一种滚动轴承剩余使用寿命预测方法、装置、设备及介质与流程

1.本发明属于设备诊断技术领域，具体涉及一种滚动轴承剩余使用寿命预测方法、装置、设备及介质。


背景技术：

2.新能源系统是由多种设备和管网链接而成，同时具备多种能源输入、转化，并能供给多种能源给不同的用户的一个系统。新能源系统中主要设备包括：光伏设备、地源热泵、风能设备、储能设备及核能设备等。在新能源系统中，大量的设备由于长期工作，环境变化，频繁起停等原因，可能会损伤设备的健康度，甚至出现在未到定期维护时间时，设备出现故障，这种现象可能会导致整个新能源系统出现问题，所以对于新能源系统，剩余寿命使用预测是极其必要的。
3.rul(remaining useful life，剩余使用寿命)，rul预测是预测和健康管理(phm)的一项关键技术，定义为对rul和一种或多种故障模式存在或以后出现的风险的估计，在故障发生之前进行，与故障发生后进行的故障诊断不同。因此，rul预测比故障诊断更困难。
4.对于新能源系统中的设备，如旋转机械，旋转机械中最常见的部件是轴承，其故障是机械中最常见的故障案例。随着对可靠性、可维修性、可测试性、可保障性和安全性的要求越来越高，现有技术中已经报道了许多关于轴承故障物理、诊断和预测的模型和结果。在轴承rul预测中，使用唯一回归模型的方法无法代表整个寿命历史，并且可能容易过度拟合某些特征中的不一致模式，对工业应用没有准确的长期预测。


技术实现要素：

5.本发明的目的在于提供一种滚动轴承剩余使用寿命预测方法、装置、设备及介质，以解决现有技术中，滚动轴承剩余使用寿命预测中，使用唯一回归模型的方法导致长期预测不准确的问题。
6.为了实现上述目的，本发明采用如下技术方案：
7.第一方面，本发明提供了一种滚动轴承剩余使用寿命预测方法，包括如下步骤：
8.获取滚动轴承当前工作状态下的振动信号数据；
9.将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常；
10.当所述滚动轴承健康状态的类型为故障时，生成报修指令；
11.当所述滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。
12.进一步的，所述健康状态分类模型如下：
[0013][0014]
其中，为滚动轴承健康状态的标签，sign()为提取实数正负号的sign函数，κ为核函数，yi为标签，αi为拉格朗日乘子，p为支持向量的数量，xi为输入的特征样本。
[0015]
进一步的，所述局部回归模型如下：
[0016][0017]
其中，为滚动轴承剩余使用寿命，αi和为拉格朗日乘子，p为支持向量的数量，κ为核函数，xi为输入的特征样本。
[0018]
进一步的，所述健康状态分类模型的训练方法如下：
[0019]
获取滚动轴承的历史振动信号数据；
[0020]
从所述滚动轴承的历史振动信号数据中提取与健康状态相关的特征；
[0021]
为所述健康状态相关的特征打上标签；其中，所述标签包括故障、正常；
[0022]
利用打上标签后的所述健康状态相关的特征，进行健康状态分类模型的参数训练，训练完成后，得到训练好的健康状态分类模型。
[0023]
进一步的，所述局部回归模型的构建方法如下：
[0024]
获取滚动轴承的历史振动信号数据；
[0025]
从所述历史振动信号数据中获取滚动轴承运行到故障时的数据；
[0026]
对所述滚动轴承运行到故障时的数据进行聚类，得到l个聚类中心；
[0027]
依据所述l个聚类中心在滚动轴承寿命周期的时间节点，将所述滚动轴承的寿命周期划分为l个健康状态阶段；
[0028]
为每个所述健康状态阶段分别构建局部回归模型。
[0029]
进一步的，在为每个所述健康状态阶段分别构建局部回归模型的步骤之后，还包括步骤：
[0030]
将l个所述局部回归模型置于联合学习框架之下进行横向联邦学习，得到训练好的l个所述局部回归模型。
[0031]
进一步的，采用模糊c-均值聚类的方法对所述滚动轴承运行到故障时的数据进行聚类，得到l个聚类中心。
[0032]
第二方面，本发明提供了一种滚动轴承剩余使用寿命预测装置，包括：
[0033]
数据获取模块，用于获取滚动轴承当前工作状态下的振动信号数据；
[0034]
健康状态分类模块，用于将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常；
[0035]
报修指令生成模块，用于当所述滚动轴承健康状态的类型为故障时，生成报修指令；
[0036]
剩余使用寿命预测模块，用于当所述滚动轴承健康状态的类型为正常时，用预设
的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。
[0037]
第三方面，本发明提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上述的滚动轴承剩余使用寿命预测方法。
[0038]
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述的滚动轴承剩余使用寿命预测方法。
[0039]
本发明的有益效果如下：
[0040]
1)本发明提供的滚动轴承剩余使用寿命预测方法，将滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型，是一个基于多重健康状态评估的rul预测框架，分别针对每个健康状态预测剩余寿命，预测结果更为精确。
[0041]
2)本发明提供的滚动轴承剩余使用寿命预测方法，利用模糊c-均值对运行到故障时的数据进行聚类，能够在训练阶段自动提取所有时间点的健康状态标签知识。
附图说明
[0042]
构成本技术的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0043]
图1为本发明实施例一种滚动轴承剩余使用寿命预测方法流程图；
[0044]
图2为本发明实施例中健康状态划分示意图；
[0045]
图3为本发明实施例一种滚动轴承剩余使用寿命预测装置的结构框图；
[0046]
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
[0047]
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0048]
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本技术所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
[0049]
实施例1
[0050]
本发明提供了一种滚动轴承剩余使用寿命预测方法，基于多健康状态评估的rul预测框架。将整个轴承寿命划分为几个健康状态，针对每个健康状态分别训练局部回归模型。通过训练轴承的历史寿命数据，提取健康状态的特征特征和知识，建立健康状态评估分类模型。
[0051]
本方案采用支持向量机(svm)来实现健康状态评估(分类)和局部rul预测(回归)。
[0052]
如图1所示，一种滚动轴承剩余使用寿命预测方法，包括如下步骤：
[0053]
s1、获取滚动轴承当前工作状态下的振动信号数据。
[0054]
优选的，通过提前设定的阈值，判断滚动轴承当前工作状态下的振动信号数据是
否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障，直接报修。
[0055]
s2、将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常。
[0056]
s3、当所述滚动轴承健康状态的类型为故障时，生成报修指令。
[0057]
s4、当所述滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。
[0058]
下面，针对上述步骤中健康状态分类模型和局部回归模型的构建方法具体阐述：
[0059]
步骤1、数据收集与信号预处理
[0060]
在进行模型训练之前需要获取一些历史振动信号数据，用于特征提取的步骤。
[0061]
具体的，本方案中从scada(数据采集与监视控制系统，supervisory control and data acquisition)或cms(状态监测系统，condition monitoring system)收集历史振动信号数据。
[0062]
优选的，如果历史振动信号数据中如有缺失、异常值等现象出现，可以结合专家经验，再使用回归类方法进行数值的插补和去除异常值(如可以使用最小二乘，多项式回归等方法)。
[0063]
具体的，信号预处理包括两个子步骤组成：
[0064]
1)从历史振动信号数据中减去平均值，进而消除直流偏移，得到零平均信号；
[0065]
2)提高零平均信号的信噪比，得到预处理后的振动信号数据。
[0066]
步骤2、特征计算与预处理
[0067]
本方案中，特征计算与预处理包括两个子步骤：特征平滑和特征归一化。
[0068]
在得到预处理后的振动信号数据之后，针对振动信号数据的特征可能仍然具有较低的信噪比的情况，本方案将每个振动信号数据的特征视为一个时间序列，并通过移动平滑方法进行平滑处理。
[0069]
由于不同特征的尺度不同因此，在移动平滑处理的步骤之后，本方案对每个振动信号数据的特征进行归一化，使其值在0到1之间；
[0070]
具体的，特征按照下式进行归一化处理：
[0071][0072]
其中，x
norm
为归一化后的数据，xi为数列中第i个数的值，x
max
、x
min
分别为数列中最大值和最小值。
[0073]
步骤3、特征选择
[0074]
本方案中，使用皮尔逊相关系数对于上述步骤归一化后的振动信号数据进行有效性分析和相关分析，得到振动信号数据特征的特征有效性和特征相关性的标准。
[0075]
具体的，皮尔逊相关系数计算公式如下：
[0076][0077]
其中，xi、yi分别为两列振动信号数据的序列；分别为对应的样本平均值；n为样本数量。
[0078]
基于特征有效性和特征相关性的标准，通过下式实现特征选择：
[0079][0080]
其中，i
p
是排名顺序第p位的特征索引(p值越小，特征越重要)，ρi，j是第i个特征和第j个特征之间的相关性得分；α1和α2是两个可调参数，用于平衡公式(3)中的有效项和相关项。
[0081]
步骤4、健康状态评估
[0082]
从历史振动信号数据中获取滚动轴承运行到故障时的数据；本方案使用聚类方法将运行到故障的数据大致分组到l个聚类中，得到数据的健康状态标签；其中，标签包括故障、正常；l是预定义的健康状态数，由经验所得。
[0083]
具体的，本方案中使用模糊c-均值将运行到故障的数据进行聚类，模糊c-均值的聚类公式如下式所示：
[0084][0085]
其中：
[0086]
式中，m是等大于等于1的实数，1《m《∞；u
ij
是xi在群j的隶属度；xi是第i个n维样本；cj是第j个群的中心；||x||是x的欧几里德范数。
[0087]
本方案使用主成分分析(pca)从原始n个特征中提取n’个特征。
[0088]
主成分分析(pca)可以在保持原始特征大部分可变性的同时降低特征维数。在应用pca后，原始n个特征中的前n’个将被保留。
[0089]
考虑到时间序列的要求，本方案通过(l-1)获得的阈值将轴承寿命分割为l个健康状态，例如图2，t1，t2，
…
，t
l-1
为时间节点。
[0090]
经过上述步骤的pca降维与公式4模糊c-均值求解，对分割好的健康状态和对应的时间进行标注。
[0091]
利用聚类过程中获得的健康状态标签，本方案接下来训练分类模型的参数。特征选择可以在标记时间记录后立即执行。
[0092]
本方案采用支持向量机作为分类器，建立健康状态评估模型。
[0093]
对svm使用拉格朗日乘子法，得到下式：
[0094][0095]
其中，为估计健康状态的标签，sign()为提取实数正负号的sign函数，κ为核函数，y为标签，α为拉格朗日乘子，p为支持向量的数量。
[0096]
五、rul预测
[0097]
基于健康状态评估的结果，本方案针对除正常状态外的每个健康状态训练单独的rul预测模型，也就是说，本方案在这项工作中没有开发正常状态的rul预测模型，因为正常状态由于工作条件的不同而有很大的差异。只有当滚动轴承离开正常状态时，才会触发rul预测。通过使用从运行到失效的历史数据，本方案可以建立退化状态的rul预测模型。
[0098]
针对svm使用朗格朗日乘子法，得到下式：
[0099][0100]
其中，为估算的rul，单位和yi相同，α和α
*
为拉格朗日乘子。p为支持向量的数量。κ为核函数。
[0101]
在建立rul预测模型之后，结合联合学习概念，将l个所述局部回归模型置于联合学习框架之下进行横向联邦学习，得到训练好的l个所述局部回归模型。
[0102]
实施例2
[0103]
如图3所示，本发明还提供了一种滚动轴承剩余使用寿命预测装置，包括：
[0104]
数据获取模块，用于获取滚动轴承当前工作状态下的振动信号数据。
[0105]
健康状态分类模块，用于将振动信号数据的特征输入到预设的健康状态分类模型中，健康状态分类模型输出滚动轴承健康状态的类型；其中，健康状态的类型包括故障、正常。
[0106]
报修指令生成模块，用于当滚动轴承健康状态的类型为故障时，生成报修指令。
[0107]
剩余使用寿命预测模块，用于当滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别振动信号数据的特征，局部回归模型输出滚动轴承的剩余使用寿命；其中，滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。
[0108]
实施例3
[0109]
如图4所示，本发明还提供一种用于实现上述实施例一种滚动轴承剩余使用寿命预测方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
[0110]
存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种滚动轴承剩余使用寿命预测方法步骤。
[0111]
存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或
其他非易失性固态存储器件。
[0112]
至少一个处理器102可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
[0113]
电子设备100中的存储器101存储多个指令以实现一种滚动轴承剩余使用寿命预测方法，处理器102可执行多个指令从而实现：
[0114]
获取滚动轴承当前工作状态下的振动信号数据；
[0115]
将所述振动信号数据的特征输入到预设的健康状态分类模型中，所述健康状态分类模型输出所述滚动轴承健康状态的类型；其中，所述健康状态的类型包括故障、正常；
[0116]
当所述滚动轴承健康状态的类型为故障时，生成报修指令；
[0117]
当所述滚动轴承健康状态的类型为正常时，用预设的局部回归模型识别所述振动信号数据的特征，所述局部回归模型输出所述滚动轴承的剩余使用寿命；其中，所述滚动轴承的寿命周期被划分为l个健康状态阶段，每个健康状态阶段对应预设有一个局部回归模型。
[0118]
实施例4
[0119]
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(rom，read-only memory)。
[0120]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0121]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0122]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0123]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0124]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。