一种基于退化模式预测船用动力系统轴承剩余寿命的方法技术方案

本发明专利技术公开了一种基于退化模式预测船用动力系统轴承剩余寿命的方法，属于轴承剩余寿命预测领域，方法包括：检测轴承的状态，并在轴承处于退化状态时，判断轴承的退化模式；当退化模式为慢速退化模式时，为多个指数模型设置不同初始参数，利用多指数模型融合的方式预测轴承的剩余寿命，提高慢速退化模式下预测结果的准确度；当退化模式为快速退化模式时，利用虚拟外推的方式在当前健康因子后添加一段虚拟的、快速上升的外推健康因子，将虚拟外推健康因子和历史健康因子输入指数模型，以预测轴承的剩余寿命，提高对快速退化趋势的跟踪能力和预测能力，从而提高快速退化模式下预测结果的准确度。的准确度。的准确度。

【技术实现步骤摘要】
一种基于退化模式预测船用动力系统轴承剩余寿命的方法


[0001]本专利技术属于轴承剩余寿命预测领域，更具体地，涉及一种基于退化模式预测船用动力系统轴承剩余寿命的方法。

技术介绍

[0002]滚动轴承是船舶系统中的关键部件，其工作状态直接关系到整个船舶系统的安全性和稳定性。然而，在晃荡、润滑不良、湿度高、温度高等恶劣的船舶运行环境下，滚动轴承的零部件会出现过度磨损、腐蚀、变形及疲劳断裂等损坏，成为船舶安全可靠运行的隐患。如果能够在轴承失效之前及时处理，对保障船舶系统的安全运行起着重要作用；如果在实际剩余寿命充足时就误判轴承完全失效，则会浪费高昂的维护成本。因此，精准预测滚动轴承的剩余寿命，对保障船舶系统的安全运行和高效维护具有重大意义。
[0003]目前通常采用基于数据的方法和基于模型的方法预测轴承的剩余寿命。基于数据的方法利用已有的全生命周期的振动信号数据，从中提取与对象状态变化有关的特征信息，采用模式识别和机器学习等技术，构建振动信号和退化状态之间的联系，进而预测剩余寿命。但是，用于训练数据驱动的全生命周期的工况通常较少，训练出的模型只学习到训练轴承中存在的趋势，限于故障的可能多样，难以在所有轴承上都取得较好效果，如何提高泛化性能同时提高剩余寿命预测的准确性一直是业界的难点。
[0004]基于模型驱动的方法融合了专家知识与退化机理，利用现有的监测信息，可实现较为准确的在线寿命预测。基于模型的方法依赖初始参数的选取，并且，难以快速跟踪快速退化模式下的退化趋势，使得剩余寿命预测出现偏差。除此之外，基于模型和数据融合的混合方法也受到了较大关注，其通过基于数据的方法提取特征，再通过基于模型的方法预测剩余寿命。然而，现有这些方法依然没有考虑到不同退化模式会影响预测准确性的问题。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于退化模式预测船用动力系统轴承剩余寿命的方法，其目的在于通过考虑不同退化模式对预测准确性的影响，实现更加准确的轴承剩余寿命预测。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于退化模式预测船用动力系统轴承剩余寿命的方法，包括：检测轴承的状态，并在所述状态为退化状态时，根据所述轴承的健康因子真实值随时间的变化率，判断所述轴承的退化模式，所述健康因子真实值由SVDD特征合成器生成；当所述退化模式为慢速退化模式时，利用预先选取且经过训练的个指数模型中的各指数模型，分别计算所述轴承在当前及之前多个时刻下的健康因子估计值，；分别计算各指数模型得到的健康因子估计值与健康因子真实值之间的拟合误差，并利用前个最小拟合误差对应的指数模型预测所述轴承的剩余寿命，，计算预测得到的个剩余寿命的平均值，以得到所述轴承在当前时刻的最终剩余寿命。
[0007]更进一步地，还包括：当所述退化模式为快速退化模式时，根据当前时刻的健康因子真实值，基于线性上升趋势预测未来多个时刻下的外推健康因子；将当前时刻与时刻之间的健康因子真实值以及所述外推健康因子输入虚拟外推指数模型，以预测所述轴承在当前时刻的最终剩余寿命，为之前的第个时刻，，为所述轴承首次连续个时刻下健康因子真实值随时间的变化率均大于阈值的时刻，为第一预设参数。
[0008]更进一步地，为：其中，为所述轴承的失效阈值，为时刻的健康因子真实值，为时刻健康因子真实值随时间的变化率。
[0009]更进一步地，所述检测轴承的状态包括：对所述轴承进行早期故障检测，并在检测到早期故障后，利用所述SVDD特征合成器生成所述轴承的健康因子真实值；当所述健康因子真实值小于所述轴承的失效阈值时，所述状态为退化状态，否则，所述状态为失效状态。
[0010]更进一步地，所述对所述轴承进行早期故障检测包括：对所述轴承的振动信号进行采样，并在采样信号的峭度大于峭度阈值时，对所述采样信号进行带通滤波；提取带通滤波后的信号中的包络信号，并对所述包络信号进行快速傅里叶变换，得到变换信号；若所述变换信号中频谱幅值最大的频率与任一故障的故障频率之间的差值小于阈值时，所述轴承发生早期故障，否则，所述轴承无早期故障。
[0011]更进一步地，所述利用所述SVDD特征合成器生成所述轴承的健康因子真实值之前还包括：对早期故障之前所述轴承各时刻的振动信号采样值进行三层小波包分解，得到每一时刻下的八个小波能量特征，并分别对每一时刻下的各小波能量特征进行标准化处理；以得到可包围标准化处理后的各小波能量特征的最小超球体为目标，训练所述SVDD特征合成器，得到所述最小超球体的球心。
[0012]更进一步地，所述轴承在当前时刻的健康因子真实值为：其中，为所述轴承在当前时刻的健康因子真实值，为非线性变换后的内积，为、非线性变换后的内积，为、非线性变换后的内积，为早期故障之前的采样时刻总数，、、分别为第个采样时刻、第个采样时刻、当
前时刻下的小波能量特征向量，、分别为、对应的拉格朗日系数。
[0013]更进一步地，所述判断所述轴承的退化模式包括：为所述轴承随机设置初始退化模式；若连续个时刻下健康因子真实值随时间的变化率均介于和之间，且所述轴承在当前时刻的退化模式为快速退化模式时，将所述轴承的退化模式重新判定为慢速退化模式；若连续个时刻下健康因子真实值随时间的变化率均小于，且所述轴承在当前时刻的退化模式为慢速退化模式时，将所述轴承的退化模式重新判定为快速退化模式；否则，所述轴承的退化模式保持不变，其中，，为第二预设参数，为第三预设参数。
[0014]按照本专利技术的另一个方面，提供了一种基于退化模式预测船用动力系统轴承剩余寿命的系统，包括：检测及判断模块，用于检测轴承的状态，并在所述状态为退化状态时，根据所述轴承的健康因子真实值随时间的变化率，判断所述轴承的退化模式，所述健康因子真实值由SVDD特征合成器生成；慢速退化模式预测模块，用于当所述退化模式为慢速退化模式时，利用预先选取且经过训练的个指数模型中的各指数模型，分别计算所述轴承在当前及之前多个时刻下的健康因子估计值，；分别计算各指数模型得到的健康因子估计值与健康因子真实值之间的拟合误差，并利用前个最小拟合误差对应的指数模型预测所述轴承的剩余寿命，，计算预测得到的个剩余寿命的平均值，以得到所述轴承在当前时刻的最终剩余寿命。
[0015]更进一步地，还包括：快速退化模式预测模块，用于当所述退化模式为快速退化模式时，根据当前时刻的健康因子真实值，基于线性上升趋势预测未来多个时刻下的外推健康因子；将当前及之前个时刻下的健康因子真实值以及所述外推健康因子输入虚拟外推指数模型，以预测所述轴承在当前时刻的最终剩余寿命。
[0016]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：（1）考虑不同退化模式对轴承剩余寿命预测准确性有不同的影响，在预测之前对退化模式进行划分，慢速退化模式下，考虑到初始参数对剩余寿命预测准确性的影响，引入多模型融合的方法，设定不同初始参数的模型同时进行预测再融合，提高了慢速退化模式下预测结果的准确度。
[0017]（2）快速退化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，包括：检测轴承的状态，并在所述状态为退化状态时，根据所述轴承的健康因子真实值随时间的变化率，判断所述轴承的退化模式，所述健康因子真实值由SVDD特征合成器生成；当所述退化模式为慢速退化模式时，利用预先选取且经过训练的个指数模型中的各指数模型，分别计算所述轴承在当前及之前多个时刻下的健康因子估计值，；分别计算各指数模型得到的健康因子估计值与健康因子真实值之间的拟合误差，并利用前个最小拟合误差对应的指数模型预测所述轴承的剩余寿命，，计算预测得到的个剩余寿命的平均值，以得到所述轴承在当前时刻的最终剩余寿命。2.如权利要求1所述的基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，还包括：当所述退化模式为快速退化模式时，根据当前时刻的健康因子真实值，基于线性上升趋势预测未来多个时刻下的外推健康因子；将当前时刻与时刻之间的健康因子真实值以及所述外推健康因子输入虚拟外推指数模型，以预测所述轴承在当前时刻的最终剩余寿命，为之前的第个时刻，，为所述轴承首次连续个时刻下健康因子真实值随时间的变化率均大于阈值的时刻，为第一预设参数。3.如权利要求2所述的基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，为：其中，为所述轴承的失效阈值，为时刻的健康因子真实值，为时刻健康因子真实值随时间的变化率。4.如权利要求1
‑
3任一项所述的基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，所述检测轴承的状态包括：对所述轴承进行早期故障检测，并在检测到早期故障后，利用所述SVDD特征合成器生成所述轴承的健康因子真实值；当所述健康因子真实值小于所述轴承的失效阈值时，所述状态为退化状态，否则，所述状态为失效状态。5.如权利要求4所述的基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，所述对所述轴承进行早期故障检测包括：对所述轴承的振动信号进行采样，并在采样信号的峭度大于峭度阈值时，对所述采样信号进行带通滤波；
提取带通滤波后的信号中的包络信号，并对所述包络信号进行快速傅里叶变换，得到变换信号；若所述变换信号中频谱幅值最大的频率与任一故障的故障频率之间的差值小于阈值时，所述轴承发生早期故障，否则，所述轴承无早期故障。6.如权利要求4所述的基于退化模式预测船用动力系统轴承剩余寿命的方法，其特征在于，所述利用所述SVDD特征合成器生成所述轴承的健康因子真实值之前还包括：对早期故障之前所述轴承各时刻的振...

【专利技术属性】
技术研发人员：万一鸣，范可森，朱坤，柯志武，陈朝旭，周宏宽，林原胜，赵振兴，柯汉兵，代路，戴春辉，苟金澜，
申请(专利权)人：中国船舶重工集团公司第七一九研究所，
类型：发明
国别省市：