一种滚动轴承实时健康评估方法与流程

本发明属于滚动轴承健康评估领域，特别涉及一种滚动轴承实时健康评估方法。

背景技术：

1、旋转机械作为广泛应用于各行业的关键设备，在运行时处于高强度、强负载的复杂振动环境中，长期的交变载荷容易造成其中的滚动轴承在疲劳应力下产生变形并发生故障。滚动轴承作为旋转机械中常用的零部件之一，其工作环境恶劣，容易发生故障，其性能退化是威胁旋转机械安全运行的重要问题。及时准确地评估轴承健康状态能够为设备预测性维修提供技术支撑，防范机械事故的发生。

2、滚动轴承性能退化评估方法一般包括健康指数提取与评估模型构建两个部分，一是健康指标提取，二是评估模型构建。常见的健康指标主要基于时域、频域、时频域特征以及复杂度分析方法。时域和频域特征计算简单且应用广泛，但对信号包含的信息描述不够全面；时频域特征具有更好的多尺度分辨特性，但对非线性、非平稳的信号处理能力不够；熵等复杂度特征受参数影响小，对复杂工况的工程数据分析性能强。然而，良好的健康指标要真实反映滚动轴承性能退化状态，受负载和转速等工况变化的影响较小，并且指标要具有取值上限，才容易准确定义滚动轴承失效状态。

3、滚动轴承的性能退化时间长，退化过程不可预知，退化状态数目以及边界难以确定，退化状态的在线识别以及健康评估一直是难点问题。评估过程的基本原理就是通过度量待测信号健康指数与评估模型之间的相似程度来识别设备当前性能状态。无监督聚类方法能够分析特征数据的关联性，挖掘数据之间的内在规律，识别不同的退化阶段，完成退化状态的无监督离线识别。通常是将滚动轴承全生命周期数据作为输入，基于训练出的多个聚类簇心划分不同的性能退化状态。这种方法能够定义滚动轴承的健康等级，但是训练的模型仅能作为退化状态的无监督离线识别。

技术实现思路

1、针对上述问题，本发明公开了一种滚动轴承实时健康评估方法，所述评估方法包括：

2、构建滚动轴承健康状态评价准则知识库；

3、计算实时的待测滚动轴承的多维矢量坐标；

4、根据所述健康状态评价准则知识库和多维矢量坐标评估滚动轴承健康状态。

5、进一步地，构建滚动轴承状态评价准则知识库包括以下步骤：

6、筛选滚动轴承的多维敏感特征；

7、计算多维敏感特征，所述多维敏感特征包括相对特征和复杂度分析特征；

8、对相对特征进行归一化处理得到归一化后相对特征数据；

9、对归一化后相对特征数据进行聚类分析；

10、根据多维聚类簇心与零点距离排列划分健康等级，建立健康等级与聚类簇心一一对应的健康状态评价准则知识库。

11、进一步地，所述相对特征包括相对整流平均值tabs、相对有效值trms、相对峰峰值txpp；

12、所述复杂度分析特征包括c0复杂度tc0和谱熵tps。

13、进一步地，将滚动轴承历史全寿命周期数据作为筛选数据。

14、进一步地，采用relieff方法筛选滚动轴承敏感特征指标。

15、进一步地，所述相对整流平均值tabs、相对有效值trms、相对峰峰值txpp、c0复杂度tc0和谱熵tps的计算公式如下：

16、

17、

18、

19、

20、

21、式中，为n组正常数据的参考整流平均值均值，为整流平均值；为n组正常数据的参考有效值均值，为有效值；为n组正常数据的参考峰峰值均值，xxpp＝max(xi)-min(xi)为峰峰值；x(f)为长度为r的时间序列，其中f为采样时间；fr(z)为对x(f)的离散傅里叶变换，r为数组时间序列的长度，z为一维原始波形数据的时间序列长度，为fr(z)的傅里叶逆变换；q为fft长度，li(v)为每条谱线分量的能量谱，w为简化离散傅里叶变换后计算后续的均方值和频谱的定义参数。

22、进一步地，归一化处理的表达式如下：

23、

24、式中，x表示原始相对特征数据，x'表示归一化后相对特征数据，xmin表示原始相对特征数据最小值，xmax表示原始相对特征数据最大值，所述原始相对特征数据包括相对整流平均值tabs、相对有效值trms和相对峰峰值txpp。

25、进一步地，利用模糊c均值聚类方法对归一化后相对特征数据进行聚类分析，包括以下步骤：

26、在归一化后相对特征数据中随机选取k个敏感数据点，其余数据根据其与敏感数据的欧氏距离划分给最近敏感数据点所代表的簇，并不断用非敏感数据点来迭代敏感数据点，直到聚类簇心不发生变化。

27、进一步地，所述聚类簇心与健康等级的对应关系如下：

28、

29、式中，i∈(1,2,3,4)，t1(i)、t2(i)、t3(i)、t4(i)和t5(i)分别表示第i个簇心坐标的相对整流平均值tabs、相对有效值trms、相对峰峰值txpp、c0复杂度tc0和谱熵tps，di表示第i个簇心与零点的欧氏距离。

30、进一步地，计算实时的待测滚动轴承的多维矢量坐标包括以下步骤：

31、计算待测滚动轴承的相对整流平均值xabs、相对有效值xrms、相对峰峰值xxpp以及待测滚动轴承实时数据的c0复杂度xc0和谱熵xps；

32、构建多维特征指标集(xabs,xrms,xxpp,xc0,xps)；

33、根据多维特征指标集(xabs,xrms,xxpp,xc0,xps)形成多维矢量坐标(rabs,rrms,rxpp,rc0,rps)。

34、进一步地，所述相对整流平均值xabs、相对有效值xrms、相对峰峰值xxpp通过n组待测滚动轴承的历史正常运行状态数据和待测滚动轴承的实时振动数据计算；

35、

36、其中，表示n组信号的参考整流平均值均值，表示参考有效值均值，表示参考峰峰值均值，xabs表示待测滚动轴承实时数据的整流平均值，xrms表示待测滚动轴承实时数据的有效值，xxpp表示待测滚动轴承实时数据的峰峰值。

37、进一步地，所述c0复杂度xc0和谱熵xps根据待测滚动轴承的实时振动数据计算。

38、进一步地，评估待测滚动轴承健康状态包括以下步骤：

39、计算所述多维矢量坐标(rabs,rrms,rxpp,rc0,rps)与健康状态评价准则知识库中健康等级对应的聚类簇心的欧氏距离；

40、根据最近邻匹配原则，比较健康状态评价准则知识库中聚类簇心与多维矢量坐标(rabs,rrms,rxpp,rc0,rps)，确定待测当前健康状态。

41、进一步地，所述评估方法还包括利用逻辑判断修正原则，对当前待测滚动轴承实时健康等级进行修正：

42、若当前健康等级评估结果符合设备性能退化的单调不可逆性质，则判断当前健康等级为真，输出健康等级；否则，修正当前健康等级后输出。

43、本发明的有益效果：

44、本发明提出了一种滚动轴承实时健康评估方法，采用滚动轴承历史全寿命周期数据作为训练数据构建健康状态评价准则知识库，再获取实时的待测滚动轴承的多维矢量坐标，根据多维矢量坐标与健康状态评价准则知识库中健康等级对应的聚类簇心的欧氏距离确定待测当前健康状态；能够有效表征滚动轴承的实时性能退化状态，对于实现旋转设备健康等级评估和预测性维修具有重要工程应用价值；可以在不依赖外部专家先验知识、不需要待测滚动轴承设备历史故障数据的情况下实现在线实时评估，可以应用到具有转子系统的其他旋转设备中，具有良好的泛化性。

45、本发明利用relieff算法筛选多维敏感特征，该多维敏感特征不受个体设备差异的影响，并且取值范围为(0，1]，便于划分失效状态，解决了一些指标失效阈值上限难以确定的问题，为提高性能退化状态识别和健康等级评估的准确性。

46、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。