文摘
可再生能源车辆减速机现在正在开发实现高速、高扭矩、高集成度和智能化的趋势。它的性能决定了车辆的运行状态和可靠性。因此,有必要进行在线状态评估和剩余使用寿命预测的可再生能源汽车还原剂。在这些方法中,趋势指数建设是最关键的步骤之一。因此,一种自适应趋势index-driven剩余使用寿命预测方法进行状态评估和预测提出了可再生能源的车辆还原剂。首先,构造一个自适应的趋势指数,傅里叶振幅谱的差异计算初始状态和当前状态的健康趋势指数。其次,减速器的性能退化模型建立。为了进行剩余使用寿命预测,粒子滤波用于更新减速器的性能退化模型的参数自适应构造趋势指数。为了验证该方法的有效性,加速寿命试验是进行three-motor试验台实现还原剂的生命周期数据。所获得的数据,验证了该方法与常用的ARIMA模型。 The test results show that the proposed method achieves better results than the traditional methods. It means that the proposed method is a potential one for the real-time monitoring of the health state of renewable energy vehicle reducers.
1。介绍
可再生能源汽车正在开发,目的是促进他们的智力,高性能,缩短开发周期。符合这一发展趋势,还原剂,作为汽车传动系统的一个关键元素,也正在逐步发展到拥有一个更高的速度、转矩和集成。减速机的状态决定的权力,舒适,和车辆的可靠性。因此有必要进行一些生命周期测试减速机在其发展阶段。然而,这样的测试是昂贵和费时的,失败和还原剂的时间是不确定的。因此,为了及时的做出管理决策对汽车的健康,应该首先进行在线状态评估方法来确定可再生能源汽车的异径接头的疲劳寿命和剩余使用寿命预测(原则)(1- - - - - -3]。
荷重软化预测由定量评估现有服务组件的剩余寿命。车辆减速器的荷重软化主要是使用数据驱动的方法和物理模型方法预测(4- - - - - -6]。物理模型的准确预测,需要指定reducer-related体系和理论知识。数据驱动的模型主要是根据信号处理剩余使用寿命预测,统计,人工智能理论和方法,而不是依赖于工程实践的原则。因此数据驱动的原则预测方法已经成为核心设备之一,预测和维护。
目前,浅神经网络(7),支持向量机(8),深度学习9,10),和其他算法已经申请reducer-related数据驱动的原则预测。锅等。11)提出了一种基于完整的集成的性能退化评估方法经验模态分解与自适应噪声和内核主成分分析。在该方法中,一个极端的学习机器用于降噪和保险丝齿轮箱的振动信号与预测原则。陈等人。12)提出了一种基于相对寿命预测方法的特性和多元素支持向量机。多元素支持向量机考虑所有变量之间的相互作用,可以获取信息从小型样品。根据测试,该方法已经被证实能准确预测轴承的剩余使用寿命。王等人。13]原则提出了循环卷积神经网络方法。在拟议的方法,监测数据直接输入经常性原则卷积神经网络进行预测的机器。郭et al。14)建立了一个递归神经网络的健康指示器轴承的原则施工方法进行预测。在拟议的方法,许多生命周期轴承数据被用来训练和测试该模型。上述智能原则基于模型的预测方法通常需要大量的生命周期数据模型训练,但往往很难实现在工业应用大量的生命周期数据。特别是可再生能源车辆减速机领域我们还在初始阶段获取的监测数据。由于数据的缺乏,很难满足要求,预测可再生能源汽车的荷重软化还原剂使用上述智能模型。
另一个最近被许多学者提出的基于随机滤波理论。此外,随机退化模型通常是建立预测原则和保证还原剂的可靠性15- - - - - -17]。腾et al。18)提取齿轮箱的振动信号特征的完整的数据和预测使用隐马尔可夫模型的原则。李等人。19)考虑半马尔科夫决策过程中的竞争风险模型框架做出维修决策齿轮的早期故障检测系统。在造型过程中,内部状态的机器上的参数估计的基础上,监测值需要考虑噪声的影响。准确地估计剩余生命的机器,粒子滤波和可以使用的状态空间方程。太阳et al。20.)进行状态空间建模为其余生活变速箱的退化模型,提出了基于粒子滤波的寿命预测方法。程等。21]提出了一种改进的粒子滤波方法,设计了一种自适应神经网络模糊推理系统来预测轴承的荷重软化的风力发电机齿轮箱故障指数从监测数据中提取。
原则的最关键的一步预测方法基于随机滤波理论是适当的建设趋势指标(22- - - - - -24]。目前,大多数的趋势指标主要是构建基于人工特征提取方法。李等人。25)提出了一个趋势指数与Kullback-Leibler距离下的施工方法α稳定分布。验证了该方法的有效性通过轴承测试数据。邱et al。26]提出一种趋势指数从频谱结构信息施工方法和用它来验证滚动轴承的寿命预测。金等。27)提取的均方根误差趋势指数来表示轴承的状态的健康和荷重软化预测提供支持。Duong et al。28)离散小波包变换提取轴承振动信号的特点,然后平滑最特征的特性构造趋势指数。上述趋势指数施工方法是基于手工特征提取方法,并用于提取监测信号的绝对值的变化,这是极大地受到操作条件的影响。为了消除这些因素的影响,相对变化特性是必要的。
提出了一种自适应趋势index-driven寿命预测方法的可再生能源汽车还原剂。该方法主要包括三个步骤:数据采集,趋势指数构建和荷重软化的预测。在数据采集阶段,在生命周期过程中还原剂的振动信号是通过加速度传感器和数据预处理。趋势指数施工阶段,提出了一种自更新方法计算在还原剂的监测数据变化趋势不同的性能,相对于初始状态。原则在预测阶段,参数更新的性能退化模型是基于粒子滤波。可再生能源的加速寿命试验是进行车辆还原剂的套管通过综合性能降低three-motor试验台获得还原剂的生命周期数据。数据然后应用来验证该方法的有效性。
的主要贡献主要是总结如下。(1)提出了一种新的自适应趋势指数施工方法。傅里叶振幅谱的相对差异之间的初始状态和当前状态计算作为一种新的趋势指数目前的健康状况。(2)单指数模型建立原则进行预测可再生能源的车辆还原剂。通过粒子滤波更新模型参数与构造趋势指数。(3)可再生能源的加速寿命试验车辆还原剂进行获取完整的数据。这些数据是重要的,验证了该方法的有效性。
2。该方法
减速器的寿命预测主要是实现三个步骤:数据采集和预处理,趋势指数构建和荷重软化的预测。在数据采集和预处理阶段,减速机的监控数据通过抽样。趋势指数施工阶段,使用的频谱监测数据在初始阶段参考,之间的差异的频率振幅计算频谱监测数据和参考。在原则预测阶段,性能下降曲线参数都配有荷重软化趋势指数的预测。这个过程如图1。
2.1。数据采集和预处理
可再生能源的车辆减速机安装在测试床。测试床操作指定的工作条件进行测试。减速器的振动传感器的监测数据是通过高频采样的软件。准确区分不同的工作条件并寻找隐含的特征信息,进行分类和收集的数据。消除转速的影响在断层的频域特性,除了振动信号、转速信号也收集在抽样过程中取样。
进行傅里叶变换是对收集到的时域数据为了获得频域数据。收集到的频域数据可以直接根据采样装置的功能和作为后续健康趋势指数的基本输入数据建设。
2.2。趋势指数建设
提出了一种自更新趋势指数施工方法计算减速器的监测数据的变化趋势在不同性能状态,相对于初始状态。该方法包括三个步骤,包括参考学习,抵消公差计算,趋势指数建设。
在标准学习的阶段,收集的平均频谱信号n次计算。然后,频谱分析的平均值作为参考价值如下: 在哪里信号的频谱是收集的我th时间,是一个参考价值,n是在学习阶段的训练集的数量。
在抵消公差计算阶段,收集到的信号的频谱计算连续五次。这后,抵消公差之间的频谱信号收集每个时间和引用频谱进行了分析。具体步骤如下: 在哪里N样本数据集的数量,趋势指数价值在当前时刻,然后呢 各自的抵消公差从第一Kth谱线。
最后,在施工阶段趋势指数,指数的趋势在每一刻拼接成减速机的构造指数趋势如下: 在哪里K的长度是“透明国际”序列, 。
总之,施工方法是建立一个autocorrelated趋势指标。当前状态的趋势指数与其初始状态相比,它可以用来描述开发过程的减速器的性能状态。平均值的特性在初始频率域信号作为参考数据,计算平均值一次一次五个数据集收集了。这样做是为了找出偏差的两个变异谱生成。接下来,点是由增加的趋势指数变异谱,而趋势指数曲线变化的时间轴是由光谱变化,即减速器的趋势指数(TI)。请参考具体流程如下(算法1):
|
2.3。荷重软化预测
根据构造趋势指数,一个好的趋势指标的时域特性可以观察到。为了进行实时评估健康状态的还原剂和荷重软化预测,粒子滤波算法和数学模型,描述了系统退化过程和构造趋势指数是用来进行与还原剂的荷重软化预测数学模型。
贝叶斯理论可以解决这种类型的状态估计问题,以及进行递归估计设备的未来状态的价值通过流程监控数据(通常是连续的观测值)作为先验信息。序贯蒙特卡罗方法,也称为粒子滤波算法,用于在非线性、非高斯系统的状态估计的条件。一般来说,系统的动态变化可以由状态转移方程表示(4)和观测方程(5)。 在哪里xk是系统状态,zk系统的观察值,fk是状态转移函数,hk是观察函数,过程噪声和nk观测噪声。
系统状态的概率分布xk在当前时刻是由现有的观测数据推断出来的。这个过程包括两个步骤:预测和更新。粒子滤波是一个nonparameter实现贝叶斯过滤器,通常是用来估计动态系统的状态。粒子滤波的有效性的关键在于其使用的一组假设(即粒子)来表示后验概率,与每个假设站为可能的系统状态。假设是由一组状态年代与N加权随机样本: 在哪里年代(我]的状态向量我th样品和ω(我]的重量吗我th样本。重量不是0,权重的总和是1。后的样本集代表了分布,即系统的状态的后验概率密度: 在哪里δ年代(我]狄拉克函数的状态年代(我]的我th样品和ω我规范化的重量吗kth粒子。更新过程可以简化为如下方程:
样本集年代可以用来近似任何分布,而这些样本取自这近似分布指定这样的近似。
通过趋势指数实验数据的分析,采用单指数模型的退化模型。这导致一个很好的拟合结果,观测方程如下: 在哪里一个和b模型参数,k是时间点,nk噪音是一个过程。
建立齿轮箱的退化模型后,减速器的荷重软化的预测可能是由结合构造趋势指数,以及通过计算粒子滤波算法。操作过程如下:(1)确定和参数的初始值b通过数据拟合(2)把一些数据的初始培训和部门预测区间(3)使用粒子滤波方法赋值的粒子点预测区间(4)构造一个新的趋势指数与粒子点(5)减速器的原则进行预测新趋势指数的价值
减速器的原则tk是计算 在哪里变量的下限和吗的时间吗th时间指向减速器的失败。具体计算过程如下(算法2)。
|
3所示。实验和结果
3.1。实验平台
three-motor测试床将建测试研究为了获得最初的实际退化数据对应的减速器poststage数据处理、建模和寿命预测。
这个测试平台可用于测试性能,疲劳寿命,和其他物品的可再生能源汽车的驱动系统(电动动力总成,混合动力总成、变速箱总成,等等)。测试平台的草图和物理地图如图2和3,分别。测试平台的主要结构包括三个马达。其中,一个是主传动电机用于驱动测试工作,和其他两个负载电机用于模拟负载的功能。驱动和负载电机可以转换为了实现正向和反向驱动仿真测试条件。这三个电机作为电动机和发电机,而整个平台的电气控制系统采用交流基于直流总线的能量回收系统关闭。以满足不同温度条件下的测试要求,测试平台配备温度控制设备,如低温冷却设备和房间的环境。此外,振动信号采集的详细参数如表所示1。
3.2。实验
两级减速机从一个典型的可再生能源汽车采用加速寿命试验的试样。最高速度达到12000 r / min。请参考表2主要参数的测试。它是安装在测试平台上根据车辆的安装方法,与一定种类和数量的添加润滑剂的需求。振动传感器安装在套管附近的高速轴,如图4。
试样经历了磨合和疲劳寿命测试根据“QC / T 1022 - 2015技术规范的减速箱电池电动轿车”——标准在中国的汽车行业使用。具体来说,汽车跑了总共43小时,高扭矩向前驾驶条件包括33小时,4小时高扭矩反向行驶条件,其次是另一个6小时的高速向前驾驶条件。这同样是分为十个测试周期。除了在无法控制的破坏的实例,测试不停止,直到所有周期已经完成。两个测试块完成生命周期测试。其中,一个完成了测试通常没有严重的失败,但轴承严重磨损;完成了测试正常,没有严重的失败,但轴承严重磨损和齿轮点蚀也严重。
一个数据集生成后12288块数据的收集每12。图5显示数据的时域曲线从测试块1和2在不同的工作条件。
3.3。趋势指数建设
对采集到的信号进行时频变换。该方法分为两个部分,无缝集成:学习阶段和监控阶段。从图6,我们观察以下几点:(一)参考光谱从平均值获得试样的前十条数据;(b)的平均值每相邻的五个时间点的频谱;(c)频谱之间的津贴(b)和参考光谱(a),其中变异谱可形成无论是否偏差是正的;和(d)的绝对值变化谱(c),这种趋势指数加起来就可以形成一个点的光谱变化。
(一)
(b)
(c)
(d)
从上述几种光谱变化的步骤,而趋势指数曲线获得的样本1和2是根据时间变化。基于获得两组趋势指数窗函数是用于数据过滤。结果如图所示7,可以看到明显的单调和趋势。构造趋势指数略有增长,然后急剧增加,这符合变速箱退化的规则。它可以用来计算减速器的监测数据的变化趋势的不同性能状态相对于初始状态。性能趋势预测寿命预测的基础,及其准确性和可预见性原则后续预测的精度密切相关。
3.4。荷重软化预测
确定故障过程的拟合函数,功能分析是进行趋势指数获得的数据处理。使用粒子滤波算法的前提条件符合指定的目标的退化过程的数学表达式。为了实现这个目标,样本数据的拟合函数的形式的退化过程需要确定。单指数和双指数模型是最广泛应用于粒子滤波。在实验数据的拟合和分析,最终选定的单指数模型拟合函数的退化过程,和趋势指数的拟合函数退化改写如下:
根据确定的拟合函数,粒子滤波的新样本进一步划分。由于样本集将极大地影响最终的预测结果,整体数据分布可以在理想的条件下进行。如果总体分布的数据被认为是先验分布,拟合结果可以用来获得相对理想的实验结果。如果above-determined两组参数直接使用,粒子滤波结果如图8。初始参数如表所示3。
根据图8,可以清楚地看到,预测结果与实际数据基本上是一致的。实际数据在95%置信区间的预测结果,偏差是轻微的故障阈值的时刻。
在寿命预测数据不足的情况下,只能在现有数据的基础上进行的。因此,有必要reconduct数据集和函数的拟合曲线。最常见的建模方法是提取部分实际数据集作为训练集,后续寿命预测两个初始数据样本被定义为664年和667年,和十个样本被添加在每个培训。结果如图所示9。
荷重软化预测期间,中值粒度分布在每个时间点作为预测的值在当前时刻,而变速箱的原则在当前时刻根据前面所述的计算方法。根据前面的拟合结果和实际数据,两个样品的失效阈值设置为1。预测结果表明,开始的两个样本的预测结果大于实际价值,这之间发生大偏离预测原则和实际原则。然而,随着时间的推移,逐渐增加观测数据,预测结果更接近实际的原则。粒子滤波增加样品,其优势体现。
为了进一步验证该方法的有效性,常用的应用ARIMA模型进行比较。
ACF反映了相同的值序列之间的相关性在不同的时间序列。
PACF的相关性x(t−k)的影响x(t的干扰消除后)k−1随机变量,包括x(t−1),x(t−2),……,x(t−k+ 1)。
的公式定义p-order自回归过程如下: 在哪里当前值,是一个常数,是订单,自相关系数,是错误的。
处理后获得了平稳时间序列,其ACF和PACF制定为了确定ARIMA模型的参数,p= 1d= 1,问= 1,和年代= 12。
应用差分法对模型的预测。根据图10基于示例1中第一个600块数据,预测结果是大大不同的实际数据。此外,在分布预测中值点的趋势没有交叉点故障阈值。因此,该方法不能合理预测的变化趋势指数和显然是不如在本文提出的方法。因此,第一个1000组数据样本1和第一选择900组样本数据的预测。获得的结果数据所示11和12,分别。他们表明,预测结果的95%置信区间太广泛了。此外,错误被认为是伟大的。
4所示。结论
评估和预测的性能状态可再生能源车辆实时还原剂,本文提出了一种数据驱动的方法来预测可再生能源车辆减速器的使用寿命。加速寿命试验是进行three-motor测试床,和生命周期数据从两个可再生能源获得车辆变速箱来验证该算法。实验结果表明,(1)该方法构造一个合适的趋势指数就是能代表当前降解条件和预测未来可再生能源车辆减速器的退化趋势。(2)相对传统的ARIMA模型,particle-based寿命预测方法得到更好的预测结果更收敛分布。在未来的研究中,更多的生命周期测试将进行可再生能源汽车变速箱,和将进行更多的实验验证。
数据可用性
繁殖所需的数据处理这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的基础研究基金为浙江省政府市场监管(20190316)和中国国家重点研发项目(2018 y FB2000502-2)。