基于状态空间模型的滚动轴承寿命预测方法
【技术领域】
[0001] 本发明属于设备故障诊断领域，涉及针对常用滚动轴承的特征数值的计算及轴承 寿命预测模型建立的方式方法。
【背景技术】
[0002] 滚动轴承是机械设备当中最重要的零部件之一，应用广泛，其性能的好坏决定设 备的健康状况及使用周期。滚动轴承抱死可能到时设备不能正常运转，严重甚至会造成设 备爆炸，给安全生产带来很大威胁，如何有效进行轴承状态监测并预测轴承使用寿命是目 前研宄的一大难点，众多工作人员及科研人员都在这一研宄上进行了很多探索。目前状态 监测系统已经得到了广泛应用，而如何有效将监测系统与实际滚动轴承剩余寿命相结合， 是一大研宄亮点。
[0003] 目前轴承故障导致轴承寿命缩短的原因有很多，主要原因如下：轴承长期受交变 载荷作用引起疲劳剥落；轴承零部件之间因为相对滑动儿引起的磨损；在外力和环境温度 作用下发生塑性变形；由于环境介质引起的轴承零件金属表面发生化学反应造成的腐蚀； 轴承由于过载或缺陷导致断裂等突发性事故及保持架损坏等多种故障。
[0004] 轴承寿命预测方法目前有很多种，主要包括：基于Paris疲劳寿命预测模型的轴 承寿命预测方法，应用概率理论进行轴承的寿命预测，基于人工智能技术的轴承疲劳寿命 的研宄及基于状态监测系统的疲劳寿命预测研宄等。Paris疲劳寿命预测模型不是适用于 轴承的每一个劣化阶段的，且需要分多个阶段进行，每个阶段的界限不能很好判定；应用概 率理论进行的轴承寿命预测需要进行试验，得到大量的数据；目前主要应用的人工智能技 术主要包含支持向量机及神经网络等，这是目前阶段比较新兴的技术手段，发展空间还有 很大。
[0005] 近年来，随着科技的发展进步，新兴的人工智能诊断技术及状态监测系统正在得 到逐步发展和应用，此种方法适用于解决物理规律复杂、不确定性影响因素较多的轴承寿 命预测情况，很大程度上提高了轴承寿命预测技术的智能性和准确性。本文依据上述内容 提出了将人工智能技术及状态监测系统相结合的基于状态空间模型的滚动轴承寿命预测 方法。
【发明内容】
[0006] 本发明的目的是应用现代先进人工智能技术与状态监测技术相结合，提供一套智 能的、实时的、准确的滚动轴承寿命预测方法。该方法具有能够在不停机的情况下实时应用 监测数据进行滚动轴承寿命预测，准确率高，适用于多种场合的轴承寿命预测。
[0007] 本发明公开了一种基于状态空间模型的滚动轴承寿命预测方法，具体步骤为： 步骤（1)采集滚动轴承运行数据：通过监测机泵在线监测系统，应用加速度传感器采 集滚动轴承劣化阶段的实时振动数据；
[0008] 步骤（2)特征值求取：振动数值随轴承劣化过程变化较明显，应用振动数值作为 输入数据可以较好预测轴承劣化状态；将振动数据带入特征数值公式，求解特征数值作为 轴承寿命预测的输入值。 特征数值应用下式进行提取： Fa= f (x i, P(Xi), q)； Fa:加速度特征值； Xi:加速度信号值； P(Xi):加速度信号概率密度函数； q :加速度信号公式幂指数； f函数为加速度峰值、加速度高频值、加速度低频值或加速度有效值；本次预测可以采 用多种加速度信号中的任一一种即可。
[0009] 步骤（3)特征值预处理：利用平滑滤波算法对故障特征值进行平滑预处理，并对 特征数值进行归一化处理。
[0010] 步骤（4)依据滚动轴承特征数值，学习状态空间模型参数：针对滚动轴承故障特 征数值与滚动轴承运转周期的关系，建立滚动轴承运行模型，即用状态方程和观测方程表 示滚动轴承的各个时刻的运行状态。
【主权项】
1. 基于状态空间模型的滚动轴承寿命预测方法，其特征在于包括w下几个步骤： 1) 采集滚动轴承运行数据：通过监测机累在线监测系统，应用加速度传感器采集滚动 轴承劣化阶段的实时振动数据； 2) 特征值求取；振动数值随轴承劣化过程变化较明显，应用振动数值作为输入数据可 W较好预测轴承劣化状态；将振动数据带入特征数值公式，求解特征数值作为轴承寿命预 测的输入值； 3) 特征值预处理；利用平滑滤波算法对故障特征值进行平滑预处理，并对特征数值进 行归一化处理； 4) 依据滚动轴承特征数值，学习状态空间模型参数；针对滚动轴承故障特征数值与滚 动轴承运转周期的关系，建立滚动轴承运行模型，即用状态方程和观测方程表示滚动轴承 的各个时刻的运行状态； 5) 应用统计方法，W多个实际故障案例为依据设定轴承初始劣化阔值Ai及轴承劣化后 期寿命阔值Ak; 6) 对粒子滤波中数值进行初始化设置，即 (1) 参考监测系统，滚动轴承运转正常时，数值基本稳定，波动较小，随着滚动轴承劣 化程度加深，振动数值逐渐上升；按照滚动轴承的劣化程度选取数据点，一般选取劣化之后 200~500个数据点进行预测； (2) 设定特征值初始值为采集到的波形数据计算出的第一个特征数值； (3) 按照公式Zk+i=Zk+ran化获取服从高斯分布的单个时间点的N个粒子，ran化为 服从高斯分布的0~1之内的随机数；Zk即为k时刻的粒子即为，ZW即为k+1时刻粒子； (4) 设置粒子的初始权重均为 (5) 设置过程噪声w(k)及观测噪声v(k)的数值分别为0 ;1之间的数值； 7) 应用粒子滤波算法进行轴承数据的循环递推，求取轴承特征值的预测变化趋势： (1) 根据k时刻的粒子Zk，产生N个k+1时刻粒子zw，即为[zi…Zi…zj，，其中 zw=Zk+R(〇,r)，R(0,r)为服从均值为0,方差为r的上述高斯分布的随机数； (2) 将上述产生的每一时刻的N个粒子循环输入，即 ① 将输入的每一个粒子带入上述的状态方程，再依据状态方程结果求出观测方程的结 果； ② 利用时机特征数值与观测数值之差，求取每一个粒子的权重数值； ⑨求取出所有粒子的权重数值之和； (3) 将权重进行归一化； (4) 利用系统重采样技术，即依据权重数值大小，进行数据重采样，保留权重大于等于 0. 7的粒子； (5) 求取重采样后同一时刻所有粒子的平均数值作为该时刻的预测数值； (6) 循环求取所有时刻的预测数值； 8) 应用粒子滤波算法预测出的滚动轴承的特征数值达到阔值时，循环停止，输出滚动 轴承的剩余寿命L。
2. 根据权利要求1所述方法，其特征在于：所述步骤2)中，特征数值应用下式进行提 取： Fa=f(X^p(Xi),q); Fg:加速度特征值； Xi;加速度信号值； P(Xi);加速度信号概率密度函数；q;加速度信号公式幕指数； f函数为加速度峰值、加速度高频值、加速度低频值或加速度有效值。
2. 根据权利要求1所述方法，其特征在于：所述步骤4)中，依据滚动轴承特征数值，学 习状态空间模型参数；针对滚动轴承故障特征数值与滚动轴承运转周期的关系，建立滚动 轴承运行模型，即用状态方程和观测方程表示滚动轴承的各个时刻的运行状态； xpart(k+1) =xpart(k)+kl*Y'°+n+w(k)；y(k) =xpart(k)+v(k)； 其中xpart(k)为轴承k时刻的特征数值大小；xpart(k+1)为轴承k+1时刻的特征数 值大小，Y为轴承运转的周期数;w(k)在k时刻状态转移的扰动，为轴承运转过程中产生的 过程噪声向量数值；v(k)为k时刻轴承运转过程中产生的观测噪向量值；y化）即为最终 状态预测数值;m、n是材料常数，依据材料特性和实验环境发生变化，是变量；kl模型补偿 参数； 方程式中kl、m、n的确定方法为； (1) 依据监测系统观察轴承运行状态，取轴承开始劣化之后的200~500个数据点； (2) 处理数据，并依据上述特征公式计算特征数值； (3) 依据最小二乘法拟合出特征数值及周期数之间的非线性关系，即在满足最小均方 误差的情况下，求取出上述状态方程中的kl、m、n;kl、m、n是随数据的变化实时更新的。
3. 根据权利要求1所述方法，其特征在于：所述步骤8)中，应用粒子滤波算法预测出 的轴承的特征数值达到阔值时，循环停止，输出轴承的剩余寿命以即依据下述公式求取剩 余寿命：
L指代剩余寿命D指代预测点数 d指代数据提供的输入数值点数 4指代采样点数 t指代采样频率 tmi。指代间隔取点时间。
【专利摘要】本发明公开了一种基于状态空间模型的滚动轴承寿命预测方法，其特征包括如下步骤：1)采集滚动轴承运行数据；2)特征值求取；3)特征值预处理4)依据滚动轴承运行数据，学习状态空间模型的参数；5)依据多个实际故障案例设定轴承初始劣化阈值及轴承劣化后期寿命阈值Ak；6)对粒子进行初始化设置；7)应用粒子滤波算法进行轴承数据的循环递推，求取轴承特征值的预测变化趋势；8)依据粒子滤波法估测轴承的剩余寿命的数值N；该方法具有实时性、便捷性、准确率较高等优点，适合于多种行业的轴承寿命预测。
【IPC分类】G01M13-04
【公开号】CN104792529
【申请号】CN201510171299
【发明人】马波, 彭琦, 江志农, 张明
【申请人】北京化工大学
【公开日】2015年7月22日
【申请日】2015年4月12日