[发明专利]基于状态空间模型的滚动轴承寿命预测方法

摘要

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，其特征包括如下步骤：1)采集滚动轴承运行数据；2)特征值求取；3)特征值预处理4)依据滚动轴承运行数据，学习状态空间模型的参数；5)依据多个实际故障案例设定轴承初始劣化阈值及轴承劣化后期寿命阈值A_k；6)对粒子进行初始化设置；7)应用粒子滤波算法进行轴承数据的循环递推，求取轴承特征值的预测变化趋势；8)依据粒子滤波法估测轴承的剩余寿命的数值N；该方法具有实时性、便捷性、准确率较高等优点，适合于多种行业的轴承寿命预测。

主权项

基于状态空间模型的滚动轴承寿命预测方法，其特征在于包括以下几个步骤：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；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；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；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；5)应用统计方法，以多个实际故障案例为依据设定轴承初始劣化阈值A_i及轴承劣化后期寿命阈值A_k；6)对粒子滤波中数值进行初始化设置，即(1)参考监测系统，滚动轴承运转正常时，数值基本稳定，波动较小，随着滚动轴承劣化程度加深，振动数值逐渐上升；按照滚动轴承的劣化程度选取数据点，一般选取劣化之后200～500个数据点进行预测；(2)设定特征值初始值为采集到的波形数据计算出的第一个特征数值；(3)按照公式z_k+1＝z_k+randn获取服从高斯分布的单个时间点的N个粒子，randn为服从高斯分布的0～1之内的随机数；z_k即为k时刻的粒子即为,z_k+1即为k+1时刻粒子；(4)设置粒子的初始权重均为(5)设置过程噪声w(k)及观测噪声v(k)的数值分别为0：1之间的数值；7)应用粒子滤波算法进行轴承数据的循环递推，求取轴承特征值的预测变化趋势：(1)根据k时刻的粒子z_k，产生N个k+1时刻粒子z_k+1，即为[z₁ … z_i … z_N]，，其中z_k+1＝z_k+R(0,r)，R(0,r)为服从均值为0，方差为 r的上述高斯分布的随机数；(2)将上述产生的每一时刻的N个粒子循环输入，即①将输入的每一个粒子带入上述的状态方程，再依据状态方程结果求出观测方程的结果；②利用时机特征数值与观测数值之差，求取每一个粒子的权重数值；③求取出所有粒子的权重数值之和；(3)将权重进行归一化；(4)利用系统重采样技术，即依据权重数值大小，进行数据重采样，保留权重大于等于0.7的粒子；(5)求取重采样后同一时刻所有粒子的平均数值作为该时刻的预测数值；(6)循环求取所有时刻的预测数值；8)应用粒子滤波算法预测出的滚动轴承的特征数值达到阈值时，循环停止，输出滚动轴承的剩余寿命L。2.根据权利要求1所述方法，其特征在于：所述步骤2)中，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。