[发明专利]基于状态空间模型的滚动轴承寿命预测方法

说明书

技术领域

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

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究的一大难点，众多工作人员及科研人员都在这一研究上进行了很多探索。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，是一大研究亮点。

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。

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究及基于状态监测系统的疲劳寿命预测研究等。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。

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

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。

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；

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：

F_a＝f(x_i,p(x_i),q)；

F_a:加速度特征值；

x_i：加速度信号值；

p(x_i)：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。 

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。

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。

xpart(k+1)＝xpart(k)+k1*Y^m+n+w(k+1)；

y(k+1)＝xpart(k+1)+v(k+1)；

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+1)在k+1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+1)为k时刻轴承运转过程中产生的观测噪向量值；y(k+1)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；k1模型补偿参数；

方程式中k1、m、n的确定方法为：

(1)依据监测系统观察轴承运行状态，按照轴承的劣化程度选取数据点，一般选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；