一种滚动轴承故障预测方法及系统技术方案

本发明专利技术为一种滚动轴承故障预测方法及系统，涉及故障检测领域，提供了一种轴承故障检测算法及系统，通过局部均值分解算法对原始振动信号进行分解，并利用皮尔逊相关系数筛选出了有效PF分量，进而进行了信号的重构，去除了无关噪声信号的干扰，基于谐噪比和均方根值的乘积形式实现了轴承退化过程的特征提取，充分利用谐噪比对周期性冲击的敏感性，避免了均方根值对轴承初期退化敏感度较低的问题；基于Paris模型和Foreman模型构建了轴承不同退化过程的状态空间模型，相比于单一模型预测模型，更有效提高RUL的预测精度；基于欧式距离实现了粒子滤波重采样过程的正则化，有效地提高了粒子的多样性，避免了基本粒子滤波的粒子耗尽现象，提高了对非线性状态的滤波估计精度。提高了对非线性状态的滤波估计精度。提高了对非线性状态的滤波估计精度。

【技术实现步骤摘要】
一种滚动轴承故障预测方法及系统


[0001]本专利技术涉及轴承故障预测领域，特别是涉及一种滚动轴承故障预测方法及系统。

技术介绍

[0002]我国高度重视核安全，明确应以“风险防范”为中心，持续提高核设施的安全利用水平。我国船用核动力装置普遍采用纠正性或预防性维修，年维修量巨大，且大量备件严重占用了其他资源的布置空间。据统计，其维护成本占生命周期总成本的73％，而其中不当维护占总维护成本的1/3以上，这表明不当维护浪费了大量的人力物力资源。据美国电力协会的统计表明，在航空航天等领域实施预测性维护后可降低运行成本20％以上。因此，有必要加速推动预测性维护的应用落地，从而降低设备的故障率，避免意外停机，提高生命力；同时可以减少维修费用，提高经济性。目前，预测性维护的瓶颈问题是如何准确地预知设备的剩余使用寿命，从而基于寿命分布调配相关资源。而故障预测与部件的老化机理、传感与测量、特征参数分析、预测算法等多个前端因素紧密相关，相互之间耦合关系复杂。因此，必须统筹分析并合理优化故障预测模型。
[0003]为了解决以上问题，国内外学者进行了大量的故障预测技术研究，在研究方法上大体可以分为三类，第一类是多元统计分析方法，一般根据观测数据将RUL预测结果以条件失效概率的形式呈现，这类方法的普遍特点是在不依赖任何物理机理的情况下利用概率论和数理统计等方法拟合观测数据，以形成RUL预测模型。但是，这类方法需要假设寿命分布，但往往与实际情况有较大差距。第二类采用机器学习的相关算法进行研究，其本质上属于模式回归分析，随着人工智能和大数据技术的飞速发展，使用机器学习和深度学习从历史数据中学习元件的退化模式而不去建立复杂的物理模型成为可能；但是与其他方法相比，由于具有“黑箱”属性，其计算结果很难被信服；同时由于其完全依赖数据进行建模，而实际过程中退化数据的获取十分困难，因此极大地限制了这类方法在RUL预测中的应用。第三类是结合物理机理建立数学模型来描述其故障过程，并根据模型最终预测其运行状态。虽然存在一些缺点，如模型复杂度过高、对于一些复杂设备难以解析其故障机理等；但是一旦建立物理机理模型，其分析结果是所有方法中准确度最高的。
[0004]目前，物理过程模型应用较为广泛的是针对材料的性能劣化和裂纹扩展等方面。Paris
‑
Erdogan(PE)模型是机械结构材料领域应用最广泛的物理模型之一，主要是用来描述裂纹的扩展过程。而后，Melgar等人将该模型应用于飞机结构材料的故障预测领域。在国内，王金等人将PE模型转化为故障预测的经验模型；卢光辉以轴承内圈为研究对象，对该零件的疲劳磨损进行了故障预测。物理模型和公式本身并不具备预测和递推能力，因此本专利技术结合贝叶斯框架，从统计学和概率模型出发，研究基于正则化粒子滤波和物理机理的故障预测技术。由于其在解决非线性和非高斯系统行为方面表现出的优越性，粒子滤波算法已被广泛地应用于各种故障预测场景。An等建立了一个数学模型来跟踪机器的退化状态，而未知参数则通过PF方法进行优化。为了进一步减小RUL估计和计算负荷的方差，Haque等提出了一种辅助粒子滤波器用来预测绝缘栅双极晶体管的剩余使用寿命。Michael Pecht
等基于粒子滤波算法对电路系统故障实施了预测。
[0005]基于以上的挑战和机遇，本专利技术以滚动轴承为研究对象，原因是核动力装置中大部分的旋转机械的运行载荷都是通过滚动轴承传递到基体上，因此为避免轴承突然损坏而导致设备故障，进而影响核电站的安全可靠运行，应有效预测其剩余使用寿命；最后，实验室具备研究滚动轴承的实验台架，可以在前期基础上进行适应性完善，满足故障预测的需求。值得强调的是，本专利技术中的研究工作兼具基础科学研究价值和实际应用前景。从科学意义层面，本专利技术涉及故障机理分析和人工智能技术等多学科交叉领域，立足于研究滚动轴承典型故障模式的形成机理与正则化粒子滤波的故障预测模型。从技术应用上考虑，基于局部均值分解和正则化粒子滤波的滚动轴承故障预测技术具有以下特点和优势：(1)针对滚动轴承故障信号的特点提出了LMD和皮尔逊相关系数相结合的方法来提取退化特征。所提取的均方谐噪比(Mean square harmonic noise ratio，MSHNR)指标能够很好地反映出轴承的退化趋势，相比于传统的有效值等指标，对轴承的各个退化阶段具有更高的敏感性；(2)基于欧式距离实现了粒子滤波重采样过程的正则化，考虑了粒子更新的时间尺度对滤波估计的影响，有效地提高了粒子的多样性，提高了对非线性状态的估计精度。(3)基于不同退化阶段的滚动轴承寿命预测方法更加符合轴承的退化过程，相比于单一模型预测方法，能够提高RUL的预测精度。希望通过本专利技术的研究，能够实现故障预测技术上的突破，研究成果不仅可为核动力系统以及其他复杂系统的安全性和经济性提升提供新思路，也将促进相关理论体系的建立和发展。

技术实现思路

[0006]本专利技术的目的是提供一种滚动轴承故障预测方法及系统，提高轴承故障的预测精度。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种滚动轴承故障预测方法，所述预测方法包括：
[0009]步骤1：获取原始振动信号；
[0010]步骤2：对所述原始振动信号进行预处理，得到预处理后的振动信号x(t)；
[0011]步骤3：基于预处理后的振动信号x(t)，计算得到振动信号的所有局部极值点n
i
；
[0012]步骤4：根据所述局部极值点n
i
，求出所有相邻的局部极值点的平均值m
i
和包络估计值a
i
；
[0013]步骤5：将所有相邻的平均值点m
i
和包络估计值a
i
连接起来，得到局部均值函数m
11
(t)和包络估计函数a
11
(t)；
[0014]步骤6：从预处理后的振动信号x(t)中将局部均值函数m
11
(t)分离出来，得到函数h
11
(t)，然后利用包络估计函数a
11
进行解调，得到函数s
11
(t)；
[0015]步骤7：将所述函数s
11
(t)作为新函数重复步骤2
‑
步骤6的计算，直到s
1n
(t)为纯调频函数；
[0016]步骤8：将步骤2
‑
步骤7迭代过程得到的包络函数相乘得到包络信号，即：a1(t)＝a
11
(t)
·
a
12
(t)
···
a
1n
(t)；
[0017]步骤9：将纯调频信号s
1n
(t)包络函数和包络信号a1(t)相乘，得到第一个乘积函数分量：PF1(t)＝s
1n
(t)a1(t)；
[0018]步骤10：将PF1(t)从原始振动信号x(t)中分离出来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障预测方法，其特征在于，所述预测方法包括：步骤1：获取原始振动信号；步骤2：对所述原始振动信号进行预处理，得到预处理后的振动信号x(t)；步骤3：基于预处理后的振动信号x(t)，计算得到振动信号的所有局部极值点n
i
；步骤4：根据所述局部极值点n
i
，求出所有相邻的局部极值点的平均值m
i
和包络估计值a
i
；步骤5：将所有相邻的平均值点m
i
和包络估计值a
i
连接起来，得到局部均值函数m
11
(t)和包络估计函数a
11
(t)；步骤6：从预处理后的振动信号x(t)中将局部均值函数m
11
(t)分离出来，得到函数h
11
(t)，然后利用包络估计函数a
11
进行解调，得到函数s
11
(t)；步骤7：将所述函数s
11
(t)作为新函数重复步骤2
‑
步骤6的计算，直到s
1n
(t)为纯调频函数；步骤8：将步骤2
‑
步骤7迭代过程得到的包络函数相乘得到包络信号，即：a1(t)＝a
11
(t)
·
a
12
(t)
···
a
1n
(t)；步骤9：将纯调频信号s
1n
(t)包络函数和包络信号a1(t)相乘，得到第一个乘积函数分量：PF1(t)＝s
1n
(t)a1(t)；步骤10：将PF1(t)从原始振动信号x(t)中分离出来，得到一个新的信号u1(t)，将u1(t)作为原始数据重复步骤2
‑
步骤8的步骤，循环k次，直到u
k
(t)为一个单调函数或极值点个数小于3时为止；步骤11：原始振动信号x(t)经过上述步骤2
‑
步骤10的迭代过程，被分解成一系列PF分量和一个残余分量，即：步骤12：计算每个PF分量与原始振动信号x(t)的相关程度，选择相关程度大于或等于设定阈值的能够完全诠释信号振动特性的PF分量，然后基于选择后的PF分量进行信号的重构；步骤13：在重构信号的基础上，计算重构信号的均方根值RMS和谐噪比HNR，并基于RMS和HNR的乘积MSHNR实现重构信号的特征提取，生成MSHNR退化曲线，利用所述退化曲线的每个点处瞬时变化率实现滚动轴承稳定退化退化阶段和快速退化阶段的划分；步骤13：在轴承稳定退化阶段，基于Paris模型构建轴承稳定退化阶段的状态空间模型，在快速退化阶段，基于Foreman模型构建快速退化阶段的状态空间模型；步骤14：设置粒子滤波算法的基础参数；所述基础参数包括：粒子数目N、噪声方差Q、初始粒子方差P、步长t
n
、重采样门限N
tv
以及空间维数n；步骤15：对正则化粒子滤波中的粒子集进行初始化，从先验分布p(x0)中采样N个粒子得到初始粒子集每个粒子的初始化权值为步骤16：将测试数据集作为输入，输入到正则化粒子滤波中，从重要性密度函数中采样得到k时刻粒子集即x
k
代表k时刻的粒子，y
k
代表k时刻的观测值，同时计算k时刻每个粒子的权值得到各个粒子权值后进行权值
归一化，得到步骤17：基于所述归一化后的粒子权值计算有效粒子数如果有效粒子数大于门限值N
tv
，执行步骤16，如果小于门限值，执行步骤18；步骤18：获取系统观测值序列和样本估计量观测矩阵，对于系统的实际观测值，取长度为L的序列对于由样本集合中各样本值计算得出的观测值，取时间序列为[j＝k
‑
L+1，k]区间内的各样本，根据观测方程计算出相应的观测值；计算系统观测值序列和每个粒子观测值估计值的欧式距离将所述欧氏距离归一化到(0,1)区间得到基于重新分配样本权值，为从中进行再采样得到正则化后的新粒子集其中，为k时刻粒子集，为各个粒子归一化后的权值；步骤19：由计算当前时刻状态估计的滤波值；步骤20：基于所述当前时刻状态估计的滤波值采用所述轴承稳定退化阶段的状态空间模型和快速退化阶段的状态空间模型递推得到当前时刻的滚动轴承故障预测结果；步骤21：判断当前时刻是否达到最大预测步数t
f
，如果是则预测结束，退出算法，否则K＝K+1，返回步骤14继续进行预测。2.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，相邻的局部极值点的平均值m
i
的表达式如下：其中，n
i
表示局部极值点，n
i+1
表示与n
i
相邻的局部极值点。3.根据权利要求2所述的滚动轴承故障预测方法，其特征在于，所述包络估计值a
i
的表达式如下：4.根据权利要求1所述的滚动轴承故障预测方法，其特征在于，函数h
11
(t)和函数s
11
(t)的表达式如下：h
11
(t)＝x(t)
‑
m
11
(t)s
11
(t)＝h
11
(t)/a
11
(t)。5.根据权利要求1所述的滚动轴承故障预测...

【专利技术属性】
技术研发人员：王航，徐仁义，张博文，彭敏俊，王晨阳，张元东，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：