一种滚动轴承性能退化评估方法与流程

1.本发明涉及一种滚动轴承性能退化评估方法，属于轴承性能评估技术领域。


背景技术：

2.滚动轴承性能退化评估技术可以仅利用轴承正常工况下的数据特征训练模型形成健康基线，用实时数据特征向量输入到训练模型，依据其输出值与健康基线对比从而判断设备的实时健康状态，进而真正实现轴承运行状态的智能预知。在轴承性能退化评估技术中，有三个关键因素决定评估效果的优劣：(1)有效的特征提取；(2)高效、精确的智能算法；(3)较强鲁棒性性能退化指标的定义。传统时域、频域特征提取方法往往无法有效提取滚动轴承发生故障时的非平稳、非线性特征向量。而目前对于特征的提取主要是简单的提取出原始振动信号的频谱特征，而这些特征无法反应滚动轴承微弱故障阶段，导致后续退化性能评估时无法及时、准确了解轴承在性能退化初期的情况。此外，目前都是采用单通道数据进行退化性能评估，无法全面反映轴承的运行状态，进而导致后续评估过程中由于单通道信息采集所造成的特征片面性和不完整性，影响评估的准确性。


技术实现要素：

3.本发明的目的是提供一种滚动轴承性能退化评估方法，以解决目前滚动轴承性能退化评估存在的无法及时、准确了解轴承在性能退化初期的问题。
4.本发明为解决上述技术问题而提供一种滚动轴承性能退化评估方法，该评估方法包括以下步骤：
5.1)获取正常工况下滚动轴承的振动数据；
6.2)对获取的振动数据进行分段处理，对得到的每段数据进行循环平稳快速谱相关特征提取，得到正常工况下滚动轴承的特征向量；
7.3)建立耦合隐马尔科夫知识库模型，利用得到的正常工况下滚动轴承的特征向量对该耦合隐马尔科夫知识库模型进行训练；
8.4)实时获取待评估的滚动轴承的振动数据，并对其进行循环平稳快速谱相关特征提取，得到测试特征向量，将其输入到训练好的耦合隐马尔科夫知识库模型，得到该待评估的滚动轴承的性能退化指标曲线。
9.本发明采用循环平稳快速谱相关特征提取方法，可以更有效的提取滚动轴承微弱故障阶段信号的非平稳、非线性特征，为后续性能退化评估提供有效的数据支撑，能够准确、及时了解滚动轴承性能退化初期的情况，为后续滚动轴承的正常工作提供可靠的数据来源。同时采用耦合隐马尔科夫对循环平稳特征进行进一步融合，有效提高性能退化评估的正确性。
10.进一步地，所述步骤1)中获取的振动数据为双通道数据，即每个监测点上同时布置水平、垂直两个通道，得到水平振动数据和垂直振动数据；所述步骤3)建立的耦合隐马尔科夫知识库模型采用双链的耦合隐马尔科夫。
11.本发明通过采集轴承同源双通道信号，能够更全面反映轴承的运行状态，避免了后续评估过程中由于单通道信息采集所造成的特征片面性和不完整性；采用双链的耦合隐马尔科夫对循环平稳特征进行进一步融合，有效提高性能退化评估的正确性。
12.进一步地，所述步骤2)中的循环平稳快速谱相关特征提取过程如下：
13.按照设定参数对分段后的信号进行短时傅立叶变换，所述的设定参数包括窗函数w[n]及其窗口长度nw、最大循环频率α
max
和采用频率fs；
[0014]
根据短时傅立叶变换结果进行快速谱相关计算，所采用的计算公式：
[0015][0016][0017][0018]
其中x
stft
(i,fk)为短时傅立叶变换结果，fk为离散频率，α为循环频率，为短时傅立叶变换的块移位，叶变换的块移位，表示rw(α)的共轭。
[0019]
进一步地，所述步骤2)还包括对得到的快速谱进行能量求和作为提取三维循环平稳快速谱相关特征的步骤。
[0020]
进一步地，该方法还包括对提取的三维循环平稳快速谱相关特征进行归一化处理的步骤。
[0021]
本发明通过归一化处理，能够消除尺寸的影响，便于后续的分析和计算。
[0022]
进一步地，所述步骤4)中将训练好的耦合隐马尔科夫知识库模型输出的最大似然概率p(o|λ)作为滚动轴承性能退化评估指标。
[0023]
进一步地，该方法还包括对得到的性能退化评估指标进行防下溢处理，所采用的公式为：
[0024][0025]
其中ll为防下溢处理后的性能退化评估指标，t为数据长度，c为通道个数。
[0026]
本发明通过上述处理，能够防止p(oλ)数据下溢，并且能够消除数据长度t和通道个数c的影响，提高指标的可靠性。
[0027]
进一步地，该方法还包括对防下溢处理后的性能退化评估指标进行处理，得到最终性能指标，所述最终性
[0028]
能指标为：pi
t
＝αll
t
+(1-α)pi
t-1
[0029]
其中pi
t
表示轴承在时刻t的最终性能指标，α为权重系数，其值在0到1之间，ll
t
为轴承在时刻t的防下溢处理后性能退化评估指标。
[0030]
本发明通过对防下溢处理后性能退化评估指标进行移动平均处理，使得到最终性能指标能够反映滚动轴承的早期性能退化，并能够减少基于阈值报警时的误报数量，提高了评估的准确性。
[0031]
进一步地，所述的权重系数α为0.5。
附图说明
[0032]
图1为本发明滚动轴承性能退化评估方法的流程图；
[0033]
图2-a为本实施例中轴承正常工况下的采集的垂直通道信号示意图；
[0034]
图2-b为本实施例中轴承正常工况下的采集的平行通道信号示意图；
[0035]
图3为本发明的滚动轴承全寿命周期性能退化指标曲线示意图；
[0036]
图4为现有技术中滚动轴承水平通道全寿命周期的幅值指标退化曲线示意图；
[0037]
图5为现有技术中滚动轴承水平方向全寿命周期的峭度指标退化曲线示意图。
具体实施方式
[0038]
下面结合附图对本发明的具体实施方式作进一步地说明。
[0039]
滚动轴承性能退化评估方法实施例
[0040]
本发明首先获取滚动轴承正常工况下的的双通道振动数据；然后对采集到的正常工况下的双通道数据进行分段处理，并对分段后的各段数据进行循环平稳快速谱相关特征提取，获取滚动轴承正常工况下的同源多通道特征向量；将正常工况下的特征向量作为耦合隐马尔科夫的训练向量，训练得到滚动轴承正常工况下的知识库模型；实时获取待评估的滚动轴承的各通道振动数据，并进行循环平稳快速谱相关特征提取，得到测试特征向量，再将其输入到训练好的正常工况下的耦合隐马尔科夫知识库模型，得到性能退化指标曲线。该方法的具体实现流程如图1所示，具体实施过程如下。
[0041]
1.获取滚动轴承正常工况下的振动数据。
[0042]
本发明通过在滚动轴承上安装振动传感器来获取相应的振动数据，为了更全面反映轴承的运行状态，避免后续评估过程中由于单通道信息采集所造成的特征片面性和不完整性，本发明采用多通道信息采集，就是在同一监测点上采集不同方向的振动数据，例如，对本实施例而言可在滚动轴承同一监测点同时布置水平、垂直两个通道(同一监测点上设置两个不同方向的振动传感器)，获取同一监测点正常工况下的同源双通道数据，即获取同一监测点不同方向的振动数据。按照上述采集方式，本实施例获取的垂直通道的振动数据如图2-a所示，水平通道的振动数据如图2-b所示。
[0043]
为保证后续模型训练的精度，本发明需要获取的是正常工况的振动数据，这里的正常工况指的是数据未超过报警阈值的数据，或者选取历史趋势中运行平稳的数据。
[0044]
2.对获取的振动数据进行分段处理，对得到的每段数据进行循环平稳快速谱相关特征提取，得到正常工况下滚动轴承的特征向量。
[0045]
由于步骤1中的获取的正常工况下的振动数据是多通道的数据，因此，需要对每个通道分别进行相应特征的提取，每个通道数据的特征提取过程相同。首先需要对获取的正常工况下的振动数据按照时间划分成多段，为方便计算，本发明按照每段数据长度为1024个采样点对上述振动数据进行分段，然后对每一段都采用循环平稳快速谱相关特征提取，其中循环平稳快速谱相关特征提取过程如下：
[0046]
1)对每段的数据进行短时傅立叶变换。
[0047]
初始化信号x[n]短时傅里叶变换x
stft
的窗函数w[n]及其窗口长度nw、最大循环频率α
max
、采用频率fs等参数，即：
[0048][0049]
式中和表示stft的块移位。
[0050]
2)根据短时傅立叶变换结果进行快速谱相关特征提取。
[0051]
初始化s(α,fk)＝0、n0为窗函数的中心时间指标，计算快速谱相关：
[0052]
for p＝0,1,2,
…
,p
[0053][0054][0055][0056]
end
[0057]fk
为离散频率，α为循环频率，为短时傅立叶变换的块移位，表示rw(α)的共轭。
[0058]
3)对得到的快速谱相关特征进行简化处理。
[0059]
通过步骤2)可以得到不同通道的快速谱相关特征，为了在使用步骤2)得到的快速谱相关特征进行故障特征提取时更加直观，本发明需要对得到的两通道的快速谱相关特征进行简化处理，两通道的快速谱相关特征可以形成二维快速谱相关图谱b，本发明将二维快速谱相关图谱b在横坐标上的能量分布值求和作为简化后的特征向量，表示为：
[0060][0061]
其中ω1,ω2分别表示频段的开始频率和截止频率。
[0062]
4)对简化处理后的特征向量进行归一化处理。
[0063]
对步骤3)得到特征向量进行归一化处理，以消除尺寸的影响，便于后续的分析和计算：让e＝max(ei)，最终归一化特征向量如下：
[0064]
e＝[e1/e e2/e
ꢀ…ꢀen
/e]
[0065]
3.建立耦合隐马尔科夫知识库模型，利用得到的正常工况下滚动轴承的特征向量对该耦合隐马尔科夫知识库模型进行训练。
[0066]
由于本发明获取的是滚动轴承多通道的振动数据，在建立耦合隐马尔科夫知识库模型时，本发明采用多链的耦合隐马尔科夫。例如，本实施例采集的是双通道的数据，因此，本发明采用双链的耦合隐马尔科夫建立耦合隐马尔科夫知识库模型，以实现对循环平稳特征进行进一步融合，以有效提高性能退化评估的准确性。
[0067]
4.实时获取待评估的滚动轴承的振动数据，并对其进行循环平稳快速谱相关特征提取，得到测试特征向量，将其输入到训练好的耦合隐马尔科夫知识库模型，得到该待评估
的滚动轴承的性能退化指标曲线。
[0068]
首先获取待评估滚动轴承的实时振动数据，这里的实时振动数据也是双通道数据；然后按照步骤2中的过程对得到的实时振动数据进行快速谱相关特征提取，并对其进行简化和归一化处理，得到相应的特征向量，将该特征向量作为测试特征向量；再将得到的测试特征向量输入到步骤3训练好的耦合隐马尔科夫知识库模型中，由该耦合隐马尔科夫知识库模型将输出对应的最大似然概率p(o|λ)，利用该最大似然概率就可以进行性能退化评估。
[0069]
为防止最大似然概率p(o|λ)数据下溢，本发明在利用该指标进行评估前还需对其进行数据防下溢处理，本实施例中的防下溢处理可将最大似然概率用对数形式表示，并除以数据长度t和通道个数c来消除数据长度t和通道个数c的影响，即：
[0070][0071]
其中ll为防下溢处理后的性能退化评估指标，t为数据长度，c为通道个数，对本实施例而言，t为1024，c为2。
[0072]
为进一步提高评估的可靠性，能够反映轴承的早期性能退化，并减少基于阈值报警时的误报数量。本发明还对得到的指标ll进行进一步加权移动平均处理，将处理后的指标作为滚动轴承的最终性能退化指标。
[0073]
滚动轴承的最终性能退化指标可表示为：
[0074]
pi
t
＝αll
t
+(1-α)pi
t-1
[0075]
其中pi
t
表示轴承在时刻t的性能指标，α为权重系数，其值在0到1之间。α表示加权移动平均对当前测量值的权重系数，经反复测试，本发明中将其取为0.5。
[0076]
对本实施例而言，将待评估的滚动轴承的实时振动数据进行快速谱相关特征提取，将提取得到的特征输入到步骤3训练好的知识库模型中，由知识库模型输出对应的最大似然概率，将得到最大似然概率进行防下溢处理和可靠性处理，得到的最终的性能退化指标，将所有输出的性能退化指标连成曲线，形成轴承全寿命周期性能退化曲线，如图3所示。图4为现有技术中滚动轴承水平通道全寿命周期的幅值指标退化曲线，采用幅值作为性能退化指标；图5为现有技术中滚动轴承水平方向全寿命周期的峭度指标退化曲线，采用峭度作为性能退化指标。对比图3与图4、图5，本发明相对于传统评估指标更能有效反映轴承正常、微弱故障及完全失效的三个退化阶段，能够更准确、全面评估滚动轴承的退化性能。
[0077]
本发明采集轴承同源双通道信号，可以更全面反映轴承的运行状态，避免后续评估过程中由于单通道信息采集所造成的特征片面性和不完整性；采用循环平稳快速谱相关特征提取方法，可以更有效的提取滚动轴承微弱故障阶段信号的非平稳、非线性特征，为后续性能退化评估提供有效的数据支撑；同时采用双链的耦合隐马尔科夫对循环平稳特征进行进一步融合，有效提高了性能退化评估的准确性。因此，本发明相对传统幅值、峭度指标更能科学、有效反映滚动轴承性能退化过程。
[0078]
本发明的滚动轴承性能退化评估方法可以通过计算机程序的方式实现，例如，可以设计成一种滚动轴承性能退化评估装置，包括处理器和存储器，处理器执行由所述存储器存储的计算机程序，以实现本发明实现上述方法实施例的方法。也就是说，以上方法实施例中的方法应理解可由计算机程序指令实现滚动轴承性能退化评估方法的流程。可提供这
些计算机程序指令到处理器，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
[0079]
本实施例所指的处理器是指微处理器mcu或可编程逻辑器件fpga等的处理装置；本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，ram、rom等；利用磁能方式存储信息的的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的各式存储器，cd或dvd。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。
[0080]
通过上述存储器、处理器以及计算机程序构成的装置，在计算机中由处理器执行相应的程序指令来实现，处理器可以搭载各种操作系统，如windows操作系统、linux系统、android、ios系统等。
[0081]
作为其他实施方式，装置还可以包括显示器，显示器用于将选取结果展示出来，以供工作人员参考。
[0082]
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。