文摘

针对滚动轴承退化预测,提出了一种新颖的累积变换算法数据处理和特征融合技术轴承退化评估。首先,累积变换提出了原从振动信号中提取特征映射到各自的累积形式。这项技术不仅使提取的特征表现一个单调的趋势,但也减少了波动;这些属性更有利于反映轴承退化趋势。然后,构造新的退化指标体系,将多维融合累积特性通过核主成分分析(KPCA)。最后,基于相空间重构的一个极端的学习机器模型预测提出了退化的趋势。该模型性能实验与滚动轴承的全寿命试验进行验证。结果证明该方法反映了轴承退化过程清晰,达到一个好的平衡模型准确性和复杂性。

1。介绍

为了提高生产效率、质量和灵活性,现代制造业高度依赖组件的无故障操作生产机器(1,2]。因此,及时的监测和评估的重要机器的运行状态组件是必要的(3]。预测,作为一个重要的过程监控组件或系统的条件4),被认为是一种预测维护策略,可以预测组件缺陷的发生,确保可用性、可靠性和安全性的关键部件(如轴承、齿轮、或切割工具)(5,6]。轴承是旋转机械的核心和被视为一个常见因素分解的机械(7,8];因此,准确地预测轴承退化趋势是大量实用的相关性。

一般来说,预测大致可以分为基于模型、数据驱动和混合方法(9]。其中,数据驱动的方法更容易部署和被广泛使用10]。他们通常遵循一个路线图的数据采集、特征提取和预测建模。上面的三个步骤,关键一步是特征提取,因为它有一个直接影响预测的性能。特性,可以正确反映了退化进程可以产生准确和简单的预测11- - - - - -13]。

各种特性提取时域、频域和时频域研究了轴承退化预测。时域方法提取统计特性,比如均方根(RMS),峰度,波峰因素,峰价值。的能量提取轴承缺陷频率特性的频域方法,如ball-pass外环的频率 ,ball-pass内环的频率 ,和球旋转频率 。时频域方法提取功能,如短时傅里叶变换(STFT) [14),小波变换(WT) [15,16,经验模态分解(EMD) [17]。

这些特征提取作为退化预测;然而,最初的特性经常显示不理想的进化,不能反映退化的趋势,甚至造成问题的预测任务。

在当前的研究中,这些问题从不同方面进行了研究。从平滑方面提出了一些方法减少波动的影响,获得一个平滑的趋势特征。例如,Sutrisno et al。18)用移动平均滤波器减少最初的波动特性和平滑的特性被投入最小二乘支持向量回归(LS-SVR)轴承剩余寿命估算。类似的想法后,Loutas et al。19)采用移动平均滤波器抑制状态维修的高噪音和波动特性。本·阿里et al。20.)提出了一种基于组合特征提取方法的滑动平均和威布尔分布,以避免功能波动对准确轴承剩余使用寿命的预测。虽然平滑方法很容易实现,他们可能会失去一些有用的信息。更普遍的是,构造新的索引使用一些进一步的处理方法对原始特征。例如,邱et al。21)开发一个健壮的退化指标基于自组织映射神经网络评价轴承退化性能。天使等。22]开发了两个新的标量指标结合六个传统特性来评估轴承退化的严重性。Zhang et al。23)使用连续隐马尔科夫模型结合各种特性构建一个有效的滚动轴承退化指标剩余寿命预测。习等。24)建立了一个虚拟的健康指数基于变换公式量化工程系统的健康恶化,进一步进行健康状态预测的过程。廖(25)发现预后特征来表示故障发展利用遗传规划,作为适应度函数单调性的。太阳et al。26)提出了一种非概率指标评估的操作可靠性发动机利用余弦函数映射内核主要角度提取条件信息相似性指数。

上述特征提取方法过程只有一个信号片段和忽略整个信号的关系。提取的特征很容易受到其他因素如噪音和显示一些当地的波动,所以他们不清楚地描述机械退化的状态。轴承退化是一个累积的过程,因此我们可以考虑从累积的角度来看整个降解过程。通过不断积累数据,提取每一个特性是能够利用所有之前的数据,从而实现挖掘整体数据的目的,减少波动的影响和趋势提取功能,更可靠的趋势特征。

考虑这些问题,本研究提出了一种新的预测方法基于累积变换技术和特征融合的方法对轴承退化趋势预测。考虑数据的整体关系和获取功能单调趋势好的特点,小说累积变换算法。然而,每个累积特性只包含部分轴承状态的信息。更全面反映了退化过程中,一个有效的和受欢迎的KPCA特征融合方法用于融合多维累积特性和开发一个退化指数。此外,重建退化指数由相空间重建(PSR)更好的把握其本质和输入一个极端学习机(ELM)轴承退化趋势预测。验证了该方法的有效性与滚动轴承的全寿命试验。

本研究的主要优点如下:小说累积变换算法来提取特征与更好的趋势特征;一个集成的累积变换和特征融合方法研究了轴承退化预测;构建预测模型基于PSR和榆树执行预后的任务。本文的其余部分组织如下:介绍了累积变换的理论背景部分2。然后该方法中描述的部分3。节4轴承实验测试证明了该方法的有效性。最后,本研究的结论是在部分5。

2。理论框架

2.1。累积损伤理论

一般来说,许多单位或系统的退化,如部分或机械、是一个损伤积累的过程在不同的运行环境下,随着时间的流逝。探索之间的关系退化过程和累积损伤和找到一个有效的方式反映了退化过程中,一些方法已经从积累的角度调查。这些方法大致可以分为两类:基于模型和数据驱动的。

基于模型的方法假设退化过程可以通过一系列数学方程表达了关于累积系统损伤和时间,和建立的模型是研究失效机理和降解路径。例如,在[27,28),构造不同的累积损伤模型来描述系统退化过程通过考虑不同的降解路径和分布,以及预防性维护政策获得尽量减少维护成本。在[29日),称为累积发病率函数非参数模型和逻辑分析是综合解决问题multi-failure-mode预后。累积发病率函数计算的曲线反映了运行时间的退化状态监测轴承的使用寿命数据不同的失效模式。基于模型的累积损伤方法可以很好地描述退化过程使用一个精确的模型,虽然一个精确模型难以建立在大多数情况下,和模型的适用性有限不同的系统。

与基于模型的累积方法相比,更容易实现数据驱动的方法通过将状态监测数据转换为一个适当的累积形式来推断系统状态,估计剩下的有用的生活。在[30.),累积能量函数和数学形态学梯度在时间和频率域计算局部放电波形的特征参数来检测缺陷和评估高压设备的绝缘状况。在[31日),平滑积累轴承剩余使用寿命的评估方法,提出了加速度的值,而不是直接测量振动值被用来估计轴承退化。在[4),累计方法应用于描述退化过程从一个数据驱动的角度来看,一生的状态监测数据用于获得累积描述符以反映轴承退化过程。

总之,一个系统退化过程通常被看作一个连续的损伤累积过程。因此,我们可以揭示退化过程的本质从积累的角度通过构建累积损伤模型或提取累积特性。

2.2。累积变换算法

对于大多数机械部件,如轴承、齿轮、转子,退化是一个持续的损伤积累的过程没有这些部件时自动恢复超过使用寿命,所以适当的降解特性应具有良好的趋势特征,如单调性、trendability和鲁棒性。单调递增或递减单调性特征的潜在趋势的特性,它是一个重要的降解特性的特征。Trendability与形式特征及其相关性随着时间的推移,这反映出特征序列变化随着时间的推移和具有一定的普遍性。鲁棒性是用来测量序列的波动特征。然而,从原始振动数据中提取的特性通常不显示良好的趋势特征。因此,新提出了简洁而有效的策略单调和trendable特性。

介绍了一种新的累积变换算法通过将一个提取特征转换为对应的累积。累积变换的示意图如图1。主要累积函数被定义为一个给定的积累时间序列,不同的点态运行的平方和和缩放操作同时应用于实现转换的任务如下: 在哪里表示正常价值,它被定义为相应的平均一段固定的趋势特征在正常情况下,代表的总特征观察。应该注意的是,一个特征的总合对噪声十分敏感。得到一个更好的单调性和trendability累积特性,应该应用先验平滑,在积累。

定量评估的适用性提取功能,这一趋势特征,如单调性、trendability,和鲁棒性,进一步调查。单调性是由之间的绝对差异的积极和消极的每个功能的衍生品。可以看出,单调性的价值范围从0到1。单调性越高,更大的健身功能。trendability的范围从0到1,和趋势指数越大,越高的线性相关程度与时间序列的特性。鲁棒性的范围也从0到1;波动特性,鲁棒性越小,当趋势预测的不确定性就越大。

单调性的标准,trendability和鲁棒性,分别定义如下:32]: 在哪里是原始的特性曲线,是功能的观察,是微分算子的微分的原始特性,时间是指数,然后呢平滑处理后的特性曲线 。

单一评价指标只衡量退化特性从某个方面的适用性。为了评估功能更全面,提出实现线性加权综合指标评价指标的有效融合。加权融合的具体形式如下: 在哪里是一个综合评价指标,是序列的特性,然后呢是重量。通常是由经验知识。它可以看到从推导是正相关的三个评价指标,那么大呢,有效的降解过程的描述,和更有利的退化趋势的预测。

3所示。该方法

3.1。该方法的框架

本研究的目的是开发一个退化指数有更好的趋势,实现更简单和更准确的预测。完整的轴承退化趋势预测过程如图2。首先,一些典型特征在时间和时频域提取基于原始振动数据。第二,累积变换获得累积特性提出了更好的趋势特点从原始特征。后,特征融合KPCA (33)是用于获取一个退化的趋势指数来反映降解过程。接下来,采用互信息方法来选择时间延迟和曹的过程是用来确定嵌入维度。与此同时,重建退化指数是由PSR (34]。最后,重建退化指标输入到榆树轴承退化趋势预测。

定量评估方法,研究了三个标准,包括平均绝对百分比误差(日军)和均方根误差(RMSE)。数学表达式如下: 在哪里的数据和数量吗和分别代表的真实值和预测值。

3.2。累积特征提取和融合

机械的失败代表了过程初期的反常现象的恶化。许多类型的信号是用来反映异常现象。振动信号通过传感器获得最广泛的用于状态监测,尽管他们通常包含冗余的维度,和一定的轴承所产生的振动信号常被噪音或其他组件的振动;因此,它是很少直接使用。

为了解决这个问题,从时域中提取有用的特性,频域和时频域故障诊断和预测。在这项研究中,12个时域特性和四频域特征提取,如表所示1。在表1,是原始时域信号组(看到部分4.1),采样点的吗 , 和代表的平均值和标准偏差分别的频谱是吗 , 谱线的数量吗 ,和代表的平均值 。

然而,时域和频域分析不能同时处理信号在时间和频率域;此外,一些有用的信息可以被丢弃。为了解决这个问题,通过时频域分析得到的更多信息。最常用的时频分析方法是STFT, WT, EMD。其中,STFT的困难是如何选择合适的窗函数,和EMD的主要弱点是它的高灵敏度噪声和混合模式。此外,据报道,WT有更好的适用性在处理从旋转机械振动数据,如轴承(35]。在这项研究中,一个特定的小波“db4”Daubechies家族在三个层次小波应用于提取八特性的小波包能量 。

假设的能量吗的频带th层,它被定义为(36] 在哪里小波系数的吗分解信号的离散点和的数量是 ,的贡献th乐队的th层小波系数的能量被定义为信号

原始特征提取后,每个特性映射到其各自的累积的形式通过累积变换算法,和共有24累积特性。每个累积特性包含轴承状态的部分信息,从不同方面反映了轴承退化过程。全面描述退化过程,KPCA用于融合所有累积特性和获得一个退化指数。

3.3。PSR和榆树

数据驱动的预后的方法,用于构建预测模型的方法,例如,ARIMA、人工神经网络(ANN)和支持向量机(SVM)。在这些方法中,榆树是一个新的、简单、有效的单隐层前馈神经网络(SLFN)学习算法,由黄等人首次提出用于分类和回归(37]。榆树的结构参数是随机选择的,迭代不是必需的。与基于其他梯度机器学习算法相比,榆树具有计算效率高、容易实现和良好的泛化性能。由于这些优势,榆树是用来建立一个模型来执行在这个研究预测任务。

此外,时间序列预测认为,未来值取决于某些过去的值。轴承退化指数是一个一维时间序列,并面临的挑战是如何训练榆树模型。PSR能够一维时间序列扩展到高维相空间的一个等价的空间与原拓扑动力系统,它可以有效地掌握时间序列的性质。因此,它被用来处理模型的导入问题。一维的时间延迟和嵌入维退化指数是由互信息方法和曹的方法,分别。重建退化指数由PSR然后用作导入到榆树模型。

4所示。实验和结果

4.1。实验装置

评估该方法的有效性,振动信号来自中心智能维护系统(IMS),辛辛那提大学(38使用)。设计实验平台如图3实验是在恒定负载和速度条件下进行。四个Rexnord咱- 2115双轴承竖立在轴的试验装置。转速维持在2000 rpm。轴和轴承承受径向载荷的6000磅通过弹簧装置,和所有的轴承都强制润滑。加速度传感器安装在轴承箱上。新轴承测试条件下全生命周期的测试。所有故障发生后超过设计寿命的轴承1亿多名革命。发现10000分钟前轴承故障的数据可以反映整个轴承的失效过程,所以这一时期的数据进行了分析。每个数据集本研究中使用的轴承1秒的振动信号每隔10分钟快照记录,由20480分20 kHz的采样率。

4.2。数据处理

12个时域特性,四频域特性,和八个时频域特性从振动信号中提取部分中描述3.2。最初的功能如图4- - - - - -7。从数据4- - - - - -7,我们可以看到一些提取的原始特性(例如,广场的意思是根、均方根、偏态,标准差的频率,和WPE2),它可以在一定程度上反映了轴承退化过程。相比之下,其他一些功能不能适当地反映轴承退化的趋势。例如,频率峰态和WPE1几乎是常数;波峰因素,间隙因素等含有大量的噪声信息,没有trendability。此外,进化的原始特性曲线总是显示一些波动和低趋势特征由于背景噪声或一些更强大的信号(例如,齿轮和酒吧),不能有效地跟踪退化趋势,甚至导致问题预后的任务。

为了定量描述这一趋势特征的原始特性,提出了综合评价指标特性评估。表2显示八个最优特性的评价结果,表明评价结果和波形可以显示良好的协议。甚至是发现,八个最优原始特征的综合指数相对较小。

获取功能,有更好的趋势特征,可以更好地反映轴承退化过程,最初的功能是转化为构建各自的累积特性。八个最优特征及其对应的累积特征数据所示8和9。与原来的特性相比,所有累积特性显示光滑,单调递增趋势,可以更清楚地反映了轴承退化过程。

累积特性的评价结果如表所示3。相比之下,表2可以看出,单调性,trendability和鲁棒性的八个特性明显改善的累积变换。每个累积的单调性特征是增加到1。虽然trendability有些差异,但他们已经大大提高。鲁棒性的差异很小,它仍然是在一个较高的水平。

为了验证累积变换具有较强的通用性,24滚动轴承的原始特性转换获得相应的累积特性,和原始和累积特性由瀑布规范化并显示。特征波形数据所示10和11。

之间的趋势可以看出,原始特性是不同的,每个特性的特征也表现出更多的暴力波动,而累积特性表现出类似的单调递增趋势,以及累积的波形特性非常光滑。

不同的累积特性可以从不同方面反映了轴承退化过程;整个轴承退化过程不能全面描述只有一个累积特性。因此,这些累积特性融合构建融合退化指数KPCA方法,选择和第一主成分的降解指数。从图可以看出12降解指数单调递增,和不同的生活状态清楚地描述轴承的整个生命。因此,该指数由KPCA可以更有效地反映了退化和全面。

从图可以看出12前,轴承在正常操作前7000分钟,之后轴承突然改变的状况和曲线急剧上升,这表明有一些错误发生在轴承。

在退化的趋势预测,一个输入不当可能会导致糟糕的预测结果,因此关键问题是如何有效导入一维退化指数模型。PSR可以有效地延长一维等效对应高维时间信号,可用于处理模型的导入问题。在目前的研究中,时间延迟通过互信息方法是设置为2。然后,嵌入维度通过曹方法设置为8(如图13)。基于所选择的最佳延迟时间和嵌入维数,榆树模型用来预测轴承退化趋势。

4.3。结果与讨论

一个非线性函数,也就是说,一个s形的函数,是选为激活函数在榆树轴承退化趋势预测,和隐藏节点的数量设置为10。正如上面提到的,轴承在正常状态前7000分钟,所以点从701年到900年是用来训练榆树模型和用于测试以下30分。

实际值和原始和累积熔融指数的预测结果如图所示14。可以看出,累积熔融指数的预测结果与实际的降解曲线是一致的。

目前的方法与其他方法相比,验证轴承退化趋势预测的优势。峰度、RMS和WPE2原始和累积的形式,分别用作饲料退化指数榆树的输入模型,确定榆树的导入参数与互信息法和曹法模型。为了进行说明,数据15- - - - - -17显示不同的预测结果。

从数据15- - - - - -17可以看出,由于波动和坏的趋势,退化进程显然不能反映由原功能;此外,预测困难也在增加,导致糟糕的预后模型的性能。与原功能相比,累积特性实现更好的预测结果比相应的原始特性。总的来说,预测结果具有相同的趋势,因为实际的累积特性,预测结果之间只有细微的差别和实际累积特性。

定量评价不同方法的性能,不同退化的日军和RMSE值索引表进行了总结4。我们注意累积特性可以实现较高的精度比原来的功能。

原因是累积特性计算基于整个轴承寿命数据,与传统的特性,这是基于一个数据;因此,累积转换部分可以忽略数据波动和提取重要单调趋势信息。此外,KPCA可以有效地融合不同的特性,描述了信号特征从不同的方面和获得更多有用的信息。因此,提出退化指标可以有效地反映轴承退化趋势,对预后的任务。

5。结论

在这项研究中,一种新的滚动轴承退化预测提出了基于累积转换和KPCA方法。更具体地说,累积转换和KPCA集成获得降解指数来反映轴承退化过程。构建预测模型基于榆树和PSR执行预测任务。可以得出以下结论:

(1)时域的特征,频域、时频域提取,和累积变换提出了实现功能单调性高和trendability从原来的特性,可以对预后的任务。

(2)构造新的退化指标体系,将多维融合累积特性通过KPCA和反映了轴承退化过程。

(3)提出了一种预测模型基于PSR和榆树实现轴承退化趋势预测。轴承的全寿命试验表明,提出的方法反映了轴承退化过程清晰,达到一个好的平衡模型准确性和复杂性。

的利益冲突

作者宣称没有利益冲突。

确认

作者承认提供的金融支持中国国家自然科学基金(51674277和51674277号)和国家重点研发项目中国没有。2017 yfc0805803)。