一种轴承故障的监测方法及装置

1.本发明涉及轴承技术领域，尤其是涉及一种轴承故障的监测方法及装置。


背景技术：

2.随着科技的不断发展，旋转机械已经成为了生产技术中不可或缺的零部件，在电力、石化、冶金和航空、航天等不同领域都有着十分广泛的应用。在这其中，轴承作为一种能够支撑机械旋转体、降低其运动过程中的摩擦系数、并保证其回转精度的部件，在当代机械设备中起着重要作用。
3.在机械设备的故障检测中，有约30％-40％的设备故障是由轴承故障引起的，因此对于滚动轴承的故障状态监测研究一直以来都是一个十分重要的技术领域。在现有技术中，主要通过时域特征的分析方法对机械设备进行监测诊断，但是，随着各类机械设备自动化程度和复杂性的不断提高，对轴承的监测也提出了更高的要求。
4.由西安交通大学机械工程学院雷亚国教授团队联合浙江长兴昇阳科技有限公司，选取工业场景中典型的关键部件——滚动轴承为试验对象，开展了历时两年的滚动轴承加速寿命试验，最终得到了xjtu-sy滚动轴承加速寿命试验数据集，在这其中，基于时域特征均方根值的原始数据如图1所示。
5.从图1中可以看出，监测到的数据从150分钟开始发生显著变化，数据在很短的时间内就从正常跳跃到需要报警或者停机的大小，若无法提前报警来进行停机检修将可以造成严重的后果。由此可见，如何提高对机械设备轴承故障监测的及时性和准确性已成为本领域所亟待解决的技术问题。


技术实现要素：

6.本发明提供一种轴承故障的监测方法及装置，以解决上述技术缺陷。通过设计特定的轴承故障监测策略，对报警数据和预警数据进行动态更新，从而提高了对机械设备轴承故障监测的及时性和准确性。
7.为了解决上述技术问题，本发明实施例提供了一种轴承故障的监测方法，包括：
8.获取并训练待监测轴承的全生命周期历史数据，其中，所述全生命周期历史数据包括时间周期；
9.基于机械振动在非旋转部件上的测量评价规定，对所述全生命周期历史数据进行处理，得到所述待监测轴承的第一报警时间数据和第一预警时间数据；
10.分别选取不同预设的大周期和不同预设的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的所述时间周期逐次转换为多个比值异周期；
11.确定每一所述比值异周期下的第二报警时间数据和第二预警时间数据；
12.将所述第一报警时间数据、所述第一预警时间数据、所述第二报警时间数据和所述第二预警时间数据代入预设的异周期评价函数中，计算得到最优比值异周期、以及所述最优比值异周期对应的最优报警数据和最优预警数据；
13.若所述待监测轴承存在误报，则以所述最优报警数据和所述最优预警数据对所述待监测轴承进行更新并监测。
14.作为其中一种优选方案，所述轴承故障的监测方法还包括：
15.对所述全生命周期历史数据中的水平振动信号进行均方根值计算，得到待监测轴承基于均方根值的全生命周期历史数据。
16.作为其中一种优选方案，在得到所述第一报警时间数据和所述第一预警时间数据后，所述轴承故障的监测方法还包括：
17.对所述第一报警时间数据和所述第一预警时间数据进行归一化处理。
18.作为其中一种优选方案，所述分别划分不同的大周期和不同的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的所述时间周期逐次转换为多个比值异周期，具体包括：
19.在所述时间周期内分别选取预设的大区间和预设的小区间；
20.分别根据所述大区间和所述小区间确定每一所述大周期和每一所述小周期；
21.将每一所述小周期和每一所述大周期的比值确定为对应的所述比值异周期。作为其中一种优选方案，所述预设的异周期评价函数，具体包括：
22.e＝t
1-t2+t
3-t423.其中，t1为第二预警时间数据，t3为第二报警时间数据，t2为第一预警时间数据，t4为第一报警时间数据。
24.本发明另一实施例提供了一种轴承故障的监测装置，包括：
25.历史数据获取模块，用于获取并训练待监测轴承的全生命周期历史数据，其中，所述全生命周期历史数据包括时间周期；
26.第一报警/预警数据模块，用于基于机械振动在非旋转部件上的测量评价规定，对所述全生命周期历史数据进行处理，得到所述待监测轴承的第一报警时间数据和第一预警时间数据；
27.异周期模块，用于分别选取不同预设的大周期和不同预设的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的所述时间周期逐次转换为多个比值异周期；
28.第二报警/预警数据模块，用于确定每一所述比值异周期下的第二报警时间数据和第二预警时间数据；
29.最优数据模块，用于将所述第一报警时间数据、所述第一预警时间数据、所述第二报警时间数据和所述第二预警时间数据代入预设的异周期评价函数中，计算得到最优比值异周期、以及所述最优比值异周期对应的最优报警数据和最优预警数据；
30.实时监测模块，用于在所述待监测轴承存在误报时，以所述最优报警数据和所述最优预警数据对所述待监测轴承进行更新并监测。
31.作为其中一种优选方案，所述轴承故障的监测装置还包括：
32.均方根值计算模块，用于对所述全生命周期历史数据中的水平振动信号进行均方根值计算，得到待监测轴承基于均方根值的全生命周期历史数据。
33.作为其中一种优选方案，所述轴承故障的监测装置还包括：
34.归一化处理模块，用于对所述第一报警时间数据和所述第一预警时间数据进行归
一化处理。
35.作为其中一种优选方案，所述异周期模块具体包括：
36.选取单元，用于在所述时间周期内分别选取预设的大区间和预设的小区间；
37.大小周期单元，用于分别根据所述大区间和所述小区间确定每一所述大周期和每一所述小周期；
38.比值异周期单元，用于将每一所述小周期和每一所述大周期的比值确定为对应的所述比值异周期。
39.作为其中一种优选方案，所述预设的异周期评价函数，具体包括：
40.e＝t
1-t2+t
3-t441.其中，t1为第二预警时间数据，t3为第二报警时间数据，t2为第一预警时间数据，t4为第一报警时间数据。
42.相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：
43.(1)首先获取并训练待监测轴承的全生命周期历史数据；然后基于机械振动在非旋转部件上的测量评价规定，对所述全生命周期历史数据进行处理，得到所述待监测轴承的第一报警时间数据和第一预警时间数据；接着分别划分不同的大周期和不同的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的周期逐次转换为多个比值异周期，确定每一所述比值异周期下的第二报警时间数据和第二预警数；再接着将所述第一报警时间数据、所述第一预警时间数据、所述第二报警时间数据和所述第二预警时间数据代入预设的异周期评价函数中，计算得到最优比值异周期、以及所述最优比值异周期对应的最优报警数据和最优预警数据；最后在所述待监测轴承存在误报时，以所述最优报警数据和所述最优预警数据对所述待监测轴承进行更新并监测。整个过程实现了数据的感知、判断和分析，以及实时控制，从而完善了对轴承故障的监测策略。
44.(2)基于移动平均法的构思对数据进行处理，根据周期内时间序列的推移，依次计算一定大小窗口的平均值(即大小周期)，运用两个周期的比值，减少扰动的影响，可以更准确地对轴承故障进行监测，此外，在实际运用中有量纲指标对故障特征敏感，其数值会随着故障的发展而上升，受工作条件(如负载、转速等)的变化而变化，但是极易受干扰的影响，有量纲值空间重叠性极其严重，表现不够稳定。而无量纲指标在保留对故障特征的敏感性的前提下对外界的扰动不敏感，性能较为稳定。尤其是对信号的幅值和频率的变化不敏感，即受机器工作环境影响较小。经过本发明处理后的数据集将从原始的有量纲数据集变成无量纲数据集，无论是运行状态或者受到扰动影响，预警和报警阈值将不会发生较大的改变，整个轴承故障的监测性能变得更加稳定。
45.(3)在实际的应用过程中，对报警数据和预警数据进行实时更新，从而更加适配待监测轴承在不同的工况、不同的运行状态下的实时状态，为轴承的故障监测提供了良好的数据支撑，提高了对机械设备轴承故障监测的及时性和准确性。
46.(4)现有技术中的时域特征的分析方法对于轴承故障监测的及时性较低，很多情况下当监测到故障数据的时候机械设备将会在很短的时间内变得恶化，已经来不及进行停机和检修。本发明通过特定的特征数据进行处理来过滤扰动信号，并放大微小故障，使特征数据更加具有区分性，能提前监测到原始数据所不能监测到的微小变化信号，并做出提前的预测预警和报警预警，不仅有利于对系统或者机械设备进行诊断和检修，更加得保护了
机器，也及时预防了重大事故的发生，对生产具有重大的意义。
附图说明
47.图1是本发明背景技术中的基于时域特征均方根值的原始数据示意图；
48.图2是本发明其中一种实施例中的轴承故障的监测方法的流程示意图；
49.图3(a)～图3(o)是本发明其中一种实施例中的每个轴承的基于均方根值的全寿命周期实验数据示意图；
50.图4(a)～图4(i)是本发明其中一种实施例中选取其中bearing1_3轴承大周期分别为10,20,30小周期分别为2,5,8的数据展示示意图；
51.图5(a)～图5(c)是本发明其中一种实施例中的效果展示示意图；
52.图6是本发明其中一种实施例中的轴承故障的监测装置的结构示意图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.在本技术描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
55.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
56.在本技术的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
57.本发明一实施例提供了一种轴承故障的监测方法，具体的，请参见图2，图2示出为本发明其中一种实施例中的轴承故障的监测方法的流程示意图，其包括步骤s1～s6：
58.s1、获取并训练待监测轴承的全生命周期历史数据，其中，所述全生命周期历史数据包括时间周期；
59.s2、基于机械振动在非旋转部件上的测量评价规定，对所述全生命周期历史数据
进行处理，得到所述待监测轴承的第一报警时间数据和第一预警时间数据；
60.s3、分别选取不同预设的大周期和不同预设的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的所述时间周期逐次转换为多个比值异周期；
61.s4、确定每一所述比值异周期下的第二报警时间数据和第二预警时间数据；
62.s5、将所述第一报警时间数据、所述第一预警时间数据、所述第二报警时间数据和所述第二预警时间数据代入预设的异周期评价函数中，计算得到最优比值异周期、以及所述最优比值异周期对应的最优报警数据和最优预警数据；
63.s6、若所述待监测轴承存在误报，则以所述最优报警数据和所述最优预警数据对所述待监测轴承进行更新并监测。
64.应当说明的是，机械设备的状态信息是研究机械设备的重要工具，同时也是进行故障监测的前提，故障特征的选择与提取对机械设备的状态监测是至关重要的。在实际的机械设备状态监测与故障诊断中，通过选取不同的传感器来测量机械设备的不同故障特征来对其进行故障监测与诊断，现有的机械设备故障状态监测主要包括：温度监测法、油液检测法、振动分析法和声发射法等等。
65.由于机械设备轴承的振动信号能很好地反应机器实时的运行状态，很多的机械故障都能从振动信号中诊断出来，并且振动传感器的价格比较低廉，诊断信号获取比较方便，振动分析法已经成为目前使用最多，也是最为有效的一种故障监测方法之一。振动分析法通过将传感器安装在轴承座或者轴承外的箱体上面获取机械设备的振动特征信息，然后对信息进行处理来对机械设备进行故障状态监测和诊断。
66.现有技术主要通过时域特征进行统计来反映机械设备的运行状态，如均值、方差、均方根等等，时域特征具有直观，易于理解等特点，是机械设备运行状态的原始依据。基于频域的分析方法是机械故障诊断中常用的方法之一，机械设备出现故障一般会引起信号频域的某个分量出现变化，可以通过这个变化来对故障进行诊断和分析。而基于时频域的分析方法则结合了时域和频域的分析方法，能同时表达出信号时域和频域的局部细化信息，对分析非平稳信号具有重要的意义。
67.基于时域的状态监测分析方法的时域特征主要分为有量纲和无量纲两种，有量纲有均方根值、绝对均值、均值等，无量纲有峰值因子、脉冲因子、峭度等，如下所示。
68.均方根值：
69.绝对均值：
70.均值：
71.峰值因子：
72.脉冲因子：
73.峭度：
74.发明人经研究发现，在实际运用中有量纲指标对故障特征敏感，其数值会随着故障的发展而上升，受工作条件(如负载、转速等)的变化而变化，并极易受干扰的影响，表现不够稳定。而无量纲指标对振动监测信号的扰动不敏感，性能较为稳定，尤其是对信号的幅值和频率的变化不敏感，即受机器工作环境影响较小。
75.此外，除了上述缺陷外，在现代化的自动控制系统中，各类机械设备自动化程度和复杂性都有很大的提高，对于报警的实时准确性有很高的要求。现有的基于时域特征对系统进行监测或者诊断时，通过时域特征的监测数据或许能够区分是否故障并且做到报警，而由于设备的各类部件之间可能具有很大的耦合性，需要预留一部分时间来对系统做出诊断和维修，现有的基于时域特征的监测在报警之后机器就有可能在短时间内发生严重的故障，这样就会发生报警不及时的情况，给生产安全留下很大的隐患。
76.发明人经研究发现，在实际监测的过程中，很多情况下都需要对预警和预警阈值做出动态更新来适应变化。如一台机器的训练阈值无法应用到另外的机器上，同一个轴承用适用于汽轮机和搅拌机上的阈值也是不一样的，同一轴承可能由于运行时间过长阈值也将发生变化。现有的监测过程即使意识到需要对报警和预警阈值做出变化也只能凭据工程人员的经验来对阈值进行调整，不仅无法做到实时性也不具备准确性。
77.为了解决上述技术缺陷，本发明提供了一种轴承故障的监测方法，通过上述步骤s1～s6，对机器设备进行准确、实时的在线监测，下面为了完整、清楚地对本发明实施例的技术方案进行说明，初始的历史数据以背景技术中的xjtu-sy滚动轴承加速寿命试验数据集(西安交通大学机械工程学院雷亚国教授团队联合浙江长兴昇阳科技有限公司)进行示例说明，当然，示例的数据集仅是为了说明本发明实施例的具体处理过程，在实际监测过程中需要采集实时的数据进行分析处理。
78.此外，也可以将xjtu-sy滚动轴承加速寿命试验数据集拆分为训练部分数据和验证部分数据，验证部分数据用于验证本发明提供的轴承故障检测方法的有效性，为进一步体现本发明实施例的独创性，下面会结合验证过程进行详细说明。
79.试验中通过dt9837便携式数据采集器采集通过两个pcb352c33传感器传来的振动信号。实验一共设计了转速r为2100、2250和2400r/min的三种工况，每一类工况下有5个不同的轴承。实验的轴承故障主要包括四种，分别是外圈、内圈、保持架和滚动体故障。试验中采样的频率是25.6khz，采样的间隔时间是1min，采样的时长是1.28s，每分钟采样的点数为32768点。每一次的采样之后会将数据存放在一个csv文件之中，并且第一列表示的是水平传感器采集到的数据，第二列表示的是垂直传感器采集到的数据。
80.采用上述数据集的本实施例包括训练过程和验证过程两个部分，第一部分训练过程对应本发明的轴承故障监测方法，利用数据集训练出合适的比值异周期、预警值和报警值，第一部分具体可以分为4个大步骤：
81.步骤1：预处理数据集；
82.步骤2：归一化数据；
83.步骤3：计算出所有的异周期比值数据；
84.步骤4：训练得到合适的异周期值、预警阈值和报警阈值。
85.对于步骤1，具体说明如下：
86.本实施例使用的数据集是xjtu-sy滚动轴承加速寿命试验数据集，该数据集是轴
承的全寿命周期振动信号，但是没有对数据进行标记，无法判断数据在哪个时间需要进行预警和报警，所以需要对数据集进行标记。
87.1)提取水平信号
88.xjtu-sy滚动轴承加速寿命试验数据集含有轴承的水平和垂直方向的振动信号，本发明采用的是水平信号作为实验和测试依据，依次循环和采集每个工况下每个轴承的所有文件第一列数据就可以得到水平方向的数据。
89.2)计算得到基于均方根值的数据
90.多年来已经认识到使用均方根速度测量以表征各种机器的宽范围振动响应特性是很成功的，所以本发明使用均方根值作为监测初级特征。由所测得的振动速度的时间函数所得，均方根值的公式为：x(n)代表的是原始数据在n时刻的振动速度幅值大小。
91.将第一步提取的水平方向的数据用基于均方根值进行计算，得到每个轴承的基于均方根值的全寿命周期实验数据。将所有轴承的数据用横坐标表示时间，纵坐标表示基于均方根值的幅值绘制成图像如图3(a)～图3(o)所示。
92.3)对数据进行标记
93.由于xjtu-sy滚动轴承加速寿命试验数据集没有标记预警和报警时间，本实施例根据国标来对数据集进行标记。预警是指选定的参数或者其逻辑组合异常，要求提高警觉时，用于通知人员而设计的运行信号和警告信息。报警是指当选定的参数或者其逻辑组合异常，要求采取纠正行动时，用于通知人员而设计的运行信号或信息。
94.根据gbt 6075.1-2012机械振动在非旋转部件上测量评价机器的振动第1部分总则，振动量值的评价区域可以分为四个评定区域进行评定，分别为：
95.区域a:新交付使用的机器的振动通常属于该区域。
96.区域b:通常认为振动幅值在该区域的机器可不受限制地长期运行。
97.区域c:通常认为振动幅值在该区域的机器不适宜于长期持续运行,一般来说该机器可在这种状态下运行有限时间直到有采取补救措施的合适时机为止。
98.区域d:振动幅值在这一区域中通常认为振动剧烈足以引起机器损坏。
99.根据gbt 19873.1-2005机器状态监测与诊断振动状态监测第1部分总则，预警值应该比基线高出某个值，其大小等于区域b上限值的25％，如果基线低那么报警值可能低于区域c。对于报警设定值一般是在区域c或者d中，不超过区域c上限值的1.25倍。gbt 6075.2-2012机械振动在非旋转部件上测量评价机器的振动第2部分还给出了非旋转部件上均方根振动速度区域边界的典型范围，a/b:0.71～4.5，b/c:1.8～9.3，c/d:4.5～14.7。
100.结合评价区域的设定、区域边界设定的典型范围和本次计算的基于均方根值的数据可以设定预警值为2.0，报警值为4.0。依据预警和报警值可以找到每个轴承的报警和预警时间，如下表1所示。
101.表1轴承的预警和报警时间
[0102][0103][0104]
4)划分数据集
[0105]
在实验中，为了更好地对本发明的监测方法效果作出评估，将数据集分为训练集和测试集两个部分，训练集用于训练过程，测试集用于验证过程。本次的15个轴承的全寿命周期数据由于是加速数据，bearing1_5、bearing2_4、bearing3_5的样本数据较短，不适用于本发明中的大周期数据提取，为了更好的训练效果将此三个轴承数据舍弃，但是在正常的监测中本发明是适用的，因为机器设备的寿命会比此次数据集寿命长得多。划分数据集有留出法、交叉验证法和自助法等方法。本次发明使用的是留出法，将数据集划分为两个互斥的集合，将每个工况的轴承分为两部分，一个作为训练集，一个作为测试集。最终的数据
集轴承分布如表2所示：
[0106]
表2数据集情况
[0107][0108][0109]
对于步骤2，具体说明如下：
[0110]
对步骤1得到的数据进行归一化，由于后面步骤会提取异周期数据并进行相除，为了数据在正常情况下相除结果幅值稳定，故归一化到区间[1,2]，归一化到区间[1,2]的具体步骤如下：
[0111]
(1)首先找到原本样本数据的最小值min及最大值max。
[0112]
(2)计算系数：k＝1/(max-min)。
[0113]
(3)得到归一化到[1,2]区间的数据：y＝1+k(x-min)或者y＝2+k(x-max)。
[0114]
对于步骤3，具体说明如下：
[0115]
利用步骤2形成的训练集数据分别计算出大周期滑动数据和小周期滑动数据，然后用合适的函数对大小周期数据进行计算然后再相除得到处理后的数据。假设步骤2归一化之后的数据为f(x)，t时刻为当前时刻，t1为选择的小周期长度，t2为选择的大周期长度，选择对大周期计算的函数为f1(x),对小周期计算的函数为f2(x)，则t-b＝t1，t-a＝t2，a《b《t(即a为预设的小区间，b为预设的大区间，a和b的值与初始时间长度关联，在本实施例中不断变化)。计算新数据y的公式为：
[0116][0117]
具体的可以分为3步：
[0118]
1)选择合适的大小周期长度
[0119]
由于本次全寿命数据集工况1,2,3时间长度分别为5.6～9.7h、6.8～11.7h、8.5～14.6h，所以本次选取训练的小周期t1长度为2～9min，大周期t2长度为10～30min。
[0120]
2)计算出所有异周期比值数据
[0121]
在每一个大周期t2循环选取每一个小周期t1，经过2个大循环就可以计算出所有的异周期数据情况。本次计算每一个周期选取的函数为平均值函数，就是计算大周期窗口的平均值作为f1(t2,t3)，计算出小周期窗口的平均值作为f2(t1)，然后小周期窗口的平均值f2(t1)除以大周期窗口的平均值f1(t2,t3)得到全新的数据。
[0122]
3)归一化到区间[1,2]
[0123]
将第2步得到的所有数据进行归一化到区间[1,2]
[0124]
经过步骤3处理后的轴承，选取其中bearing1_3轴承大周期分别为10,20,30小周期分别为2,5,8的数据展示如图4(a)～4(i)所示。
[0125]
对于步骤4，具体说明如下：
[0126]
利用步骤3得到数据，训练出合适的异周期值，具体可分为三个步骤，分别为：
[0127]
1)首先确定预警和报警的阈值，
[0128]
取预处理数据训练集的预警和报警阈值作为经过本发明处理后训练集的预警和报警阈值，经过步骤3处理的数据已经归一化到了区间[1,2],将步骤1预处理的训练数据集也归一化到区间[1,2],预处理后的训练数据集已经进行了标记，根据标记可以得到预警和报警的阈值，如表3所示。
[0129]
表3预处理数据预警和报警值
[0130]
轴承预警值报警值bearing1_11.21.8bearing1_21.21.8bearing1_31.11.6bearing2_11.051.5bearing2_21.11.8bearing2_31.11.5bearing3_11.11.5bearing3_21.151.5bearing3_31.051.4
[0131]
根据预处理训练集测得的预警值和报警值的平均值作为处理后训练集的预警值和报警值，则训练集预警值为1.12，报警值为1.60。
[0132]
2)确定每种异周期下的预警和报警时间
[0133]
根据第一步确定的预警和报警值可以确定每种异周期下的预警和报警时间，由于每个轴承下有21种大周期时间，8种小周期时间，数据情况较多，取bearing1_3轴承下大周
期为10、20、30，小周期为2、5、8展示如表4所示。
[0134]
表4不同异周期下的预警和报警时间
[0135][0136][0137]
3)确定评价函数，选择合适的异周期值
[0138]
步骤2已经确定了每种情况下的预警和报警时间，所以需要确定一个评价函数来确定使用哪种异周期下处理数据为最优。确定评价函数为：
[0139]
e＝t
1-t2+t
3-t4[0140]
其中，t1和t3表示当前异周期下的预警和报警时间，t2和t4表示未经处理的预处理数据的预警和报警时间(即，t2和t4表示第一报警时间数据和第一预警时间数据，t1和t3表示第二报警时间数据和第二预警时间数据)。
[0141]
依次循环每个轴承求得每种异周期比值情况下的e值，选取最大的e值下的异周期作为训练后的异周期，结果如表5所示。
[0142]
表5训练集训练的异周期指
[0143][0144][0145]
根据表5训练出来的每个轴承下的最佳异周期值，选取平均值作为最终训练得到的值，大周期长度为17min，小周期长度为4min。
[0146]
本实施例中的第二部分为验证过程，验证部分数据用于验证本发明提供的轴承故障检测方法的有效性，具体如下：
[0147]
对于第一部分的训练过程我们能通过训练得到合适的大周期长度为17min，小周期长度为4min，预警值为1.12，报警值为1.60。将训练集训练得到的训练值在测试集上进行测试，将结果与预处理的数据作对比，得到的结果如表6所示。根据表7可以看出通过本发明对数据的处理，测试集上数据的预警和报警时间相对预处理的轴承数据bearing1_4、bearing2_5、bearing3_4有了较为明显的改善。
[0148]
表6测试集与预处理数据集预警和报警时间对比
[0149][0150]
将预处理数据、测试集大小周期数据、测试集处理后数据合成做成监测图，效果如图5(a)～图5(c)所示。可以看出经过异周期比值处理的数据相比原始数据能够更好地监测短时间内的微小变化并提前做出预警和报警，为系统的进一步诊断和维修预留出足够的时间。
[0151]
上述为本发明实施例采用西安交通大学机械工程学院公开的xjtu-sy滚动轴承加速寿命试验数据集的具体处理过程，在实际应用过程中，通过传感器对机器振动信号进行检测得到监测数据，将监测数据运用上述方法中，判断监测结果是否会产生误预警和误报警的情况，如果监测效果不好则进行动态的更新，训练出合适的异周期值、预警阈值和报警阈值，然后再用这些训练值对实时的检测数据进行在线监测。本发明提供的在线实时监测，可以持续对新测量的数据和已经测量好的数据进行训练，不仅能够做到实时性，而且新训练出来的训练值也是最适合当前系统的，做到了准确性。
[0152]
对应的，本发明另一实施例提供了一种轴承故障的监测装置，具体的，请参见图6，图6示出为本发明其中一种实施例中的轴承故障的监测装置的结构示意图，其包括：
[0153]
历史数据获取模块11，用于获取并训练待监测轴承的全生命周期历史数据，其中，所述全生命周期历史数据包括时间周期；
[0154]
第一报警/预警数据模块12，用于基于机械振动在非旋转部件上的测量评价规定，对所述全生命周期历史数据进行处理，得到所述待监测轴承的第一报警时间数据和第一预警时间数据；
[0155]
异周期模块13，用于分别选取不同预设的大周期和不同预设的小周期，基于每一所述小周期和每一所述大周期的比值将所述待监测轴承的所述时间周期逐次转换为多个比值异周期；
[0156]
第二报警/预警数据模块14，用于确定每一所述比值异周期下的第二报警时间数据和第二预警时间数据；
[0157]
最优数据模块15，用于将所述第一报警时间数据、所述第一预警时间数据、所述第
二报警时间数据和所述第二预警时间数据代入预设的异周期评价函数中，计算得到最优比值异周期、以及所述最优比值异周期对应的最优报警数据和最优预警数据；
[0158]
实时监测模块16，用于在所述待监测轴承存在误报时，以所述最优报警数据和所述最优预警数据对所述待监测轴承进行更新并监测。
[0159]
进一步地，所述轴承故障的监测装置还包括：
[0160]
均方根值计算模块，用于对所述全生命周期历史数据中的水平振动信号进行均方根值计算，得到待监测轴承基于均方根值的全生命周期历史数据。
[0161]
进一步地，所述轴承故障的监测装置还包括：
[0162]
归一化处理模块，用于对所述第一报警时间数据和所述第一预警时间数据进行归一化处理。
[0163]
进一步地，所述异周期模块13具体包括：
[0164]
选取单元，用于在所述时间周期内分别选取预设的大区间和预设的小区间；
[0165]
大小周期单元，用于分别根据所述大区间和所述小区间确定每一所述大周期和每一所述小周期；
[0166]
比值异周期单元，用于将每一所述小周期和每一所述大周期的比值确定为对应的所述比值异周期。
[0167]
进一步地，所述预设的异周期评价函数，具体包括：
[0168]
e＝t
1-t2+t
3-t4[0169]
其中，t1为第二预警时间数据，t3为第二报警时间数据，t2为第一预警时间数据，t4为第一报警时间数据。
[0170]
相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：
[0171]
(1)本发明能解决现有监测技术中对扰动反应较为明显的缺点，在本发明在提取异周期数据时运用了移动平均法，移动平均法是一种数据平滑技术，可以根据时间序列的推移，依次计算一定大小窗口的平均值。当系统受到扰动的影响时，使用移动平均法在一定程度可以减少扰动的影响。
[0172]
(2)本发明能解决现有监测技术中报警不及时的缺点，单纯的基于时域特征对系统进行监测即使通过监测数据能够区分故障却不具有及时性，很多情况下当监测到故障数据的时候系统极有可能将会在很短的时间内变得恶化，已经来不及对系统进行及时停机和检修。本发明通过对选取的时域特征数据进行处理来过滤扰动信号和放大微小故障，使特征数据更加具有区分性，能提前监测到原始时域特征数据所不能监测到的微小变化信号，并做出提前的预测预警和报警预警，有利于对系统的进一步诊断和预测故障。这样不仅有利于对系统或者机械设备进行诊断和检修，更加得保护了机器，也及时预防了重大事故的发生，对生产具有重大的意义。
[0173]
(3)在实际运用中有量纲指标对故障特征敏感，其数值会随着故障的发展而上升，受工作条件(如负载、转速等)的变化而变化，但是极易受干扰的影响，有量纲值空间重叠性极其严重，表现不够稳定。而无量纲指标在保留对故障特征的敏感性的前提下对外界的扰动不敏感，性能较为稳定。尤其是对信号的幅值和频率的变化不敏感，即受机器工作环境影响较小。经过本发明处理后的数据集将从原始的有量纲数据集变成无量纲数据集，无论是运行状态或者受到扰动影响，预警和报警阈值将不会发生较大的改变，性能变得更加稳定。
[0174]
(4)在实际监测的过程中，很多情况下都需要对预警和预警阈值作出改变来适应变化。如一台机器的训练阈值无法应用到另外的机器上，同一个轴承用适用于汽轮机和搅拌机上的阈值也是不一样的，同一轴承可能由于运行时间过长阈值也将发生变化。现有的监测过程即使意识到需要对报警和预警阈值做出变化也只能凭据工程人员的经验来对阈值进行调整，不仅无法做到实时性也不具备准确性。本发明在在线监测的过程中，可以持续对新测量的数据和已经测量好的数据进行训练，不仅能够做到实时性，而且新训练出来的训练值也是最适合当前系统的，做到了准确性。
[0175]
(5)本发明提出用大小周期均值的方式来反映数据的变化，大周期反映数据长期的变化趋势，小周期反映数据短时间内的变化趋势，通过提取周期信号能更好得反映监测数据的变化。
[0176]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。