一种回转支承使用寿命的预测方法与流程

本发明涉及一种回转支承使用寿命的预测方法，是一种基于智能算法的寿命预测方法。

背景技术：

回转支承是最近几十年发展起来，实现相对回转运动的新型机械部件，由内外圈和滚动体构成，一般需要同时承受轴向力、径向力、倾覆力矩。回转支承的直径通常大于400mm，回转速度运转速度较低，通常在0.1-50r/min，广泛应用于建筑运输设备、风力发电机以及其他机械工程领域，通常安装在大型设备的关键部位。由于回转支承尺寸一般比较大，价格比较昂贵，且储存不便，通常不存备件；载荷作用形式多样、运行环境恶劣，维修难度大，需将几十吨甚至几百吨的东西提升一定高度后才能维修而加大，费用高、停机时间长，因此对回转支承性能衰退评价和寿命预测方法的研究具有重要意义。

轴承类部件寿命预测方法主要有基于力学、基于概率统计、基于信息新技术等。传统的基于力学和概率统计的轴承类寿命预测方法已有很多研究及应用。但是集成度和复杂度日益增加的设备的数学模型或失效机理模型难以准确给出，因此基于力学模型的剩余寿命预测方法受到一定限制。虽然基于概率统计剩余寿命预测方法的预测结果更能反映寿命预测的一般规律，但是需要大量试验和数据的积累，然而大型回转支承工况环境复杂、低速重载，样本数量少，基于概率统计剩余寿命预测方法依旧不适用。基于人工智能的寿命预测方法还不完善，是目前寿命预测领域的研究热点。

由于回转支承的工作环境复杂，性能衰退特征具有一定的非线性、非平稳性，单一性能参数不能全面有效地评价回转支承性能衰退的全过程。因此本专利选取回转支承的温度、扭矩和振动信号时域内的特征值建立其衰退性能指标。由于大型回转支承样本数量少，为实现较高的预测精度，本专利选取针对小样本寿命预测的支持向量回归的智能算法。近年来，SVR也较多的应用于机械设备状态监测和剩余预测问题，很多研究人员采用SVR算法预测轴承的剩余寿命，取得了较好的预测效果。在寿命预测之前本专利先采用SOM算法对回转支承的寿命状态进行分类，在实际的运用过程中，根据数据所属的类别选择对应的预测模型，这样可以缩短预测时间，同时提高预测精度，另外随着数据信息的不断更新，预测模型也具有一定的应变能力。因此，本专利提出了基于SOM-MSVR的回转支承寿命预测方法。

技术实现要素：

为解决上述问题本发明提供了一种基于智能算法的回转支承寿命预测方法。目的是实现回转支承性能衰退特征的建立以及寿命周期的分布，从而对回转支承每个状态进行有针对性的寿命预测，不但可以提高预测精度，还可以在实际使用过程中不断完善预测模型。

本发明为解决以上技术问题，所采用的技术方案是：

一种基于智能算法的回转支承寿命预测方法，包括如下步骤：

步骤一：

提取回转支承的温度、扭矩和振动原始信号，按以下公式计算提取每个信号时域内有量纲和无量纲特征值：

X_max＝max{|x_n|}(n＝1,2,...,N)

式中：X_max为数列{x_n}的最大值；x_n为原始信号第n点的值，n＝1,2,…,N，N为数据采集点的个数。

X_(p-p)＝max(x_n)-min(x_n)

式中：X_(p-p)为数列{x_n}的峰峰值。

式中：为数列{x_n}的方差；为为数列{x_n}的均值。

式中：X_rms为数列{x_n}的均方根值。

式中：X_r为数列{x_n}的方根幅值。

式中：为数列{x_n}的绝对平均幅值。

式中：β为数列{x_n}的峭度。

式中：S_f为数列{x_n}的波形指标。

式中：K_v为数列{x_n}的峭度指标。

式中：I_f为数列{x_n}的脉冲指标。

式中：CL_f为数列{x_n}的裕度指标。

步骤二：

对每个特征值按下式做相关度计算分析，选取每个原始信号的敏感特征值。

式中r表示相关系数，设置相关系数阈值为0.85，当相关系数大于0.85的特征值作为敏感特征值并被保留，否则剔除。

步骤三：

将每个信号选取的敏感特征值做PCA降维处理，分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标。

以温度信号为例，具体计算步骤如下所示：

对温度信号时域内的敏感特征值提取后组成N×9数据矩阵如下式所示：

式中，T为温度信号的特征值矩阵；t_nj指第n个时刻的第j个特征值，j＝1,2,...,9，n＝1,2,...,N,N为数据采样点的个数。

根据主成分分析原理，通过变换将9个敏感特征值变量组成新的综合变量，用矩阵表示为：

式中：Y_t1,Y_t2,...,Y_tp为构造的新变量(p≤9)，且互不相关方差依次减小，依此为第一主成分、第二主成分...第p个主成分；T*为数据矩阵T进行标准归一化处理得到；α_pj是主成分系数，α_p1+α_p2+,...,+α_p9＝1,系数α_pj是矩阵T*协方差阵E的特征值λ_p所对应的特征向量α_p。

选取第一主分量代替原始信号，通过融合温度信号时域内特征值得到可反映原始信息的综合指标，称为温度PCA衰退指标，则第n个点的温度PCA衰退指标为：

式中：α_1j是温度信号系数矩阵，j＝1,2,...9。

同理，确定第n点的扭矩PCA衰退指标为(2-11)所示：

Y_q(n)＝(T_q1^*(n),T_q2^*(n),…,T_q6^*(n))·β_1b^T

式中：T_q*为T_q标准归一化得到的矩阵，T_q为扭矩信号的特征值矩阵；β_1b是扭矩信号系数矩阵，b＝1,2,...6。

确定第n点的振动PCA衰退指标为：

Y_a(n)＝(A₁^*(n),A₂^*(n),…,A₆^*(n))·γ_1c^T

式中：A_c*为A_c标准归一化得到的矩阵，A_c(n)为振动信号的特征值矩阵；γ_1c是振动信号系数矩阵，c＝1,2,...,6。

步骤四：

温度、扭矩、振动PCA性能衰退指标通过SOM聚类寻求回转支承的寿命周期分布状态，完成输入样本类别的划分。SOM算法聚类的具体步骤如图4所示。

步骤五：

利用PSO算法优化SVR内部核函数的参数g和惩罚因子C，从而优化回转支承的MSVR剩余寿命预测模型，具体步骤如图5所示。

步骤六：

对每一个子类分别建立MSVR预测模型，本专利选用RBF核函数作为SVR核函数：

式中：控制核函数径向作用范围的是变量g，函数中心是Y_c。

MSVR预测模型如图6所示，u指输入层变量个数，本文有温度、扭矩、振动PCA性能衰退指标三个变量，所以u＝3。K₁、K₂、K_m是SVR核函数层的节点数。W₁、W₂、W_u为权重值。第n点的温度、扭矩、振动信号的PCA性能衰退指标与剩余寿命的函数关系如下式所示：

Z(n)＝F[Y_t(n),Y_q(n),Y_a(n)]

式中，Z(n)表示回转支承的剩余寿命值；Y_t(n)、Y_q(n)和Y_a(n)分别表示第n点回转支承的温度PCA值、扭矩PCA值和振动PCA值。

回归函数为：

F(Y_t(n),Y_q(n),Y_a(n))＝<W·K(Y_t(n),Y_q(n),Y_a(n))>+b

式中：ω为权值矢量，b是偏置门限，K(u)是SVR中的核函数。

在网络构建中，随机选取M试验数据，选取前m个数据作为训练集，剩余的(M-m)个样本作为测试集，训练集和预测集按照如下公式输入：

式中：X_train是训练输入集，Y_train是训练输出集，X_test是测试输入集，Z(m)表示对应点的实际剩余生命值。

由均方根误差RMSE对模型结果进行评定，其公式如下：

式中：zi表示真实值，表示评估值。

步骤七：

在线预测时，实时监测回转支承的温度、扭矩、振动信号数据，其对应的性能衰退指标Y_t(k)、Y_q(k)、Y_a(k)通过SOM模型判定此时回转支承的寿命状态所属类别，选用相应的预测模型预测k时刻点的剩余寿命T(k)。并不断在线更新数据，实现在线预测并不断完善预测模型。

本发明的有益效果是：

本专利提出的回转支承使用寿命的预测方法，根据回转支承的寿命状态分类，并对每个子类分别建立MSVR预测模型，使得每个预测模型更好的切合数据样本。在实际运用中，可以根据回转支承实时寿命状态所属的类别选择对应的预测模型，这样可以提高预测精度，并且随着数据信息的不断更新，预测模型也有一定的应变能力。

本专利提出的方案还可以实时监测回转支承的温度、扭矩和振动信号，全面检测回转支承实时的工作状态并判断此时其处于寿命周期的哪一阶段，为其维修和更换做好提前准备，大大减少突发事故带来的损失。

针对回转支承低速重载，运行环境恶劣导致的样本数据少，而传统的以大量数据为驱动的寿命预测方法不能有效预测回转支承寿命的问题，本专利提出的MSVR预测模型可以大大改善这一问题。

附图说明

图1是本发明的回转支承试验台结构。

图2是本发明的回转支承温度传感器的安装位置图。

图3是本发明的回转支承加速度传感器安装位置图。

图4是本发明的SOM算法流程图。

图5是本发明的粒子群算法优化SVR的流程图。

图6是本发明的回转支承MSVR寿命预测模型图。

图7是本发明的回转支承机基于SOM-MSVR模型的寿命预测流程图。

具体实施方式

下面结合附图对本发明进一步说明。

如图1至图7，步骤一：

回转支承试验台结构如图1所示，采用温度传感器、扭矩传感器和加速度传感器监测回转支承的温度、扭矩和振动信号，通过数据采集模块传入PC机做相关分析预测。在回转支承的四周每隔90°安装一个温度传感器，安装的位置如图2所示，另外设置一个温度传感器悬在空中用于测量室温，以便去除室环境温度的影响。扭矩传感器安装在马达泵和小齿轮之间。加速度信号传感器通过磁座固定方式每隔90°安装在靠近滚道的表面，如图3所示。

步骤二：

提取每个信号时域内有量纲和无量纲特征值并对每个特征值按下式做相关度计算分析，选取每个原始信号的敏感特征值。

式中r表示相关系数，设置相关系数阈值为0.85，当相关系数大于0.85的特征值作为敏感特征值并被保留，否则剔除。

步骤三：

将每个信号的敏感特征值做PCA降维处理，分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标。选取第一主分量代替原始信号，则第n个点的温度PCA衰退指标为：

式中：T_t*为T_t标准归一化得到的矩阵，T_t为温度信号的特征值矩阵；α_1j是温度信号系数矩阵，j＝1,2,...9。

同理，确定第n点的扭矩PCA衰退指标为(2-11)所示：

Y_q(n)＝(T_q1^*(n),T_q2^*(n),…,T_q6^*(n))·β_1b^T

式中：T_q*为T_q标准归一化得到的矩阵，T_q为扭矩信号的特征值矩阵；β_lb是扭矩信号系数矩阵，b＝1,2,...6。

确定第n点的振动PCA衰退指标为：

Y_a(n)＝(A₁^*(n),A₂^*(n),…,A₆^*(n))·γ_1c^T

式中：A_c*为A_c标准归一化得到的矩阵，A_c为振动信号的特征值矩阵；γ_1c是振动信号系数矩阵，c＝1,2,...,6。

步骤四：

温度、扭矩、振动PCA性能衰退指标通过SOM聚类寻求回转支承的寿命周期分布状态，完成输入样本类别的划分，SOM的算法步骤如图4所示。

步骤五：

利用PSO算法优化SVR内部参数，从而优化回转支承的MSVR剩余寿命预测模型。粒子群算法优化SVR内部参数的具体步骤如图5所示。

步骤六：

对每一个子类分别建立MSVR预测模型，MSVR预测模型如图6所示。则第n点的温度、扭矩、振动信号的PCA性能衰退指标与剩余寿命的函数关系如公式所示：

Z(n)＝F[Y_t(n),Y_q(n),Y_a(n)]

式中，Z(n)表示回转支承的剩余寿命值；Y_t(n)、Y_q(n)和Y_a(n)分别表示第n点回转支承的温度PCA值、扭矩PCA值和振动PCA值。

在网络构建中，随机选取M组试验数据，选取前m个数据作为训练集，剩余的(M-m)个样本作为测试集，训练集和预测集按照如下公式输入：

式中：X_train是训练输入集，Y_train是训练输出集，X_test是测试输入集，Z(m)表示对应点的实际剩余生命值。

由均方根误差RMSE对模型结果进行评定，其公式如下：

式中：z_i表示真实值，表示评估值。

步骤七：

在线预测时，实时监测回转支承的温度、扭矩、振动信号数据，根据其对应的性能衰退指标Y_t(k)、Y_q(k)、Y_a(k)通过SOM模型判定回转支承此时寿命状态所属类别，选用相应的预测模型预测k时刻点的剩余寿命T(k)，并不断在线数据更新，实现在线实时预测并不断完善预测模型。