CN113033881B - 一种滚动轴承剩余寿命预测方法 - Google Patents

一种滚动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN113033881B
CN113033881B CN202110248639.1A CN202110248639A CN113033881B CN 113033881 B CN113033881 B CN 113033881B CN 202110248639 A CN202110248639 A CN 202110248639A CN 113033881 B CN113033881 B CN 113033881B
Authority
CN
China
Prior art keywords
signal
rolling bearing
point
residual life
signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110248639.1A
Other languages
English (en)
Other versions
CN113033881A (zh
Inventor
齐晓轩
洪振麒
刘英英
张博
董海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University
Original Assignee
Shenyang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University filed Critical Shenyang University
Priority to CN202110248639.1A priority Critical patent/CN113033881B/zh
Publication of CN113033881A publication Critical patent/CN113033881A/zh
Application granted granted Critical
Publication of CN113033881B publication Critical patent/CN113033881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Acoustics & Sound (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种滚动轴承剩余寿命预测方法，涉及一种滚动轴承剩余寿命预测方法，该方法针对滚动轴承退化特征提取困难及单一退化特征对于滚动轴承剩余寿命预测精度较低的问题，提出一种改进局部特征尺度分解（LCD）谱熵灰色预测模型实现滚动轴承剩余寿命预测。利用顺序统计滤波器及最大相似系数法对经典LCD算法进行改进并结合信息熵理论提取出滚动轴承振动信号的改进LCD谱熵特征，将其输入灰色预测模型训练获取预测参数并对轴承进行寿命预测。该方法有效改善了经典LCD算法的模态混叠与端点效应问题，提高了滚动轴承剩余寿命预测的精度。

Description

一种滚动轴承剩余寿命预测方法
技术领域
本发明属于故障预测与健康管理领域，具体涉及一种滚动轴承剩余寿命预测方法，基于改进LCD谱熵灰色预测模型的滚动轴承剩余寿命预测算法。
背景技术
轴承在现代机械中应用非常广泛，根据轴承元件摩擦性质的不同，轴承可分为滚动轴承和滑动轴承，其中滚动轴承应用最多。滚动轴承的主要功能为对轴进行支撑，它是旋转机械的重要部件，它的运行状态关系到整台设备的健康状况，因此，对滚动轴承进行剩余寿命预测具有十分重要的意义。
现阶段，剩余寿命预测通常分为基于机理建模与基于数据驱动两种。机理建模主要是根据机器的自身工作特性建立模型进行寿命预测。数据驱动建模为将机械的历史信息作为数据来源进行分析，然后提取相关特征进行剩余寿命预测。由于滚动轴承工作环境通常十分复杂，依据机理进行建模的难度较大，所以利用数据驱动建模的方法比较常见。若要实现准确寿命预测，需要提取轴承振动信号的特征，而滚动轴承的振动信号非平稳性较强，因此需要进行预处理，而一些与处理方法如EMD、LMD及LCD算法存在一些模态混叠及端点效应问题，导致对于轴承退化趋势表征不精确，因此，提出改进LCD谱熵灰色预测模型实现更精确的剩余寿命预测。
发明内容
本发明的目的在于提供一种滚动轴承剩余寿命预测方法，本发明通过最大相似系数法对端点处信号进行替换，并利用顺序统计滤波器求取包络线来对LCD算法的端点效应及包络问题进行改善，并结合信息熵理论提取出改进LCD谱熵特征，最后将其输入灰色预测模型进行训练实现滚动轴承的剩余寿命预测。该方法通过对LCD算法进行改进提高了退化特征对于轴承退化状态表征的准确性，并通过与灰色预测模型的结合提高了轴承剩余寿命预测的准确率，能够为滚动轴承的运行维护提供数据参考。
为实现上述目的，本发明包括下列顺序的步骤：
(1)利用最大相似系数法将寻找到的信号内部波段与两端信号进行替换。
(1a)寻找信号内部所有极值点
输入信号为Ui，长度为L，i∈(1，L)，即Ui＝[u1，u2，...ui]，先找到信号内部极值点，记极大值点为ma＝[m1，m2，...mp]，极小值点为mi＝[n1，n2，...nq]，横坐标Rmax＝[rm1，rm2，...rmp]，Rmin＝[rn1，rn2，...rnq]。
(1b)计算相似度
若m1＞n1，则左端第一个点为极大值点，取rm1-rm3间的信号作为待替换信号，信号内数据点为e个，D＝[d1，d2，...de]，H＝[ha1，ha2，...hae]，hae＝Ui，依次求其与信号内部相同长度波段信号的相似度。
其中，α为参数，通常取1，α、β为相似度参数，α可取为0到1间任意固定数值，β通常取为1，ε为计算过程中产生的误差，其对于相似性度量的影响很小，可忽略不计。
(1c)波段替换
得到最大相似度系数Lis，假设其横坐标为ε，则从左边第一个点U1-Uε用寻找到的波段进行替换。若寻找到左端第一个点为极小值点，重复上述步骤进行波段替换。信号右端做同样处理，其过程为从右向左依次进行。
(2)通过顺序统计滤波器求取上下包络线，得到局部均值曲线。
输出信号为Vi，窗宽为Dwi，迭代次数为j(j＜L-Dwi+1)。窗内信号可表示为对信号进行顺序统计滤波，能够得到窗内数据的极大值与极小值。
式中Bk滤波特性及过程表示为
求包络线的过程为
(3)提取振动信号的ILCD谱熵特征。
(3a)计算ISC分量ISCP(p＝1，2...n)与原始信号U之间的相关系数Rp：
其中，及/>分别为信号分量与原始信号的平均值。
(3b)依据经验设置相关阈值αR，当Rp＞αR，选择该相关系数对应的分量进行信号重构，当Rp≤αR，舍弃该分量。
(3c)对分量进行筛选，直到获得所有k个达标分量Pv(v＝1，2...k)对筛选出的k个分量进行分量重构得到ISCre。
(3d)提取能谱熵、奇异谱熵、包络谱熵
(4)建立ILCD谱熵灰色预测模型，并进行训练，获得预测参数，实现剩余寿命预测。
假设信号可以表示为其中k＝0，1...n，表示相对应的时间序列，则
其中，i＝0，1...m，表示m个序列，且由此可得
其中，A、Q为参数，L＝(L1，L2，...Ln)。
可得到预测值
其中，m＝1，2...。
有益效果
由上述技术方案可知，本发明通过引入最大系数法与顺序统计滤波器对经典LCD算法进行改进，通过端点处信号的替换与改变包络线的求取方式使算法在端点效应及包络问题上得到改善，并在此基础上与信息熵理论结合，提取出轴承退化信号的谱熵特征，相比于传统特征能够更精确地表征轴承的退化趋势。
本发明在改进LCD与信息熵结合的基础上，通过与灰色预测模型的结合建立改进LCD谱熵灰色预测模型，对轴承的退化状态表征更敏感，相较于传统指标，能够实现更精准的剩余寿命预测，误差更小。
附图说明
图1为本发明算法的流程图；
图2为改进LCD算法的流程图；
图3为轴承1-1全周期时域曲线图；
图4为信号的改进LCD谱熵特征的变化趋势。
具体实施方式
见图1、图2、图3和图4，一种滚动轴承剩余寿命预测方法，
本实施例中用于滚动轴承剩余寿命预测的方法，包括以下步骤：
(1)利用最大相似系数法将寻找到的信号内部波段与两端信号进行替换。
(1a)寻找信号内部所有极值点
输入信号为Ui，长度为L，i∈(1，L)，即Ui＝[u1，u2，...ui]，先找到信号内部极值点，记极大值点为ma＝[m1，m2，...mp]，极小值点为mi＝[n1，n2，...nq]，横坐标Rmax＝[rm1，rm2，...rmp]，Rmin＝[rn1，rn2，...rnq]。
(1b)计算相似度
若m1＞n1，则左端第一个点为极大值点，取rm1-rm3间的信号作为待替换信号，信号内数据点为e个，D＝[d1，d2，...de]，H＝[ha1，ha2，...hae]，hae＝Ui，依次求其与信号内部相同长度波段信号的相似度。
其中，α为参数，通常取1，α、β为相似度参数，α可取为0到1间任意固定数值，β通常取为1，ε为计算过程中产生的误差，其对于相似性度量的影响很小，可忽略不计。
(1c)波段替换
得到最大相似度系数Lis，假设其横坐标为ε，则从左边第一个点U1-Uε用寻找到的波段进行替换。若寻找到左端第一个点为极小值点，重复上述步骤进行波段替换。信号右端做同样处理，其过程为从右向左依次进行。
(2)通过顺序统计滤波器求取上下包络线，得到局部均值曲线。
输出信号为Vi，窗宽为Dwi，迭代次数为j(j＜L-Dwi+1)。窗内信号可表示为对信号进行顺序统计滤波，能够得到窗内数据的极大值与极小值。
式中Bk滤波特性及过程表示为
求包络线的过程为
(3)提取振动信号的ILCD谱熵特征。
(3a)计算ISC分量ISCP(p＝1，2...n)与原始信号U之间的相关系数Rp：
其中，及/>分别为信号分量与原始信号的平均值。
(3b)依据经验设置相关阈值αR，当Rp＞αR，选择该相关系数对应的分量进行信号重构，当Rp≤αR，舍弃该分量。
(3c)对分量进行筛选，直到获得所有k个达标分量Pv(v＝1，2...k)对筛选出的k个分量进行分量重构得到ISCre。
(3d)提取能谱熵、奇异谱熵、包络谱熵
(4)建立ILCD谱熵灰色预测模型，并进行训练，获得预测参数，实现剩余寿命预测。
假设信号可以表示为其中k＝0，1...n，表示相对应的时间序列，则
其中，i＝0，1...m，表示m个序列，且由此可得
其中，A、Q为参数，L＝(L1，L2，...Ln)。
可得到预测值
其中，m＝1，2...。
实施例：
选用IEEE PHM 2012挑战赛数据集的训练集中1-1轴承进行实验，其寿命周期为7.78h，其在水平及垂直方向上的时域曲线如下图3所示，取水平方向振动信号进行实验。轴承1-1数据集有2803个序列，每个序列记录2560个采样点，采样频率25kHz，采样间隔10秒，为方便观察，均匀选取200个样本得到其ILCD谱熵特征如下图4。表1为不同特征寿命预测的相对误差，误差越小，表明预测精度越高，表2为不同预测模型的预测精度，对比了ILCD谱熵灰色预测模型与传统单一特征灰色预测模型、BP神经网络模型及支持向量回归预测模型的误差情况。
表1 ILCD谱熵与其他特征灰色预测误差对比表
表2不同模型寿命预测误差对比表
上述实施方案为本发明较实质与原理下所作的改变、修饰、替代、组合、简化，均为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种滚动轴承剩余寿命预测方法，其特征在于，包括步骤如下：
(1)利用最大相似系数法将寻找到的信号内部波段与两端信号进行替换；
(2)通过顺序统计滤波器求取上下包络线，得到局部均值曲线；
(3)提取振动信号的ILCD谱熵特征；
(4)建立ILCD谱熵灰色预测模型，并进行训练，获得预测参数，实现剩余寿命预测；
所述步骤(1)具体包括以下步骤：
(1a)寻找信号内部所有极值点
输入信号为Ui，长度为L，i∈(1，L)，即Ui＝[u1，u2，...ui]，先找到信号内部极值点，记极大值点为ma＝[m1,m2，...mp]，极小值点为mi＝[n1，n2，...nq]，横坐标Rmax＝[rm1,rm2，...rmp]，Rmin＝[rn1，rn2，...rnq]；
(1b)计算相似度
若m1>n1，则左端第一个点为极大值点，取rm1-rm3间的信号作为待替换信号，信号内数据点为e个，D＝[d1，d2，...de]，H＝[ha1，ha2，...hae]，hae＝Ui，依次求其与信号内部相同长度波段信号的相似度；
其中，α为参数，通常取1，α、β为相似度参数，α取为0到1间任意固定数值，β通常取为1，ε为计算过程中产生的误差；
(1c)波段替换
得到最大相似度系数Lis，假设其横坐标为len，则从左边第一个点U1-Ulen用寻找到的波段进行替换；若寻找到左端第一个点为极小值点，重复上述步骤进行波段替换；信号右端做同样处理，其过程为从右向左依次进行；
所述步骤(2)具体包括以下步骤：
输出信号为Vi，窗宽为Dwi，迭代次数为j，j＜L-Dwi+1，窗内信号可表示为对信号进行顺序统计滤波，能够得到窗内数据的极大值与极小值，
式中，Bk滤波特性及过程表示为
求包络线的过程为
所述步骤(3)具体包括以下步骤：
(3a)计算ISC分量ISCP(p＝1,2…n)与原始信号U之间的相关系数Rp：
其中，及/>分别为信号分量与原始信号的平均值；
(3b)依据经验设置相关阈值αR，当Rp>αR，选择该相关系数对应的分量进行信号重构，当Rp≤αR，舍弃该分量；
(3c)对分量进行筛选，直到获得所有k个达标分量Pv(v＝1，2…k)对筛选出的k个分量进行分量重构得到ISCre；
(3d)提取能谱熵、奇异谱熵、包络谱熵
所述步骤(4)具体包括以下步骤：
假设信号可以表示为其中k＝0，1…n，表示相对应的时间序列，则
其中，i＝0，1…m，表示m个序列，且由此可得
其中，A、Q为参数，LD＝(Ld1，Ld2，...Ldn)，
可得到预测值
其中，m＝1，2…。
CN202110248639.1A 2021-03-08 2021-03-08 一种滚动轴承剩余寿命预测方法 Active CN113033881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110248639.1A CN113033881B (zh) 2021-03-08 2021-03-08 一种滚动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110248639.1A CN113033881B (zh) 2021-03-08 2021-03-08 一种滚动轴承剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN113033881A CN113033881A (zh) 2021-06-25
CN113033881B true CN113033881B (zh) 2024-03-29

Family

ID=76466677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110248639.1A Active CN113033881B (zh) 2021-03-08 2021-03-08 一种滚动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN113033881B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0943105A (ja) * 1995-08-03 1997-02-14 Takasago Thermal Eng Co Ltd 回転機器の軸受部の診断方法、回転機器の軸受部の余寿命推定方法及び回転機器の軸受部の診断システム
WO2002018879A1 (en) * 2000-08-25 2002-03-07 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103154932A (zh) * 2010-08-11 2013-06-12 伊夫·列扎 用于分析信号、提供瞬时频率和短时傅里叶变换的方法以及用于分析信号的设备
CN108052720A (zh) * 2017-12-07 2018-05-18 沈阳大学 一种基于迁移聚类的轴承性能退化评估方法
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及***
JP2019190943A (ja) * 2018-04-23 2019-10-31 株式会社日立製作所 転がり軸受疲労状態予測システム
CN111220387A (zh) * 2020-01-08 2020-06-02 北京交通大学 基于多特征量相关向量机的车辆轴承剩余寿命预测方法
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0943105A (ja) * 1995-08-03 1997-02-14 Takasago Thermal Eng Co Ltd 回転機器の軸受部の診断方法、回転機器の軸受部の余寿命推定方法及び回転機器の軸受部の診断システム
WO2002018879A1 (en) * 2000-08-25 2002-03-07 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103154932A (zh) * 2010-08-11 2013-06-12 伊夫·列扎 用于分析信号、提供瞬时频率和短时傅里叶变换的方法以及用于分析信号的设备
CN108052720A (zh) * 2017-12-07 2018-05-18 沈阳大学 一种基于迁移聚类的轴承性能退化评估方法
JP2019190943A (ja) * 2018-04-23 2019-10-31 株式会社日立製作所 転がり軸受疲労状態予測システム
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及***
CN111220387A (zh) * 2020-01-08 2020-06-02 北京交通大学 基于多特征量相关向量机的车辆轴承剩余寿命预测方法
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Fault Feature Extraction Method of Motor Bearing Using Improved LCD;Ding Feng，Zhang Xinrui，Wu Wenfeng，Wang Yihua;IEEE ACCESS;20210105;第8卷;全文 *
基于LCD和GMM的滚动轴承寿命预测方法;刘吉彪;程军圣;刘燕飞;;现代制造工程;20160718(第07期);全文 *
基于迁移聚类的轴承性能退化评估方法研究;都丽;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20200815(第08期);全文 *

Also Published As

Publication number Publication date
CN113033881A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
Wang et al. Statistical modeling of bearing degradation signals
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
CN116304751B (zh) 用于动车组部件检修的运行数据处理方法
Lu et al. CEEMD-assisted kernel support vector machines for bearing diagnosis
CN108776017B (zh) 一种改进chsmm的滚动轴承剩余寿命预测方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN115983452A (zh) 一种基于lstm的轴承故障预测方法
CN112926644A (zh) 一种滚动轴承剩余使用寿命预测方法及***
CN117076955A (zh) 一种高压变频器的故障检测方法及***
CN113033881B (zh) 一种滚动轴承剩余寿命预测方法
Pierleoni et al. Supervised Regression Learning for Maintenance-related Data
CN116361695A (zh) 异常数据检测方法以及装置
CN116204774A (zh) 一种基于分层元学习的刀具磨损稳定预测方法
CN112616160B (zh) 一种智能短波频率跨频段实时预测方法及***
CN113098640B (zh) 一种基于频道占用度预测的频谱异常检测方法
CN114925476A (zh) 一种滚动轴承退化轨迹增广四元数预测方法及存储介质
CN113095608A (zh) 指标分析方法、装置、设备及存储介质
CN110967184B (zh) 基于振动信号分布特征识别的变速箱故障检测方法和***
CN110967188B (zh) 基于迭代相关向量机的滚动轴承剩余寿命预测方法、***
CN113052388A (zh) 一种时间序列预测方法及装置
CN113283157A (zh) 智能冲压压力机部件生命周期预测***、方法、终端、介质
Popescu et al. An application of Rényi entropy segmentation in fault detection of rotating machinery
Fernández Berrocal et al. Evaluation and Interpretation on Data Driven ROP Models From Engineering Perspectives
CN110929425B (zh) 一种基于Lasso算法的纸张纵向伸长率的软测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant