[发明专利]基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法

说明书

本发明提出了一种基于线性可靠度指标的精确预测滚动轴承的剩余使用寿命的方法，旨在提高模型的预测精度，实现步骤为：获取训练样本集和测试样本集；建立多个堆栈自编码器模型，以训练样本集和测试样本集分别作为输入依次对多个堆栈式自编码器模型进行训练，提取性能退化特征；基于聚类、单调性和相关性对评价性能退化特征，设置阈值筛选特征；基于单调性选取训练原始最优特征，建立线性可靠度指标曲线，并进行特征平移和特征插值，分别构建训练映射特征集和测试映射特征集；训练映射特征集为输入训练可靠性评估模型，将测试映射特征集输入训练好的可靠度评估模型得到测试可靠度，基于粒子滤波算法预测待预测轴承的剩余使用寿命。

技术领域

本发明属于滚动轴承可靠性评估技术领域，涉及一种滚动轴承剩余寿命预测方法，具体涉及一种基于线性可靠度指标的滚动轴承可靠性评估方法，可用于滚动轴承的剩余寿命预测。

背景技术

旋转机械设备在正常运行时，性能退化是不可避免的，并且是随着运行时间的增加而积累的过程。滚动轴承作为旋转机械的关键部件，其性能直接影响机械设备的运行和生产安全。在工作条件、振动、温度等因素的影响下，滚动轴承会产生性能退化，这种退化行为可能会导致整个机械系统的故障或崩溃。为防止这种退化引起的整个机械系统的崩溃，引入了预测技术。预测技术是根据历史信息、当前使用情况和未来运行状况，预测机械系统或设备及其组成部件的剩余使用寿命(RUL)，以提前提供故障警告和改进维护计划，从而减少昂贵的非计划维护，提高机器的可靠性、可用性和安全性。

滚动轴承剩余使用寿命主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对滚动轴承运行状态的数据进行分析，预测从预测点到失效出现的时间，从而达到剩余寿命预测的目的。通常，评价一种滚动轴承剩余寿命预测方法好坏的指标有预测精度、预测效率、鲁棒性、客观性等。

目前，有效且广泛采用的滚动轴承可靠性评估和RUL预测方法可分为两大类:数据驱动方法和基于模型的方法。基于模型的方法使用数学或物理模型从损坏的第一原理和失效机制的知识来描述轴承的退化过程，如自回归模型，卡尔曼滤波等。然而，在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点，对于退化程度的准确评估需要依赖先进的信号处理技术，此外，复杂工况下的轴承性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征，通常从这些特征中选择与评估目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作，所以传统的剩余寿命预测方法依赖于专家经验进行特征选择，缺少客观性，难以对实际工程中复杂工况下的轴承退化状态进行自动、准确地表示。

与基于模型的方法相比，数据驱动方法更适合于监控数据容易获取的组件和系统。数据驱动的方法利用机器的状态监视(CM)数据和机器学习(ML)技术来估计故障发生前的时间。数据驱动的预测方法通常包含三个步骤：数据采集、健康指标和剩余有用寿命预测。这种方法不需要对正在研究的机器的物理有深入的理解，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、卷积神经网络、深度置信网络等。其中，支持向量机、主成分分析和人工神经网络等数据驱动方法虽然能摆脱对专家经验的依赖，实现了滚动轴承性能状态特征的自适应学习，提高了剩余寿命预测结果的客观性，但是，这种剩余寿命预测方法是一种基于浅层特征学习的剩余寿命预测方法，很难从原始数据中提取出深层特征。因此，这种方法的特征学习能力弱，滚动轴承的性能退化状态表示能力差，剩余寿命预测精度低。为了提高模型对于滚动轴承的性能退化状态的特征表示能力，学者们提出了以堆栈式自编码器、卷积神经网络、深度置信网络等为代表的基于深层特征学习的剩余寿命预测方法。其中，由于网络结构的复杂性，卷积神经网络和深度置信网络的训练过程非常复杂，堆栈式自动编码器由于其结构简单和无监督的特征提取能力，广泛地应用于故障诊断、健康管理等领域的特征提取过程中。