轴承寿命预测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种轴承寿命预测方法、装置、电子设备及存储介质，包括根据轴承预测模型给定的至少一个目标因素，针对待测轴承的检测信号执行特征提取，获取检测信号对应于每一个目标因素的信号特征；利用轴承预测模型，根据检测信号对应于每一个目标因素的信号特征执行预测，确定待测轴承的轴承寿命。借此，本申请可准确预测轴承寿命，以提高机械系统的运行可靠性并可降低维护成本。运行可靠性并可降低维护成本。运行可靠性并可降低维护成本。

【技术实现步骤摘要】
轴承寿命预测方法、装置、电子设备及存储介质


[0001]本申请实施例涉及信号分析
，尤其涉及一种轴承寿命预测方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]滚动轴承是应用广泛的旋转机械的支撑部件，也是易损零件之一，其健康状况直接关系到机组设备能否可靠稳定运行。根据频谱分析仪的测试结果表明，滚动轴承的失效概率占机械失效概率的60％。因此，针对滚动轴承进行剩余寿命预测，对于提高机械系统的整体运行可靠性以及降低维护成本均具有十分重要的意义。
[0003]目前的轴承寿命预测方案，主要存在以下几个方面的问题：轴承的寿命数据较少，且关键参数较难测量，导致轴承的寿命难以预测；轴承趋势预测结果不准确；定性分析结果和模型定量分析结果不一致。有鉴于此，亟需一种轴承寿命预测方案，以改善现有技术中存在的各种问题。

技术实现思路

[0004]为了解决上述问题，本申请实施例提供了一种轴承寿命预测方法、装置、电子设备及计算机存储介质，以至少部分地解决上述问题。
[0005]根据本申请实施例的第一方面，提供了一种轴承寿命预测方法，包括：根据轴承预测模型给定的至少一个目标因素，针对待测轴承的检测信号执行特征提取，获取所述检测信号对应于每一个目标因素的信号特征；利用所述轴承预测模型，根据所述检测信号对应于每一个目标因素的信号特征执行预测，确定所述待测轴承的轴承寿命。
[0006]可选地，所述轴承预测模型通过以下方式训练获得：根据与振动峰值能量相关的多个候选因素，针对样本信号执行特征提取，获取所述样本信号对应于每一个候选因素的信号特征；根据所述样本信号的振动加速度数据，确定所述样本信号的真实振动峰值能量；根据所述真实振动峰值能量、从各候选因素中确定的至少一个目标因素的信号特征，训练所述轴承预测模型，得到训练好的轴承预测模型。
[0007]可选地，所述候选因素包括至少一个时域因素和至少一个频域因素；其中，所述至少一个时域因素的信号特征至少包括：波形因子特征、均方根特征、峭度特征、峭度指标特征、裕度指标特征中的至少一个；所述至少一个频域因素的信号特征至少包括：轴承特征频率特征、轴承边带能量比特征中的至少一个。
[0008]可选地，所述根据所述真实振动峰值能量、从各候选因素中确定的至少一个目标因素的信号特征，训练所述轴承预测模型，得到训练好的轴承预测模型，包括：根据所述样本信号中的振动加速度数据，确定原始序列，并根据所述样本信号对应于每一个候选因素的信号特征，构建每一个候选因素的因素序列；目标因素确定步骤，根据所述原始序列、每一个候选因素的因素序列，执行相关性计算，以从各候选因素中确定至少一个目标因素；利用所述轴承预测模型，基于每一个目标因素的信号特征执行预测，获得所述样本信号的预
测振动峰值能量；根据所述真实振动峰值能量、所述预测振动峰值能量，获得所述轴承预测模型的残差结果，若所述残差结果不满于给定的训练结束条件，更新每一个候选因素的因素序列，并返回执行所述目标因素确定步骤，直至所述残差结果满足所述训练结束条件。
[0009]可选地，所述根据所述样本信号中的振动加速度数据，确定原始序列，并根据所述样本信号对应于每一个候选因素的信号特征，构建每一个候选因素的因素序列，包括：根据所述样本信号对应于每一个采样点的振动加速度数据，获得所述样本信号的原始序列；根据每一个候选因素对应于的每一个采样点的信号特征，执行累加计算，获得每一个候选因素的因素序列。
[0010]可选地，所述目标因素确定步骤包括：将一个候选因素确定为当前因素；根据所述原始序列、所述当前因素的因素序列，执行所述当前因素的相关性计算，确定所述当前因素的关联度值；将所述关联度值大于给定的关联度阈值的所述当前因素，确定为目标因素；返回执行所述将一个候选因素确定为当前因素的步骤，直至所有候选因素均被确定为当前因素；
[0011]可选地，所述关联度阈值为0.55。
[0012]可选地，所述根据所述原始序列、所述当前因素的因素序列，执行所述当前因素的相关性计算，确定所述当前因素的关联度值，包括：利用相关系数换算公式，根据所述原始序列、所述当前因素的因素序列，计算所述当前因素的相关系数值；利用关联度换算公式，根据所述当前因素的相关系数值，计算所述当前因素的关联度值；
[0013]所述相关系数换算公式表示为：
[0014]其中，所述ξ
i
(k)表示第i个候选因素的第k个采样点的特征信号的相关系数值；所述X
(0)
(k)表示样本信号对应于k个采样点的振动加速度数据的原始序列，所述表示第i个候选因素的k个采样点的信号特征的因素序列；所述ρ为权重值；
[0015]所述关联度换算公式表示为：
[0016]其中，所述r
i
表示第i个候选因素的关联度值，所述N为采样点k的总数量。
[0017]可选地，所述利用所述轴承预测模型，基于每一个目标因素的信号特征执行预测，获得所述样本信号的预测振动峰值能量，包括：根据所述原始序列、基于每一个目标因素的因素序列所确定的邻均值等全序列，构建常微分方程，并求解所述常微分方程中的微分方程参数；将求解得到的微分方程参数,代入通过转换所述常微分方程所获得的预测公式中，获得所述当前因素的预测振动峰值能量。
[0018]可选地，所述常微分方程表示为：
[0019]其中，所述X
(0)
(k)表示所述原始序列，所述k表示第k个采样点，所述Z
(1)
(k)表示所述邻均值等全序列，所述X
i(1)
(k)表示第i个目标因素的k个采样点的信号特征的因素序列，所述M为目标因素的总数量，所述A和所述b
i
为待解的微分方程参数；
[0020]所述由所述常微分方程转换获得的预测公式表示为：
[0021]其中，所述表示所述样本信号对应于第k+1个采样点的预测振动峰值能量。
[0022]可选地，所述方法包括：获取所述样本信号对应于每一个采样点的振动加速度数据，确定所述样本信号对应于每一个采样点的真实振动峰值能量。
[0023]可选地，所述根据所述真实振动峰值能量、所述预测振动峰值能量，获得所述轴承预测模型的残差结果，包括：根据所述样本信号对应于同一采样点的真实振动峰值能量、预测振动峰值能量之间的差值，获得所述轴承预测模型对应于各采样点的各残差值；根据所述轴承预测模型对应于同一采样点的残差值、预测振动峰值能量，确定所述轴承预测模型的残差比值。
[0024]可选地，所述若所述残差结果不满于给定的训练结束条件，更新每一个候选因素的因素序列，并返回执行所述目标因素确定步骤，直至所述残差结果满足所述训练结束条件，包括：在所述残差比值不大于给定的残差比阈值的情况下，根据给定的弱化邻域均值权重，重构每一个候选因素的因素序列，并返回执行所述目标因素确定步骤，直至所述残差比值大于所述残差比阈值；其中，所述残差比阈值为0.9。
[0025本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承寿命预测方法，其特征在于，包括：根据轴承预测模型给定的至少一个目标因素，针对待测轴承的检测信号执行特征提取，获取所述检测信号对应于每一个目标因素的信号特征；利用所述轴承预测模型，根据所述检测信号对应于每一个目标因素的信号特征执行预测，确定所述待测轴承的轴承寿命。2.根据权利要求1所述的方法，其特征在于，所述轴承预测模型通过以下方式训练获得：根据与振动峰值能量相关的多个候选因素，针对样本信号执行特征提取，获取所述样本信号对应于每一个候选因素的信号特征；根据所述样本信号的振动加速度数据，确定所述样本信号的真实振动峰值能量；根据所述真实振动峰值能量、从各候选因素中确定的至少一个目标因素的信号特征，训练所述轴承预测模型，得到训练好的轴承预测模型。3.根据权利要求2所述的方法，其特征在于，所述候选因素包括至少一个时域因素和至少一个频域因素；其中，所述至少一个时域因素的信号特征至少包括：波形因子特征、均方根特征、峭度特征、峭度指标特征、裕度指标特征中的至少一个；所述至少一个频域因素的信号特征至少包括：轴承特征频率特征、轴承边带能量比特征中的至少一个。4.根据权利要求2所述的方法，其特征在于，所述根据所述真实振动峰值能量、从各候选因素中确定的至少一个目标因素的信号特征，训练所述轴承预测模型，得到训练好的轴承预测模型，包括：根据所述样本信号中的振动加速度数据，确定原始序列，并根据所述样本信号对应于每一个候选因素的信号特征，构建每一个候选因素的因素序列；目标因素确定步骤，根据所述原始序列、每一个候选因素的因素序列，执行相关性计算，以从各候选因素中确定至少一个目标因素；利用所述轴承预测模型，基于每一个目标因素的信号特征执行预测，获得所述样本信号的预测振动峰值能量；根据所述真实振动峰值能量、所述预测振动峰值能量，获得所述轴承预测模型的残差结果，若所述残差结果不满于给定的训练结束条件，更新每一个候选因素的因素序列，并返回执行所述目标因素确定步骤，直至所述残差结果满足所述训练结束条件。5.根据权利要求4所述的方法，其特征在于，所述根据所述样本信号中的振动加速度数据，确定原始序列，并根据所述样本信号对应于每一个候选因素的信号特征，构建每一个候选因素的因素序列，包括：根据所述样本信号对应于每一个采样点的振动加速度数据，获得所述样本信号的原始序列；根据每一个候选因素对应于的每一个采样点的信号特征，执行累加计算，获得每一个候选因素的因素序列。6.根据权利要求4所述的方法，其特征在于，所述目标因素确定步骤包括：将一个候选因素确定为当前因素；
根据所述原始序列、所述当前因素的因素序列，执行所述当前因素的相关性计算，确定所述当前因素的关联度值；将所述关联度值大于给定的关联度阈值的所述当前因素，确定为目标因素；返回执行所述将一个候选因素确定为当前因素的步骤，直至所有候选因素均被确定为当前因素；其中，所述关联度阈值为0.55。7.根据权利要求6所述的方法，其特征在于，所述根据所述原始序列、所述当前因素的因素序列，执行所述当前因素的相关性计算，确定所述当前因素的关联度值，包括：利用相关系数换算公式，根据所述原始序列、所述当前因素的因素序列，计算所述当前因素的相关系数值；利用关联度换算公式，根据所述当前因素的相关系数值，计算所述当前因素的关联度值；所述相关系数换算公式表示为：其中，所述ξ
i
(k)表示第i个候选因素的第k个采样点的特征信号的相关系数值；所述X
(0)
(k)表示样本信号对应于k个采样点的振动加速度数据的原始序列，所述表示第i个候选因素的k个采样点的信号特征的因素序列；所述ρ为权重值；所述关联度换算公式表示为：其中，所述r
i
表示第i个候选因素的关联度值，所述N为采样点k的总数量。8.根据权利要求4所述的方法，其特征在于，所述利用所述轴承预测模型，基于每一个目标因素的信号特征执行预测，获得所述样本信号的预测振动峰值能量，包括：根据所述原始序列、基于每一个目标因素的因素序列所确定的邻均值等全序列，构建常微分方程，并求解所述常微分方...

【专利技术属性】
技术研发人员：张琪萱，郑毅贤，吴文超，王达一，
申请(专利权)人：西门子中国有限公司，
类型：发明
国别省市：