一种滚动轴承全寿命周期状态监测方法及系统技术方案

本发明专利技术涉及滚动轴承全寿命周期状态监测技术领域，具体为一种滚动轴承全寿命周期状态监测方法及系统

【技术实现步骤摘要】
一种滚动轴承全寿命周期状态监测方法及系统


[0001]本专利技术涉及滚动轴承全寿命周期状态监测
，具体为一种滚动轴承全寿命周期状态监测方法及系统
。

技术介绍

[0002]滚动轴承作为一种被广泛应用在机械设备中的旋转部件，一旦发生故障将会直接影响到整个机械设备安全稳定运行，因此在实际的生产环境中实现对机械设备中滚动轴承部件的全寿命周期健康状态监测具有重要的现实意义
。
[0003]轴承的全寿命状态监测包含健康状态评估和剩余寿命预测两个维度，在健康状态评估方面，鉴于滚动轴承的振动信号是非线性非平稳信号，时频分析方法由于能同时提供信号的时域和频域信息，常被用于提取旋转机械振动信号的故障特征，目前已解决了较多的健康状态诊断问题
。
在剩余寿命预测方面，需要建立轴承退化趋势预测和性能退化评估模型，由于近年来机器学习和深度学习的快速发展，轴承剩余寿命预测多采用基于数据驱动的方式，其核心思想是分析轴承当前运行状态，试图找出运行状态与剩余寿命之间的非线性关系
。
[0004]目前，多数研究是将这两个维度进行了分开研究，但事实上，轴承健康状态监测与剩余寿命预测是密不可分的两个方面
。
在企业实际生产种，轴承的健康状态监测一般是通过有效的特征指标评估，而对于剩余寿命预测，选择合适的特征非常关键
。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0006]鉴于上述存在的问题，提出了本专利技术
。
[0007]因此，本专利技术解决的技术问题是：针对机器学习算法和深度学习算法所需特征维度高
、
预测模型复杂度高
、
阶次选择复杂
、
很容易产生过拟合等问题，本专利技术将轴承的状态评估与剩余寿命预测结合在一起研究，提供一种健康状态评估和剩余寿命预测集成的方法，从而提高滚动轴承全寿命预测的精度和效率
。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：通过振动信号采集设备获取滚动轴承不同状态下的振动信号；多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集；利用多维度健康指标融合用于轴承健康状态评估；基于健康状态的评估，将轴承从警示时刻提取的特征输入
LSTM
长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型；采用评估指标对预测结果进行评价
。
[0009]作为本专利技术所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述振动信号包括，采集不同工况下的轴承从开始运行到失效全过程的振动信号；所述初
始特征集包括，构建轴承从时域特征
、
频域特征以及时频域特征方面提取相关特征；所述时域特征包括，时域特征能直观地反映出机械装备运行过程的故障信息，有效值反映时域振动信号幅值和能量的变化情况，峭度能通过检测振动信号偏离正态分布程度，反映出轴承是否发生点蚀损伤和剥落的故障；峰峰值反映轴承局部故障点产生的冲击振动大小，峰峰值越大则冲击振动越大；所述频域特征包括，频域特征能够直观反映信号的振动能量随频率的分布情况，选取包络谱熵以及幅值谱熵加入初始特征集中；所述时频域特征包括，时频域特征主要采用小波能量熵表征各尺度信号的含噪状态，反映信号在不同尺度空间能量分布的无序程度
。
[0010]作为本专利技术所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述初始特征集还包括峰值
、
峰峰值
、
平均幅值
、
方根幅值
、
有效值
、
波形指标
、
脉冲指标
、
峰值指标裕度指标
、
偏度指标
、
方差
、
小波能量熵
、
幅值谱熵以及包络谱熵
。
[0011]作为本专利技术所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述多维度健康指标融合包括确定警示状态
、
警告状态和危险状态的阈值，阈值将轴承的生命状态分为不同的阶段，为健康状态
、
警示状态
、
警告状态和危险状态；所述警示状态包括，确定警示状态阈值，首先对轴承根据型号
、
转速和采样频率进行分组，其次将同一工况的数据从小到大排列，去重前
20
％和后
20
％的数据，剩余数据求均值为基准值，减少噪声的影响，对于低频振动，规定实测值达到基准值的
1.5
倍为警示状态；所述危险状态包括，确定危险状态阈值，危险状态的阈值根据实际情况进行设定，危险状态采用基准值的四倍以及斜率阈值判断；所述警告状态包括，确定警告状态阈值，统计中广泛使用3σ
用于计算警告阈值，在初始寿命的时间窗口内的一系列观察被记录为健康阶段下的随机样本，计算样本的3σ
间隔，并选择上限
、
下限作为警告阈值，上部用于上升趋势的观察，下部用于下降趋势的观察
。
[0012]作为本专利技术所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述状态检测模型包括，将振动信号数据集划分为训练集和测试集，通过误差损失函数的计算，得出训练输出和目标输出的差值，将训练数据集输入长短期记忆神经网络进行模型训练，使用
Adam
优化算法对
LSTM
网络权重参数进行调整和更新，对网络进行迭代训练，得到训练输出，将测试集数据输入到训练好的
LSTM
模型中进行预测，并对预测结果进行平滑
。
[0013]作为本专利技术所述一种滚动轴承全寿命周期状态监测方法的一种优选方案，其中：所述训练集包括，训练标签的确定，以每个采样点时间间隔为单位，采用试验轴承剩余寿命与全寿命周期的比值为数据集的标签，训练标签的公式如下：
[0014][0015]其中，
y
t
表示第
t
个采样点时轴承剩余使用寿命占全寿命周期的比值，
n
表示全寿命周期，
t
表示时间窗的大小；
[0016]所述损失函数包括，确定误差损失函数，得出训练输出和目标输出的差值，选用均误方程作为损失函数，计算公式为：
[0017][0018]其中，
M
为训练样本的总数，以减少均方误差
L
作为优化目标，在训练集上最小化
L
来优化模型的参数；
[0019]所述训练输出包括，将训练数据集输入长短期记忆神经网络进行模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种滚动轴承全寿命周期状态监测方法，其特征在于：包括，通过振动信号采集设备获取滚动轴承不同状态下的振动信号；多维度提取具有能够表征轴承退化状态潜在可能性的特征信号，作为初始特征集；利用多维度健康指标融合用于轴承健康状态评估；基于健康状态的评估，将轴承从警示时刻提取的特征输入
LSTM
长短期记忆神经网络，构建健康状态评估与剩余寿命集成的滚动轴承部件全寿命周期状态监测模型；采用评估指标对预测结果进行评价
。2.
如权利要求1所述的一种滚动轴承全寿命周期状态监测方法，其特征在于：所述振动信号包括，采集不同工况下的轴承从开始运行到失效全过程的振动信号；所述初始特征集包括，构建轴承从时域特征
、
频域特征以及时频域特征方面提取相关特征；所述时域特征包括，时域特征能直观地反映出机械装备运行过程的故障信息，有效值反映时域振动信号幅值和能量的变化情况，峭度能通过检测振动信号偏离正态分布程度，反映出轴承是否发生点蚀损伤和剥落的故障；峰峰值反映轴承局部故障点产生的冲击振动大小，峰峰值越大则冲击振动越大；所述频域特征包括，频域特征能够直观反映信号的振动能量随频率的分布情况，选取包络谱熵以及幅值谱熵加入初始特征集中；所述时频域特征包括，时频域特征主要采用小波能量熵表征各尺度信号的含噪状态，反映信号在不同尺度空间能量分布的无序程度
。3.
如权利要求2所述的一种滚动轴承全寿命周期状态监测方法，其特征在于：所述初始特征集还包括峰值
、
峰峰值
、
平均幅值
、
方根幅值
、
有效值
、
波形指标
、
脉冲指标
、
峰值指标裕度指标
、
偏度指标
、
方差
、
小波能量熵
、
幅值谱熵以及包络谱熵
。4.
如权利要求3所述的一种滚动轴承全寿命周期状态监测方法，其特征在于：所述多维度健康指标融合包括确定警示状态
、
警告状态和危险状态的阈值，阈值将轴承的生命状态分为不同的阶段，为健康状态
、
警示状态
、
警告状态和危险状态；所述警示状态包括，确定警示状态阈值，首先对轴承根据型号
、
转速和采样频率进行分组，其次将同一工况的数据从小到大排列，去重前
20
％和后
20
％的数据，剩余数据求均值为基准值，减少噪声的影响，对于低频振动，规定实测值达到基准值的
1.5
倍为警示状态；所述危险状态包括，确定危险状态阈值，危险状态的阈值根据实际情况进行设定，危险状态采用基准值的四倍以及斜率阈值判断；所述警告状态包括，确定警告状态阈值，统计中广泛使用3σ
用于计算警告阈值，在初始寿命的时间窗口内的一系列观察被记录为健康阶段下的随机样本，计算样本的3σ
间隔，并选择上限
、
下限作为警告阈值，上部用于上升趋势的观察，下部用于下降趋势的观察
。5.
如权利要求4所述的一种滚动轴承全寿命周期状态监测方法，其特征在于：所述状态检测模型包括，将振动信号数据集划分为训练集和测试集，通过误差损失函数的计算，得出训练输出和目标输出的差值，将训练数据集输入长短期记忆神经网络进行模型训练，使用
Adam
优化算法对
LSTM
网络权重参数进行调整和更新，对网络进行迭代训练，得到训练输出，将测试集数据输入到训练好的<...

【专利技术属性】
技术研发人员：李偲希，牛晓瑞，白全生，周宇，肖祥武，
申请(专利权)人：湖南大唐先一科技有限公司，
类型：发明
国别省市：