[发明专利]基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法

说明书

本发明涉及一种基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，包括步骤：1)利用加速度传感器采集振动信号，并将加速度信号转化成速度信号，计算振动信号的信号能量；2)采用经验模态分解方法对能量序列进行分解，将原始信号分解为多个限制带宽的IMFs，选择反映轴承退化趋势的分量；3)利用重标极差分析法获取分解后能量序列的Hurst参数值；4)采用极大似然估计法估计FBM退化模型参数，建立基于FBM的退化预测模型；5)采用蒙特卡洛方法对模型进行预测，获取当前状态下的剩余使用寿命。与现有技术相比，本发明可提高预测精度，及时发现轴承运行故障，降低正常生产过程中故障发生率，提升企业的经济效益。

技术领域

本发明涉及一种轴承内圈故障剩余使用寿命预测方法，尤其是涉及一种基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法。

背景技术

在现代工业社会中，机械设备不断向精密化、自动化发展，结构越来越复杂。轴承作为机械设备中不可或缺的一部分，其运行状态直接关系到设备是否能良好运转。微弱故障在设备运行中不会有显著表现，但在设备内部有一个时间积累的过程，达到一定程度后设备运行就会出现问题。因此，对机械设备运行状态监测和机械设备故障预测十分重要。

故障的预测技术主要是依据实际采集的信号，对故障所展现的特征信息进行提取和识别。其中轴承故障主要分为外圈、内圈和滚子三大类。内圈故障点随轴旋转，振动信号通过滚子，外圈和轴承壳体传递之后，能量衰减损失大，并且其他信号分量混合。这些情况导致内圈故障与外圈故障相比，特征较弱并且提取难度较大。

故障预测是在根据目前的运行状态，结合故障特征信息的基础上，通过对故障特征信息的分析，预测未来设备的运行趋势，找出设备发生故障的时间，并且进行判断，从而提出解决方案，对故障进行进一步的处理。目前用于剩余使用寿命预测的主要随机模型的有基于维纳过程、Gamma过程和逆高斯过程的预测模型。但是使用的预测模型为马尔可夫类型的模型，模型不具有记忆性，即预测过程是无记忆过程，而轴承故障的发生是一个长期且缓慢变化的过程，前后的状态存在长相关性且不能忽略。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、可靠性高的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法。

本发明的目的可以通过以下技术方案来实现：

基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，包括如下步骤：

S1、利用不同位置的加速度传感器对机械设备轴承上的振动信号进行采集，并将加速度信号转化成速度信号，计算在不同方向上的振动信号的信号能量。

将采集到的加速度信号转化信号能量的计算式为：

式中，E_i是信号能量，x(t)是加速度信号的幅值，N是信号每次采样的个数。

S2、采用变分模态分解方法对能量序列进行分解，将原始信号分解为多个限制带宽的IMFs，选择反映轴承退化趋势的分量。

采用变分模态分解方法对能量序列进行分解的具体内容为：

分解后的能量序列的表达式为：

式中：A_k(t)为u_k(t)的瞬时幅值，ω_k(t)为u_k(t)的瞬时频率，

每个分量在中心频率ω_k处集中，分解时将其转换成如下问题：

式中：{u_k}为分解得的K个IMFs，{ω_k}为不同分量的频率中心，u_k满足：