式解为：
[0015][0016]由式(5.3)可知，SA方法只能实现不同域数据的一阶特征对齐，具有一定的局限性。CORAL方法(CORrelation ALignment)，则在原有基础上根据原始特征与目标特征的协方差矩阵Cs，C
t
，学习训练出二阶特征变换矩阵A，实现不同领域的二阶特征对齐。其目标是使得不同特征数据样本之间的距离达到最小：
[0017][0018]由CORAL引申出来的CORAL损失，即源域与目标域之间的二阶统计特征距离，常被用于神经网络中的损失计算，其定义如下：
[0019][0020]本节以最小化CORAL损失为优化目标，通过二阶统计特征对齐的子空间迁移学习方式，来减少不同数据间的统计特征分布差异。
[0021]3.基于模糊聚类算法的轴承退化过程划分
[0022]目前，实验室对轴承故障数据的模拟较为理想化，给出的故障数据往往是在轴承已经完全不能用于工业生产的极端情况，现有研究也是局限在实验室数据的基础上对滚动轴承故障进行硬划分。而在工程轴承的状态划分上，分为正常、退化、故障、维护四种工作状态，状态间的过渡没有严格的判定条件。因此，需要在传统轴承健康与故障二类判定的基础上量化轴承具体故障程度，对轴承工况完成从正常到故障间的柔性划分，在其故障早期阶段进行监测与预警，防患于未然。
[0023]FCM(Fuzzy C
‑
Means)算法是一种基于模糊划分的聚类算法，其基本思想是通过聚类的方式让相似的数据划分为同一簇。模糊C均值算法在传统聚类方法上引入模糊理念，可以实现对数据类别的柔性模糊划分，让类别过渡更为自然。基本框架由模糊隶属度函数与K均值聚类算法组成。
[0024]隶属度函数是模糊思想的基本。μ
A
(x)表征变量x属于集合A的概率大小。变量x为可能归类于A所有取值集合。当μ
A
(x)＝1时，表示x完全隶属于A。
[0025]K均值聚类，将n个向量x
j
(i＝1，2.n)分为c个组类υ
i
(i＝1，2，..c)，并求出每组的聚类中心，最小化各个分类之间以距离为指标的目标函数。其中目标函数定义为：
[0026][0027]传统C聚类的整体算法实现过程如下：
[0028]1.随机确定K个初始点作为质心。
[0029]2.对数据集中的每个数据点找到距离最近的簇。
[0030]3.对于每一个簇，计算其中所有点的均值并作为质心。
[0031]4.重复步骤2，直到任意一点的簇分配结果不变
[0032]模糊C均值聚类以隶属度函数与K均值聚类为基本，将两者融合起来。 FCM算法的目标函数为：
[0033][0034]其中，U＝[u
ij
]为隶属度矩阵，u
ij
为第j个样本对第i类的隶属度，m为模糊常数。其满足：
[0035]5.求解U,V：根据拉格朗日乘子法构造新的函数，求解有约束条件下目标函数的极值。
[0036][0037]式中，λ为拉格朗日乘子，对F函数求解极值条件可得：
[0038][0039][0040]通过以上算法过程，即可实现以实验室仿真轴承数据为模型，通过筛选后的特征迁移对齐，借助模糊聚类算法完成对实际工程装备轴承的退化程度评估。其大致过程为，将实验室轴承数据与实际工程数据通过子空间学习的方式，以最小化CORAL损失为目标完成数据特征对齐。其次通过模糊聚类算法计算出实验数据下的正常轴承与故障轴承数据点的特征中心，以此为基础，分别计算实际工程各阶段轴承数据与聚类中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工程装备轴承退化评估方法，其特征在于，包括以下步骤：步骤1，提取出轴承数据中随时间推移单调性较强的特征作为轴承寿命退化程度的主要评估指标；步骤2，通过以实验环境下与实际工程环境下提取特征为基础，采用子空间迁移特征对齐的CORAL方法，缩小两者之间的数据分布差异；步骤3，通过模糊聚类算法计算出实验数据下的正常轴承与故障轴承数据的的特征中心；并以此为基础，分别计算实际工程各阶段轴承数据与聚类中心的距离，实现模糊聚类算法柔性划分轴承的退化过程阶段。2.根据权利要求1所述的工程装备轴承退化评估方法，其特征在于，在步骤1中，特征x
i
的单调性可通过式(1)进行计算：单调性式(1)中，n为测量天数，m为监测的传感器的数量，是第j个传感器上的第i个特征，通过式(1)计算出轴承数据特征的单调性来进行特征简约，将所有特征在进行计算前使用Savitzky
‑
Golay滤波器进行平滑处理，最终得到轴承各数据特征单调性。3.根据权利要求1所述的工程装备轴承退化评估方法，其特征在于，在步骤2中，CORAL方法是在统计特征变换的典型方法SA方法上根据原始特征与目标特征的协方差矩阵C
s
，C
t
，学习训练出二阶特征变换矩阵A，实现不同领域的二阶特征对齐；CORAL方法的目标是使得不同特征数据样本之间的距离达到最小：在式(4)中，A为二阶变换矩阵，C
s
，C
t
为原始特征与目标特征的协方差矩阵；由CORAL引申出来的CORAL损失，即源域与目标域之间的二阶统计特征距离，可以用来衡量最终迁移效果好坏的指标，其计算公式为：4.根据权利要求3所述的工程装备轴承退化评估方法，其特征在于，引入粒子群优化算法。以CORAL损失为适应度函数，通过多次粒子群优化迭代使不同环境下数据集间的分布差异降至最低，取得更好的特征迁移效果；粒子群优化算法计算公式为：v
i
＝v
i
+c1×
rand( )
×
(pbest
i
‑
x
i
)+c2×
rand( )
×
(gbest
i
‑
x
i
)
ꢀꢀ
...

【专利技术属性】
技术研发人员：张泽宇，惠记庄，耿麒，段雨，马茂勋，任余，石泽，
申请(专利权)人：长安大学，
类型：发明
国别省市：