[发明专利]一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法

说明书

本发明提供了一种基于RE‑CF‑EKF算法的滚动轴承剩余寿命预测方法，其特征在于：步骤一：对获得的轴承振动数据集进行筛选，选择同一工况的多个轴承作为实验数据集，并将其进行训练集和测试集的分组；步骤二：取原始信号的时域特征后，进行线性滤波，计算滤波后数据与滤波误差之间的相对误差值RE，基于RE曲线确定预测开始点TSP；步骤三：对选取的时域特征，进行降噪处理，再由累积函数得到趋势更平滑的累积特征CF；步骤四：结合步骤二、步骤三得到适合建模预测的特征曲线段，并建立状态空间模型，由训练集的特征曲线段得到模型初始参数，再结合EKF算法预测轴承剩余寿命。

技术领域

本发明属于滚动轴承技术领域,涉及一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法.

背景技术

在经济发展步伐飞快的今天，科学技术的发展水平已被作为一个国家综合实力的重要标志，其中制造业的发展对国家的科学技术发展有着很大的影响。轴承作为旋转机械的关键部件之一，它的平稳可靠运行对维持生产至关重要。但不幸的是，轴承故障是机器故障中最常见的故障模式之一。如果能在滚动轴承工作过程中评价估计出其健康状况，就可以在确保安全的前下，最大限度利用轴承寿命，降低维护保障成本。近几年,国内外在预后健康管理(PHM)领域进行了大量研究，第一种方法是基于物理模型的方法，依赖于固有系统故障机制的先验知识来构建退化模型，从而描述故障的物理性质。第二种方法是基于数据驱动的方法，通常不需要知道设备故障及退化的物理性质，只需使用大量的数据来找到设备的退化规律。Chang提出了一种误差修正思想的混合方法来预测剩余使用寿命，融合了无迹卡尔曼滤波算法(UKF)，完整集合经验模态分解(CEEMD)以及相关向量机(RVR)的方法实现了RUL预测，但并没考虑预测开始点与更有趋势性的特征。

发明内容

本发明旨在克服上述缺陷，提供一种能准确预测滚动轴承剩余使用寿命的方法。本发明采用RE-CF-EKF算法，可以实现准确检测退化开始点，降低潜在健康因素对故障因素预测的影响，同时运用累积函数处理后趋势性更强的累积特征(CF)，能有效地提高EKF预测精度，实现准确的剩余寿命预测结果。

本发明提供了一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征在于：

步骤一：对获得的轴承振动数据集进行筛选，选择同一工况的多个轴承作为实验数据集，并将其进行训练集和测试集的分组；

步骤二：取原始信号的时域特征后，进行线性滤波，计算滤波后数据与滤波误差之间的相对误差值RE，基于RE曲线确定预测开始点TSP；

步骤三：对选取的时域特征，进行降噪处理，再由累积函数得到趋势更平滑的累积特征CF；

步骤四：结合步骤二、步骤三得到适合建模预测的特征曲线段，并建立状态空间模型，由训练集的特征曲线段得到模型初始参数，再结合EKF算法预测轴承剩余寿命。

进一步地，本发明提供的一种基于RE-CF-EKF算法的滚动轴承剩余寿命预测方法，其特征还在于：

在步骤二中选用能表征轴承整体寿命趋势的时域特征表征，对时域特征表征进行线性滤波，得到滤波后特征曲线与滤波误差曲线；

设定滑窗大小为m；

计算每个窗口内F(k)与E(k)的相对误差RE(k)，其具体表达式为：

获得RE曲线，

在当前数据集所得RE曲线中选取阈值分界线；

依据阈值分界线，寻找退化开始点，并作为预测开始点TSP用于后续预测。

一般来说，退化开始点由得到的RE曲线与选取的阈值界线来判断，当RE曲线某个值大于等于阈值界线，则判定为退化点，例如：预测开始点TSP为RE曲线与相对误差阈值界线的交叉点。