一种基于VMD-SSA-LSTM的滚动轴承剩余使用寿命预测方法

一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法
技术领域
1.本发明属于一种机械装备的故障预测与健康管理领域，涉及一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法。


背景技术：

2.滚动轴承是重要的机械零部件，也是最容易产生故障的零件之一。统计发现，在使用了滚动轴承的旋转设备中，大约有45％-55％的机械故障是由滚动轴承引起。而对滚动轴承进行剩余寿命预测(rul)预测能够尽早发现损坏并提前进行维护，从而避免机器故障发生。因此，滚动轴承的剩余使用寿命预测问题成为了机械健康管理与故障预测领域的热点问题，很多预测技术被开发。
3.rul预测是根据当前和未来的运行环境条件预测故障的损害进展，并得到在预期范围内不再执行预期功能的时间。目前，滚动轴承的rul预测可以分为基于模型的方法、数据驱动的方法和混合方法。
4.基于模型的方法需要建立一系列数学或物理模型来确定相应研究对象的退化趋势。常用于rul预测的模型有高斯混合模型、马尔可夫过程模型、比例风险模型和维纳过程模型等。但滚动轴承工作条件复杂多样，影响滚动轴承寿命因素多，寿命预测机理模型难以准确建立。
5.数据驱动作为另一种rul预测方法不需要考虑滚动轴承的内部失效机理，直接通过将rul值与对应检测信号的特征值映射来预测。随着人工智能和机器学习相关技术的发展，数据驱动的滚动轴承rul预测方法得到了广泛的应用。数据驱动的rul方法主要是运用机器学习技术，从采集的数据中探索机械的退化情况，然后通过构建神经网络实现rul预测。主要有人工神经网络、贝叶斯网络、支持向量机等。其中，长短期记忆神经网络(lstm)可有效克服rnn的梯度消失或梯度爆炸问题，使模型具有学习到长期依赖信息的能力，能有效地处理序列数据。但是将神经网络运用到时间序列预测需要考虑如何提取历史序列的特征，并与神经网络结合。对滚动轴承而言，运行信号噪声多，信号呈非线性和非平稳性。另外，轻微故障特征不容易被检测和提取。因此，混合预测方法较其他两种方法更有优势。
6.混合的方法有两种类型。一种为运用不同的预测方法，并通过对加权不同预测方法的rul预测结果得到最终预测结果，该方法受权重影响大。另一种是将原始信号进行预处理，并对处理后的信号进行建模，得到rul预测结果。预处理方法有小波分析、经验模态分解和vmd等。而vmd是一种有效的处理非线性和非平稳信号的方法。vmd通过对变分模态的迭代搜索得到各分解量的中心频率和宽度，最终自适应地实现信号的频域分割和各分量的有效分离，剔除信号中无效噪声。已有研究证明vmd在信号处理中计算速度快、抗噪能力强。但是有两个关键因素决定vmd的处理效果，第一，分解模态数(k)和惩罚因子(α)的选择对算法的稳定性影响大。第二，分解得到的imf存在模态混叠，有必要对imf评估、重组，得到合成imf信号作为神经网络的输入。


技术实现要素：

7.本发明所要解决的技术问题是：提供一种能有效解决现有的滚动轴承剩余使用寿命预测研究中存在的特征提取不完备、预测模型鲁棒性不强、预测精度较低问题。
8.为解决上述技术问题，本发明所采用的技术方案包括以下步骤：
9.步骤1、初始化vmd(变分模态分解)的分解模态数k和惩罚因子α的取值范围分别是[k
min
,k
max
]和[α
min
,α
max
]，对原始振动信号进行vmd，得到k层imf分量。
[0010]
步骤2、根据滚动轴承的各种故障类型的故障特征频率计算公式表，计算滚动轴承各种故障特征频率；
[0011]
所述的根据滚动轴承的各种故障类型的故障特征频率计算公式表，所述如下：
[0012][0013][0014][0015][0016][0017][0018]
其中，fo表示外滚道损伤特征频率,fi表示内滚道损伤特征频率,f
b1
表示滚动体损伤、冲击单侧滚道时特征频率,f
b2
表示滚动体损伤、冲击双侧滚道时特征频率,f
z1
表示保持架与内圈接触摩擦时特征频率,f
z2
表示保持架与内圈接触摩擦时特征频率；fr为转轴旋转频率；z为轴承滚珠数量；d
p
为轴承节圆的直径；db为轴承滚珠直径；θ为滚珠和滚道的接触角度。
[0019]
步骤3、根据下面公式计算k层imf分量故障特征频域处的lp/lq范数f(i)
l∞/l1
，其中p＝∞,q＝1；
[0020][0021]
其中，ses是平方包络谱，计算公式为ses[n]＝|x[n]+j*hilbert{x[n]}|2，hilbert{.}表示hilbert变换；n为特征频域段的故障信号被均匀分割的组数；n表示第n组故障信号，x[n]为第n组故障信号的故障特征频率估计值f(i)的时域信号；故障特征频率的估计值f(i)为步骤2中公式(1)-公式(6)的任意公式的求解值。
[0022]
步骤4、将整个特征频域段所包含的m个故障特征频率估计值f(i)的l
∞
/l1范数相加构造出imf分量的l
∞
/l1范数；
[0023][0024]
其中，m≤n；由于对原始振动信号进行vmd得到k层imf分量，因此最终得到的适应
度函数ff为：
[0025][0026]
其中，g表示第层imf分量。
[0027]
步骤5、比较[k
min
,k
max
]和[α
min
,α
max
]范围内不同k和α取值得到的ff大小，并记录最大ff的对应k和α的取值(k
best
,α
best
)。
[0028]
具体的遍历描述下：具体取值方式为：k和α从最小值k
min
和α
min
开始取，步长为1，[k
min
,k
max
]范围内的每个k都将与[α
min
,α
max
]范围内所有α进行组合。
[0029]
步骤6、对原始振动信号再次进行vmd，k和α的值取为(k
best
,α
best
)，得到k
best
个imf分量；
[0030]
步骤7、计算信号分解得到的k
best
个imf分量的平方包络谱(ses)和hausdorff距离(hd)，得到hd矩阵：
[0031][0032]
ses在步骤3中已经给出计算方法；
[0033]
步骤8、将计算得到的各imf分量的l
∞
/l1范数fs
l∞/l1
构造成fs向量；
[0034][0035]
将hd矩阵与fs向量相乘：
[0036][0037]
计算向量hfs中所有元素之和通过下式得到各imf量的重构因子r：
[0038][0039]
最终用imf的分量乘以重构因子r并求和得到重构后的信号x(t)；
[0040][0041]
步骤9、将重构信号x(t)输入lstm网络，得到滚动轴承剩余寿命预测结果。
[0042]
所述的lstm网络为现有成熟网络。
[0043]
本发明的有益效果是：
[0044]
提出了一种优化vmd算法，并将其运用于轴承剩余寿命预测中。首先，构造了基于故障特征处l
∞
/l1范数的适应度函数。该适应度函数利用了滚动轴承故障建模知识；能有效
描述故障脉冲和循环平稳特征，提高了对滚动轴承振动信号进行vmd的自适应性。其次提出了一种基于ses和hd的imf信号重构方法，在不丢失原始信号的情况下提高信噪比。利用重构信号进行滚动轴承rul预测，提高了预测精度。
附图说明
[0045]
图1为本发明的实施例的具体流程图。
[0046]
图2为滚动轴承原始振动信号时域图。
[0047]
图3为故障频率l
∞
/l1范数的适应度函数优化变分模态分解方法流程图。
[0048]
图4为l
∞
/l1范数的适应度函数优化vmd的imf分量时域图；
[0049]
图5imf信号重构流程图；
[0050]
图6为采用本文方法rul估计的结果。
[0051]
图7为未采用本文方法rul估计的结果。
[0052]
图8上为原始信号下为重构信号。
具体实施方式
[0053]
下面结合附图和实施例对本发明作进一步说明。
[0054]
步骤1、初始化(变分模态分解)vmd参数k与α的取值范围[k
min
,k
max
]和[α
min
,α
max
]，对如图2所示的原始振动信号进行vmd；
[0055]
步骤2、根据滚动轴承的各种故障类型的故障特征频率计算公式表，计算滚动轴承各种故障特征频率。
[0056]
在步骤2中，根据滚动轴承的各种故障类型的故障特征频率计算公式表，所述表如下：
[0057]
表1 滚动轴承的各种故障类型及其故障特征频率计算公式表
[0058][0059]
其中，为转轴旋转频率；z为轴承滚珠数量；d
p
为轴承节圆的直径；db为轴承滚珠直径；θ为滚珠和滚道的接触角度。
[0060]
步骤3、根据下面公式计算k层imf分量故障特征频域处的lp/lq范数f(i)
l∞/l1
，其中p＝∞,q＝1；
[0061][0062]
其中，ses是平方包络谱，计算公式为ses[n]＝|x[n]+j*hilbert{x[n]}|2，hilbert{.}表示hilbert变换；n为特征频域段的故障信号被均匀分割的组数；n表示第n组故障信号，x[n]为第n组故障信号的故障特征频率估计值f(i)的时域信号；故障特征频率的估计值f(i)为步骤2中公式(1)-公式(6)的任意公式的求解值。
[0063]
步骤4、按照图3的流程优化vmd。将整个特征频域段所包含的m个故障特征频率估计值f(i)的l
∞
/l1范数相加构造出imf分量的l
∞
/l1范数；
[0064][0065]
其中，m≤n；由于对原始振动信号进行vmd得到k层imf分量，因此最终得到的适应度函数ff为：
[0066][0067]
其中，g表示第层imf分量。
[0068]
步骤5、比较[k
min
,k
max
]和[α
min
,α
max
]范围内不同k和α取值得到的ff大小，并记录最大ff的对应k和α的取值(k
best
,α
best
)。
[0069]
具体的遍历描述下：具体取值方式为：k和α从最小值k
min
和α
min
开始取，步长为1，[k
min
,k
max
]范围内的每个k都将与[α
min
,α
max
]范围内所有α进行组合。
[0070]
步骤6、对原始振动信号再次进行vmd，k和α的值取为(k
best
,α
best
)，得到k
best
个imf分量；
[0071]
步骤7、如流程图5所示对imf信号进行重构。步骤7、计算信号分解得到的k
best
个imf分量的平方包络谱(ses)和hausdorff距离(hd)，得到hd矩阵：
[0072][0073]
ses在步骤3中已经给出计算方法；
[0074]
步骤8、将计算得到的各imf分量的l
∞
/l1范数fs
l∞/l1
构造成fs向量；
[0075][0076]
将hd矩阵与fs向量相乘：
[0077][0078]
计算向量hfs中所有元素之和通过下式得到各imf量的重构因子r：
[0079][0080]
最终用imf的分量乘以重构因子r并求和得到重构后的信号x(t)；
[0081][0082]
步骤9、将重构信号x(t)输入lstm网络，得到滚动轴承剩余寿命预测结果。如图6所示。
[0083]
实施例：
[0084]
图6为采用本方法得到的预测结果图，图7为未采用本方法得到的预测结果图，如图8所示，上为原始信号下为重构信号。可以发现本方法提高了预测精度。