一种轴箱剩余寿命的预测方法与流程

本发明涉及功能性部件剩余寿命预测
技术领域：
，特别涉及一种轴箱剩余寿命的预测方法。
背景技术：
机械设备应用于人类生活、工作和生产的方方面面，并在其中扮演了举足轻重的角色。目前，机械设备正朝着大型化、高速化、精密化、系统化、连续化和自动化方向发展，机械设备的运行环境越来越复杂多变，更是为设备的健康管理提出了新的挑战。随着设备的运行，零件老化、可靠性降低、剩余寿命减少等问题，与设备能否持续安全高效地工作、维护能否及时有效地执行，亟待人类解决。轴箱是车辆设备重要的组成元件，在车辆设备中发挥着十分重要的作用。轴箱的性能退化趋势及寿命预测方法一直是车辆设备健康管理研究的重点。现有轴箱剩余寿命的预测方法一般是利用采集轴箱的原始振动信号，并提取原始振动信号的时域或者频域特征，并对时域或者频域特征进行特征融合，并建立剩余寿命预测模型，通过模型得到轴箱的剩余寿命。技术实现要素：本发明的目的是：提供一种精度高的预测方法。本发明解决其技术问题的解决方案是：一种轴箱剩余寿命的预测方法，包括：步骤一、采集环境温度为20℃、运行速度为70km/h的测试车辆轴箱的原始振动信号；步骤二、建立基于最小二乘支持向量机的人工智能模型；步骤三、对所述原始振动信号进行预处理得到相关系数表；步骤四、将所述相关系数表输入所述人工智能模型得到轴箱的剩余寿命。进一步，步骤三所述的预处理包括：提取原始振动信号的时域特征和频域特征，利用相关系数法筛选特征值并得到相关系数表。进一步，所述时域特征包括：均值、方差、均方根、峰值、峰值因子、峭度系数、波形因子、脉冲因子，所述频域特征包括：均方频率、重心频率、频率方差。本发明的有益效果是：利用最小二乘支持向量机的人工智能模型，并通过相关系数表作为所述人工智能模型的输入量，得到轴箱的剩余寿命，该方法简单而且得到的剩余寿命精度高。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。图1是本发明方法的步骤流程图。具体实施方式以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。实施例1，参考图1，一种轴箱剩余寿命的预测方法，包括：步骤s1、采集环境温度为20℃、运行速度为70km/h的测试车辆轴箱的原始振动信号；步骤s2、建立基于最小二乘支持向量机的人工智能模型；步骤s3、对所述原始振动信号进行预处理得到相关系数表；步骤s4、将所述相关系数表输入所述人工智能模型得到轴箱的剩余寿命。在步骤s1中，采集得到原始振动信号包括：通过加速度传感器采集轴箱的水平方向和垂直方向的振动信号。提取所述原始振动信号的时域特征和频域特征，其中，所述时域特征包括：均值、方差、均方根、峰值、峰值因子、峭度系数、波形因子、脉冲因子，所述频域特征包括：均方频率、重心频率、频率方差。本实施例采集5个轴箱的原始振动信号，并提取所述原始振动信号的时域特征和频域特征。表1为轴箱垂直方向信号的时域特征，表2为轴箱垂直方向信号的频域特征，表3是轴箱水平方向信号的时域特征，表4是轴箱水平方向的频域特征，具体数据如下：表1表2表3表4轴箱均方频率重心频率频率方差10.89590.89650.961620.85390.74060.865630.86450.86630.898840.89760.89890.964850.92650.92760.9504通过相关系数法对所述时域特征和频域特征各特征值进行特征筛选，以轴箱的剩余寿命与各特征值分别求出相关系数，采用数学模型为：式中，xi、yi分别为进行相关系数计算的两个向量，参数i＝1，2，3…,n；n为向量xi、yi的长度。选择相关系数r满足|r|≥0.75的特征值作为轴箱寿命预测的特征参数，得到轴箱时域特征和频域特征与寿命的相关系数表，表5为轴箱垂直方向信号的时域特征与寿命的相关系数表，表6为轴箱垂直方向信号的频域特征与寿命的相关系数表，表7是轴箱水平方向信号的时域特征与寿命的相关系数表，表8是轴箱水平方向的频域特征与寿命的相关系数表。表5垂直方向均值方差均方根峰值相关系数-0.01260.89320.85040.9795垂直方向峰值因子峭度系数波形因子脉冲因子相关系数0.71790.79890.90070.7953表6垂直方向均方频率重心频率频率方差相关系数-0.4011-0.40080.4162表7水平方向均值方差均方根峰值相关系数0.06320.66890.80530.7378水平方向峰值因子峭度系数波形因子脉冲因子相关系数0.59870.09850.22480.4568表8水平方向均方频率重心频率频率方差相关系数-0.4096-0.4937-0.4895利用相关系数表作为学习数据，输入到人工智能模型中，得到轴箱的剩余寿命。所述人工智能模型为预先训练好的，其采用的人工智能网络模型为最小二乘支持向量机，以轴箱全寿命数据作为训练样本，利用马氏特征作为最小二乘支持向量机模型的输入参数。以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。当前第1页12