会员体验
专利管家（专利管理）
工作空间（专利管理）
风险监控（情报监控）
数据分析（专利分析）
侵权分析（诉讼无效）
联系我们
交流群
官方交流：
QQ群： 891211   
微信请扫码    >>>
现在联系顾问~
首页 / 专利库 / 轴承类 / 轴承 / 滚动轴承 / 轴承套圈 / 轴承内圈 / 基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法

基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法

阅读：568发布：2021-02-28

IPRDB可以提供基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，包括步骤：1)利用加速度传感器采集振动信号，并将加速度信号转化成速度信号，计算振动信号的信号能量；2)采用经验模态分解方法对能量序列进行分解，将原始信号分解为多个限制带宽的IMFs，选择反映轴承退化趋势的分量；3)利用重标极差分析法获取分解后能量序列的Hurst参数值；4)采用极大似然估计法估计FBM退化模型参数，建立基于FBM的退化预测模型；5)采用蒙特卡洛方法对模型进行预测，获取当前状态下的剩余使用寿命。与现有技术相比，本发明可提高预测精度，及时发现轴承运行故障，降低正常生产过程中故障发生率，提升企业的经济效益。，下面是基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法专利的具体信息内容。

1.基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，该方法包括下列步骤：

1)利用不同位置的加速度传感器对机械设备轴承上的振动信号进行采集，并将加速度信号转化成速度信号，计算在不同方向上的振动信号的信号能量；

2)采用经验模态分解方法对能量序列进行分解，将原始信号分解为多个限制带宽的IMFs，选择反映轴承退化趋势的分量；

3)基于缓变故障的长相关性，利用重标极差分析法获取分解后能量序列的Hurst参数值；

4)采用极大似然估计法估计FBM退化模型的模型漂移系数a和模型扩散系数σ，建立基于FBM的退化预测模型；

5)采用蒙特卡洛方法对确定参数的基于FBM的退化预测模型进行预测，获取当前状态下的剩余使用寿命。

2.根据权利要求1所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤1)中，将采集到的加速度信号转化信号能量的计算式为：式中，Ei是信号能量，x(t)是加速度信号的幅值，N是信号每次采样的个数。

3.根据权利要求2所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤2)中，采用经验模态分解方法对能量序列进行分解的具体内容为：分解后的能量序列的表达式为：

式中 ：Ak (t) 为uk(t)的瞬时幅值，ωk (t) 为uk(t)的瞬时频率，每个分量在中心频率ωk处集中，分解时将其转换成如下问题：式中：{uk}为分解得的K个IMFs，{ωk}为不同分量的频率中心，uk满足：引入增广拉格朗日函数对上述问题求取最优解：式中，α＝2500为惩罚因子，λ为拉格朗日乘数算子。

4.根据权利要求3所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤2)中，将原始信号分解为多个限制带宽的IMFs的具体步骤包括：

21)将{uk}、{ωk}、λ1和n初始化为0；

22)令n＝n+1后开始循环迭代；

23)令k＝k+1，至k＝K之前，按照如下公式分别更新 和

24)重复步骤23)，直到满足停止迭代，选择反映轴承退化趋势的分量，停止迭代的条件为：将最后的收敛精度ε设置为10-6，在分解后的信号分量中选取第四个分量作为反映轴承退化趋势的分量。

5.根据权利要求4所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤3)中，利用重标极差分析法获取分解后能量序列的Hurst参数值的具体过程包括：

31)将长度为M的时间序列变成对数比时间序列Ni，长度为N＝M-1，计算式为：

32)将对数比时间序列平均分成长度为n的相邻的A个子序列；

33)将每一个极差 与对应的每一个样本差 相除得到标准化的重标极差再将这A个数据的平均值和对应的序列长度n求对数，获取Hurst参数值。

6.根据权利要求5所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤32)的具体内容为：将对数比时间序列平均分成长度为n的相邻的A个子序列，满足N＝A*n，将子序列表示为Ia,a＝1,2,...A，子序列的一般项表示为N(k),k＝1,2,...n，则子序列的累积离差Xk为：样本差 为：

其中，e为子序列的平均值。

7.根据权利要求6所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤33)的具体内容为：

331)将每一个极差 与对应的每一个样本差 相除得到标准化的重标极差再将这A个数据的平均值表示如下：

其中，R为离差，且有：

332)对所有的均分的重标极差平均值(R/S)n和对应的序列长度n求对数，得到Log(R/S)n和Log(n)；

333)将Log(R/S)n和Log(n)两个参数进行最小二乘法估计：Log(R/S)n＝Log(c)+H*Log(n)式中，H为所求得的Hurst参数值。

8.根据权利要求7所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤4)中，利用极大似然估计法估计FBM退化模型的参数a和σ的估计过程为：将观察到的数据表示为：

X＝(x1,x2,...,xN)T

漂移项 表示为：

将FBM退化模型表示为：

BH＝(BH(t1),BH(t2),...,BH(tN))TX的密度函数为：

其中，X0为初始值，Q为一个矩阵，其每一项的值是：将密度函数求对数似然函数后，分别对两个参数求偏导为0，得到参数a和σ的估计为：

9.根据权利要求8所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤4)中，FBM的退化模型为：式中，BH(tk)为FBM在tk时刻的值。

10.根据权利要求1所述的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，其特征在于，步骤5)的具体内容为：采用蒙特卡洛方法对确定参数的基于FBM的退化预测模型进行预测，设定阈值，当预测值到达阈值时，其经过的时间即为预测的剩余使用寿命。

说明书全文

基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法

技术领域

[0001] 本发明涉及一种轴承内圈故障剩余使用寿命预测方法，尤其是涉及一种基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法。

背景技术

[0002] 在现代工业社会中，机械设备不断向精密化、自动化发展，结构越来越复杂。轴承作为机械设备中不可或缺的一部分，其运行状态直接关系到设备是否能良好运转。微弱故障在设备运行中不会有显著表现，但在设备内部有一个时间积累的过程，达到一定程度后设备运行就会出现问题。因此，对机械设备运行状态监测和机械设备故障预测十分重要。
[0003] 故障的预测技术主要是依据实际采集的信号，对故障所展现的特征信息进行提取和识别。其中轴承故障主要分为外圈、内圈和滚子三大类。内圈故障点随轴旋转，振动信号通过滚子，外圈和轴承壳体传递之后，能量衰减损失大，并且其他信号分量混合。这些情况导致内圈故障与外圈故障相比，特征较弱并且提取难度较大。
[0004] 故障预测是在根据目前的运行状态，结合故障特征信息的基础上，通过对故障特征信息的分析，预测未来设备的运行趋势，找出设备发生故障的时间，并且进行判断，从而提出解决方案，对故障进行进一步的处理。目前用于剩余使用寿命预测的主要随机模型的有基于维纳过程、Gamma过程和逆高斯过程的预测模型。但是使用的预测模型为马尔可夫类型的模型，模型不具有记忆性，即预测过程是无记忆过程，而轴承故障的发生是一个长期且缓慢变化的过程，前后的状态存在长相关性且不能忽略。

发明内容

[0005] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、可靠性高的基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法。
[0006] 本发明的目的可以通过以下技术方案来实现：
[0007] 基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，包括如下步骤：
[0008] S1、利用不同位置的加速度传感器对机械设备轴承上的振动信号进行采集，并将加速度信号转化成速度信号，计算在不同方向上的振动信号的信号能量。
[0009] 将采集到的加速度信号转化信号能量的计算式为：
[0010]
[0011] 式中，Ei是信号能量，x(t)是加速度信号的幅值，N是信号每次采样的个数。
[0012] S2、采用经验模态分解方法对能量序列进行分解，将原始信号分解为多个限制带宽的IMFs，选择反映轴承退化趋势的分量。
[0013] 采用经验模态分解方法对能量序列进行分解的具体内容为：
[0014] 分解后的能量序列的表达式为：
[0015]
[0016] 式中：Ak(t)为uk(t)的瞬时幅值，ωk(t)为uk(t)的瞬时频率，
[0017] 每个分量在中心频率ωk处集中，分解时将其转换成如下问题：
[0018]
[0019] 式中：{uk}为分解得的K个IMFs，{ωk}为不同分量的频率中心，uk满足：
[0020]
[0021] 引入增广拉格朗日函数对上述问题求取最优解：
[0022]
[0023] 式中，α＝2500为惩罚因子，λ为拉格朗日乘数算子。
[0024] 将原始信号分解为多个限制带宽的IMFs具体包括下列步骤：
[0025] 1)将{uk}、{ωk}、λ1和n初始化为0；
[0026] 2)令n＝n+1后开始循环迭代；
[0027] 3)令k＝k+1，至k＝K之前，按照如下公式分别更新 和
[0028]
[0029]
[0030]
[0031] 4)重复步骤3)，直到满足停止迭代，选择反映轴承退化趋势的分量，停止迭代的条件为：
[0032]
[0033] 将最后的收敛精度ε设置为10-6，在分解后的信号分量中选取第四个分量作为反映轴承退化趋势的分量。
[0034] S3、基于缓变故障的长相关性，利用重标极差分析法获取分解后能量序列的Hurst参数值。具体步骤包括：
[0035] 1)将长度为M的时间序列变成对数比时间序列Ni，长度为N＝M-1，计算式为：
[0036]
[0037] 2)将对数比时间序列平均分成长度为n的相邻的A个子序列；
[0038] 将对数比时间序列平均分成长度为n的相邻的A个子序列，满足N＝A*n，将子序列表示为Ia,a＝1,2,...A，子序列的一般项表示为N(k),k＝1,2,...n，则子序列的累积离差Xk为：
[0039]
[0040] 样本差 为：
[0041]
[0042] 其中，e为子序列的平均值。
[0043] 3)将每一个极差 与对应的每一个样本差 相除得到标准化的重标极差再将这A个数据的平均值和对应的序列长度n求对数，获取Hurst参数值。具体步骤为：
[0044] 3.1)将每一个极差 与对应的每一个样本差 相除得到标准化的重标极差再将这A个数据的平均值表示如下：
[0045]
[0046] 其中，R为离差，且有：
[0047]
[0048] 3.2)对所有的均分的重标极差平均值(R/S)n和对应的序列长度n求对数，得到Log(R/S)n和Log(n)；
[0049] 3.3)将Log(R/S)n和Log(n)两个参数进行最小二乘法估计：
[0050] Log(R/S)n＝Log(c)+H*Log(n)
[0051] 式中，H为所求得的Hurst参数值。
[0052] S4、采用极大似然估计法估计FBM退化模型的模型漂移系数a和模型扩散系数σ，建立基于FBM的退化预测模型。
[0053] 利用极大似然估计法估计FBM退化模型的参数a和σ的估计过程为：
[0054] 将观察到的数据表示为：
[0055] X＝(x1,x2,...,xN)T
[0056] 漂移项 表示为：
[0057]
[0058] 将FBM退化模型表示为：
[0059] BH＝(BH(t1),BH(t2),...,BH(tN))T
[0060] X的密度函数为：
[0061]
[0062] 其中，X0为初始值，Q为一个矩阵，其每一项的值是：
[0063]
[0064] 将密度函数求对数似然函数后，分别对两个参数求偏导为0，得到参数a和σ的估计为：
[0065]
[0066]
[0067] FBM的退化模型为：
[0068]
[0069] 其中，BH(tk)为FBM在tk时刻的值。
[0070] S5、采用蒙特卡洛方法对确定参数的基于FBM的退化预测模型进行预测，设定阈值，当预测值到达阈值时，其经过的时间即为预测的剩余使用寿命。
[0071] 与现有技术相比，本发明的有益效果为：
[0072] 本发明方法将VMD用于信号分解，并直接对原信号进行特征提取，由于信号混杂导致提取的特征曲线趋势不明显，通过VMD分解后再对分量进行特征提取，生成的退化曲线具有更强的趋势性与单调性，更能够表现出轴承内圈故障的退化过程，可靠性高；与现有技术中不具备记忆性的马尔可夫类型的模型相比，本发明基于FBM的长相关随机预测模型，将退化过程中的长记忆性考虑在内，可进一步提高预测精度，且能够及时发现轴承运行中出现的故障，便于维修人员安排维护计划，降低正常生产过程中故障发生率，降低生产成本，进而提升企业的经济效益。

附图说明

[0073] 图1为本发明方法的流程示意图；
[0074] 图2为本发明轴承采集的加速度信号曲线图；
[0075] 图3为本发明对信号进行VMD分解之后的信号分量图，其中，图3(a)为分解后IMF1～IMF4的信号分量图，图3(b)为分解后IMF5～IMF8的信号分量图；
[0076] 图4为实施例中本发明预测方法的预测结果和实际值对比图，其中，图4(a)为预测结果和实际值的三维对比图，图4(b)为预测结果和实际值的二维对比图。

具体实施方式

[0077] 下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0078] 如图1所示，本发明涉及一种基于FBM的长相关模型的轴承内圈故障剩余寿命预测方法，包括如下步骤：
[0079] 步骤一、通过不同位置的传感器对机械设备轴承上的振动信号进行采集，如图2所示。将采集到的加速度信号转化信号能量，公式为：
[0080]
[0081] 式中，Ei是信号能量，x(t)是加速度信号的幅值，N是信号每次采样的个数。
[0082] 在振动信号的采集过程中，时间间隔设置为10分钟，即每隔10分钟对振动信号进行采样一次，依次采样10000个点，然后通过上述公式计算，将振动信号转化成信号能量序列。
[0083] 步骤二、利用VMD对能量序列进行分解，将原始信号分解成K个限制带宽的IMFs，表示为：
[0084]
[0085] 其中，Ak(t)是uk(t)的瞬时幅值，ωk(t)是uk(t)的瞬时频率，
[0086] 每个分量在中心频率ωk处集中，分解时可将其转换成如下问题：
[0087]
[0088] 其中，{uk}为分解得的K个IMFs，{ωk}为不同分量的频率中心，uk满足：
[0089]
[0090] 引入增广拉格朗日函数以求上述问题最优解：
[0091]
[0092] 式中，α＝2500为该方法的惩罚因子，λ为拉格朗日乘数算子。将原信号分解为K个本征模态分量的过程如下：
[0093] (1)将{uk}、{ωk}、λ1和n初始化为0。
[0094] (2)令n＝n+1后开始循环迭代。
[0095] (3)令k＝k+1，至k＝K之前，按照如下公式分别更新 和
[0096]
[0097]
[0098]
[0099] (4)重复步骤(3)，直到满足停止迭代，停止迭代的条件为：
[0100]
[0101] 将最后的收敛精度ε设置为10-6。分解后的信号分量如图3所示，此处选取第四个分量作为退化趋势过程。
[0102] 步骤三、利用重标极差分析法(R/S法)估计选取的能量分量的Hurst参数，将长度为M的时间序列变成对数比时间序列Ni，长度则是N＝M-1，公式为：
[0103]
[0104] 将对数比时间序列平均分成长度为n的相邻的A个子序列，满足N＝A*n，将子序列表示为Ia,a＝1,2,...A，子序列的一般项表示为N(k),k＝1,2,...n，子序列的累积离差为：
[0105]
[0106] 样本差为：
[0107]
[0108] 其中，e为子序列的平均值。
[0109] 再将每一个极差 与对应的每一个样本差 相除得到标准化的重标极差再将这A个数据的平均值表示如下：
[0110]
[0111] 其中R为离差，且有：
[0112]
[0113] 对所有的均分的“重标极差”平均值(R/S)n和对应的序列长度n求对数，得到Log(R/S)n和Log(n)，最后，把两个参数进行最小二乘法估计：
[0114] Log(R/S)n＝Log(c)+H*Log(n)
[0115] 式中，H为所求得的Hurst参数值，如图3所示。
[0116] 步骤四、利用MLE(Maximum Likelihood Estimate，极大似然估计法)估计FBM退化模型的参数a(模型漂移系数)和σ(模型扩散系数)。FBM(Fractional Brownian Motion，分数布朗运动)的退化模型为：
[0117]
[0118] 其中，BH(tk)是FBM在tk时刻的值。参数估计过程为：
[0119] 将观察到的数据表示为：
[0120] X＝(x1,x2,...,xN)T
[0121] 漂移项 (根据实际情况选择，此处选择漂移项为幂律形式)的表示为：
[0122]
[0123] 将FBM表示为：
[0124] BH＝(BH(t1),BH(t2),...,BH(tN))T
[0125] X的密度函数为：
[0126]
[0127] 其中，X0是初始值，Q是一个矩阵，每一项的值是：
[0128]
[0129] 将密度函数求对数似然函数后，分别对两个参数求偏导为0，得到ML估计为：
[0130]
[0131]
[0132] 步骤五、利用确定参数的FBM模型进行预测，设定阈值为200，当预测值到达200时经过的时间就是预测的剩余使用寿命。采用蒙特卡洛理论在同一个状态时刻进行多次模拟并将所得所有预测值绘制成概率密度(PDF)图，PDF图的峰值就是当前状态下的剩余使用寿命，如图4所示，图中的曲线表示在每个时刻处预测值的概率分布，点表示分布曲线峰值点并作为这个时刻的预测值，直线表示实际剩余使用寿命。预测值与实际值相比，大部分时刻都在实际预测值附近上下波动，具有较高的预测精度。
[0133] 本发明方法将VMD用于信号分解，并直接对原信号进行特征提取，由于信号混杂导致提取的特征曲线趋势不明显，通过VMD分解后再对分量进行特征提取，生成的退化曲线具有更强的趋势性与单调性，更能够表现出轴承内圈故障的退化过程；本发明基于FBM的长相关随机预测模型，将退化过程中的长记忆性考虑在内，可进一步提高预测精度，能够及时发现轴承运行中出现的故障。
[0134] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
相关专利内容
标题 发布/更新时间 阅读量
滚子轴承的内圈-专利编号CN102239338B 2020-05-12 1012
防开裂轴承内圈-专利编号CN102829085A 2020-05-12 95
一种轴承内圈-专利编号CN102537079A 2020-05-13 752
轴承及其内圈-专利编号CN105370734B 2020-05-11 978
一种轴承内圈-专利编号CN106015345A 2020-05-11 669
轴承内圈冷碾机-专利编号CN102886475B 2020-05-11 352
一种轴承内圈-专利编号CN104696374A 2020-05-11 212
一种轴承内圈-专利编号CN103322061A 2020-05-12 759
一种轴承内圈-专利编号CN102022435A 2020-05-13 675
滚子轴承的内圈-专利编号CN102239338A 2020-05-13 605
高效检索全球专利

IPRDB是专利检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据，专利查询、专利分析。

电话：13651749426

侵权分析

IPRDB的侵权分析产品是IPRDB结合多位一线专利维权律师和专利侵权分析师的智慧，开发出来的一款特色产品，也是市面上唯一一款帮助企业研发人员、科研工作者、专利律师、专利分析师快速定位侵权分析的产品，极大的减少了用户重复工作量，提升工作效率，降低无效或侵权分析的准入门槛。

立即试用

轴承内圈热门专利
热门文章

IPRDB

最新中国发明专利 最新美国发明专利 技术领域 专利库 专利分类库 国际专利分类库

热门服务

会员版试用 API 数据接口 找代理 知嘟嘟专利交易 排行榜 大学排行榜 专利百科

关于我们

平台介绍 战略合作 网站地图

友情链接

知嘟嘟专利交易 国家知识产权局 中国商标网

联系方式


©2019-2023 上海吉码数字技术有限公司 版权所有，并保留所有权利 沪ICP备20016256号-6 沪公网安备31011702005475号