一种滚动轴承的寿命预测方法技术

本发明专利技术属于轴承可靠性评估及寿命预测技术领域，公开了一种滚动轴承的寿命预测方法，包括：获取目标滚动轴承的振动信号数据；提取振动信号数据在时域、频域以及时频域中的特征参数；采用核主元分析法对特征参数进行降维处理，获得核主元变量；以核主元变量作为协变量构建威布尔比例故障率模型，并通过该威布尔比例故障率模型获得关于目标滚动轴承的故障曲线和可靠度曲线；使用改进后的鲸鱼优化算法对LSTM神经网络的参数进行优化，得到具有最优参数的WOA

【技术实现步骤摘要】
一种滚动轴承的寿命预测方法


[0001]本专利技术属于轴承可靠性评估及寿命预测
，具体涉及一种滚动轴承的寿命预测方法。

技术介绍

[0002]在现代化机械设备日渐复杂化的推进下，新兴的可靠性概念与基于状态维护(CBM)方法相比显示出明显的指数增长，并显示出对基于大数据的健康管理(PHM)方法以及数据分析、基于统计模型、数据驱动的预测方法的强烈需求。跟随时代的发展，对维护的需求推动了从主要纠正性维护到日常维护实践的进步。然而，随着系统复杂性的增加，对具有成本效益的可维护性方法的需求也在增加；因此需要进行预测性维护。通过预测系统何时发生故障，可以采取必要的预防措施来延长使用寿命、进行更换或设置替代方案以避免停机、事故、昂贵的维护等。
[0003]滚动轴承作为机械设备中最常用的核心基础零件，在机械设备的运行当中，可能会出现长时间运转、润滑程度不足、化学腐蚀等情况，从而导致轴承产生磨损、擦伤、疲劳性剥落、电蚀和内外环断裂等故障发生，一旦故障情况出现，一方面会造成巨大的经济损失，另一方面可能会危害到公众的人身安全。因此在上述的研究背景下，对滚动轴承进行可靠性评估与剩余寿命的精确预测能为机械设备的预测性维护提供指导，进而提前进行维护保养，减少不必要的维修次数，可见滚动轴承的可靠性评估与剩余寿命预测对设备维护具有十分重要的意义。
[0004]目前，滚动轴承的可靠性评估与寿命预测方法主要是基于振动信号进行故障特征提取来展开，针对以上情况，主要是通过提取时域、频域或者时频域的幅值、熵值等相关指标作为参量进行研究。在实际工况下，往往因为复合故障类型的多样性和复杂性、微小故障易被运行噪声湮没以及故障信号之间互相耦合、干扰等因素，导致振动特征信号难以提取到有效信号，因此针对如何提取有效的特征向量集，以保证预测的准确性，亟待深入研究。
[0005]故障预测与健康管理(PHM)的理念近年来受到许多的学者关注，即通过对设备可靠性评估来判断设备的运行状态。目前对设备的可靠性研究过程中，常将三参数威布尔分布的位置参数进行简化，使得参数减少，方便计算，从而简化为两参数威布尔分布模型。通过两参数威布尔分布构建威布尔比例故障率模型(WPHM)，在以往的研究大多是针对运行状态信息直接进行时域统计分析，然后从中选择一个或多个时域特征建模。然而单个特征或单域特征存在评估能力不足的问题，无法准确表征轴承性能退化全周期过程，严重影响可靠性评估和寿命预测的准确性。而时域、频域、时频域等多域特征虽然能够综合地表征全周期轴承的性能退化过程，但特征过多时存在冗余性，而WPHM的协变量越多，模型的参数估计越困难，因此直接代入多域特征作为WPHM协变量进行可靠性评估不太现实。因此，有效剔除对反映故障特性贡献不大，甚至不敏感的特征，并降低特征间的相关性，减少信息冗余，选取准确表征轴承性能退化过程的特征作为协变量对轴承可靠性评估至关重要。
[0006]近年来，基于数据驱动的轴承剩余寿命预测方法成为国内外研究的热点，同时由
于循环神经网络(RNN)在时间序列处理方面具有优越性而在滚动轴承剩余寿命预测方面得到广泛应用。由于RNN在训练中会出现长期依赖、梯度爆炸和消失的问题，为此提出了长短期记忆网络(LSTM)。LSTM通过设计遗忘门、输入门和输出门结构，有效地利用了长距离的时序信息，提高了预测效果。与此同时，LSTM神经网络的预测效果很大程度上依赖于参数的设置。模型使用不同参数会使其性能有所不同，且通过人为设置参数，可能导致预测效果不稳定。因此，通过引入相应算法及改进不同的网络结构，根据神经网络的结构规划以及预测要求来确定神经网络中超参数的大小，对提高轴承剩余寿命预测的精度具有重要意义。

技术实现思路

[0007]为实现轴承寿命的精准预测，本专利技术的目的在于提供一种滚动轴承的寿命预测方法，且该预测方法具体包括：
[0008]获取目标滚动轴承的振动信号数据；
[0009]提取所述振动信号数据在时域、频域以及时频域中的特征参数；
[0010]采用核主元分析法对所述特征参数进行降维处理，获得核主元变量；
[0011]以核主元变量作为协变量构建威布尔比例故障率模型，并通过该威布尔比例故障率模型获得关于目标滚动轴承的故障曲线和可靠度曲线；
[0012]使用改进后的鲸鱼优化算法对LSTM神经网络的参数进行优化，得到具有最优参数的WOA
‑
LSTM优化预测模型；
[0013]建立评价指标并根据该评价指标从所述特征参数中筛选目标参数；
[0014]利用所述故障曲线、可靠度曲线与目标参数训练所述WOA
‑
LSTM优化预测模型，并通过完成训练的WOA
‑
LSTM优化预测模型预测目标滚动轴承的剩余使用寿命。
[0015]优选的，所述振动信号数据在时域中的特征参数至少包括RMS值、峰值、峭度；所述振动信号数据在频域中的特征参数至少包括均方根值、方差、均值；所述振动信号数据在时频域中的特征参数至少包括经过小波分解所得的子数据、经过经验模态分解所得的子数据、经过变分模态分解所得的子数据。
[0016]优选的，所述小波分解的分解函数为：
[0017][0018]式中，x(t)表示待分析的所述振动信号数据，ψ(t)表示小波基函数，α表示尺度函数，τ表示平移的距离。
[0019]优选的，所述经验模态分解的分解函数为：
[0020][0021]式中，x(t)为所述振动信号数据中的原始信号，c
i
(t)为分解得到的子数据，r
n
(t)为残余项。
[0022]优选的，采用以高斯函数为核函数的核主元分析法对所述特征参数进行降维处理，获得非线性核主元变量。
[0023]优选的，所述改进后的鲸鱼优化算法为：
[0024][0025][0026][0027]其中t为当前迭代次数；max_iter为最大迭代次数；ω为自适应参数值，λ,μ,δ,γ为控制参数。
[0028]优选的，所述自适应参数值的取值范围为0～1。
[0029]优选的，所述LSTM神经网络基本单元的状态更新计算过程为：
[0030]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0031]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)；
[0032]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
[0033]其中，i
t
、f
t
、o
t
分别表示输入门、遗忘门与输出门的状态计算结果；Wi、W
f
、W
o本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承的寿命预测方法，其特征在于，包括：获取目标滚动轴承的振动信号数据；提取所述振动信号数据在时域、频域以及时频域中的特征参数；采用核主元分析法对所述特征参数进行降维处理，获得核主元变量；以核主元变量作为协变量构建威布尔比例故障率模型，并通过该威布尔比例故障率模型获得关于目标滚动轴承的故障曲线和可靠度曲线；使用改进后的鲸鱼优化算法对LSTM神经网络的参数进行优化，得到具有最优参数的WOA
‑
LSTM优化预测模型；建立评价指标用以从所述特征参数中筛选目标参数；利用所述故障曲线、可靠度曲线与目标参数训练所述WOA
‑
LSTM优化预测模型，并通过完成训练的WOA
‑
LSTM优化预测模型预测目标滚动轴承的剩余使用寿命。2.根据权利要求1所述的滚动轴承的寿命预测方法，其特征在于：所述振动信号数据在时域中的特征参数至少包括RMS值、峰值、峭度；所述振动信号数据在频域中的特征参数至少包括均方根值、方差、均值；所述振动信号数据在时频域中的特征参数至少包括经过小波分解所得的子数据、经过经验模态分解所得的子数据、经过变分模态分解所得的子数据。3.根据权利要求2所述的滚动轴承的寿命预测方法，其特征在于，所述小波分解的分解函数为：式中，x(t)表示待分析的所述振动信号数据，ψ(t)表示小波基函数，α表示尺度函数，τ表示平移的距离。4.根据权利要求3所述的滚动轴承的寿命预测方法，其特征在于，所述经验模态分解的分解函数为：式中，x(t)为所述振动信号数据中的原始信号，c
i
(t)为分解得到的子数据，r
n
(t)为残余项。5.根据权利要求4所述的滚动轴承的寿命预测方法，其特征在于：采用以高斯函数为核函数的核主元分析法对所述特征参数进行降维处理，获得非线性核主元变量。6...

【专利技术属性】
技术研发人员：梁天添，王润泽，郑祥，王英东，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：