基于多特征量的滾動(dòng)軸承退化狀態(tài)評估和剩余壽命預(yù)測方法研究.pdf

1、滾動(dòng)軸承作為機(jī)械裝備中的關(guān)鍵部件，其工作狀態(tài)的好壞直接關(guān)系著機(jī)械裝備的整體性能。若不能及時(shí)地預(yù)知機(jī)械裝備中滾動(dòng)軸承的健康狀態(tài)或損傷情況，一方面會(huì)影響裝備維護(hù)策略的制定，而另一方面由于軸承失效所導(dǎo)致的級聯(lián)故障，易造成機(jī)械裝備發(fā)生災(zāi)難性的事故。因此，對機(jī)械裝備中滾動(dòng)軸承的性能退化趨勢進(jìn)行準(zhǔn)確地評估和預(yù)測有助于工程人員對其工作狀態(tài)進(jìn)行合理地判斷，進(jìn)而將損傷控制在允許范圍內(nèi)，防止意外故障發(fā)生。近年來，在滾動(dòng)軸承的退化趨勢評估和預(yù)測領(lǐng)域涌現(xiàn)出了許

2、多基于數(shù)據(jù)驅(qū)動(dòng)的方法。從傳感器所收集的特征信號能反映軸承的退化信息，而現(xiàn)有的基于數(shù)據(jù)驅(qū)動(dòng)的方法大多只考慮了部分時(shí)頻域特征或熵特征，而很少綜合利用多個(gè)域的特征量來表征滾動(dòng)軸承的退化狀態(tài)。因此，本論文在原始振動(dòng)數(shù)據(jù)的基礎(chǔ)上，提取多個(gè)域的特征信號以描述滾動(dòng)軸承的退化狀態(tài)，研究了基于多特征量的滾動(dòng)軸承退化狀態(tài)評估和剩余壽命預(yù)測方法。本文的研究方法屬于數(shù)據(jù)驅(qū)動(dòng)方法，因此，研究內(nèi)容包括特征提取、特征選擇、退化狀態(tài)評估和剩余壽命預(yù)測四個(gè)基本步驟。本論

3、文正是圍繞這四個(gè)關(guān)鍵環(huán)節(jié)分別展開研究，其主要研究內(nèi)容如下：
　?。?）針對滾動(dòng)軸承的振動(dòng)信號結(jié)構(gòu)單一且含有大量噪聲干擾成分的普遍現(xiàn)象，論文首先引入了小波閾值降噪方法對原始振動(dòng)信號進(jìn)行預(yù)處理，有效地去除了原始振動(dòng)信號中的高頻噪音干擾信息。然后，對水平和垂直方向上的傳感器采集到的每個(gè)樣本數(shù)據(jù)進(jìn)行特征提取，具體包括：時(shí)域統(tǒng)計(jì)特征、頻域統(tǒng)計(jì)特征、小波節(jié)點(diǎn)能量。此外，本文還引入了振動(dòng)信號的熵特征，包括：時(shí)域信息熵、頻域信息熵、希爾伯特熵、樣

4、本熵以及小波包能量熵。所有的特征量構(gòu)成了描述軸承退化信息的96維特征集。最后，在完成特征提取的基礎(chǔ)上，本文應(yīng)用了一種無監(jiān)督的特征選擇方法，即通過定義三種重要的特征評價(jià)指標(biāo)對96個(gè)的特征量進(jìn)行評估，有目的地篩選出有益于進(jìn)行剩余壽命預(yù)測的敏感特征。
　?。?）滾動(dòng)軸承運(yùn)行過程中的原始振動(dòng)信號具有非平穩(wěn)和非線性的特點(diǎn)。本文利用局部均值分解（LocalModeDecompositionLMD）在處理調(diào)幅-調(diào)頻復(fù)雜信號方面的優(yōu)勢，將原始振動(dòng)

5、信號分解成有限個(gè)有物理意義的平穩(wěn)分量，分量被稱作乘積函數(shù)（ProductFunction,PF）。PF分量可以反映出微弱故障信號的變化趨勢。然后，分別基于原始振動(dòng)信號和PF分量提取多個(gè)時(shí)、頻特征。最后，利用主成分分析（PrinciplalComponentAnalysis,PCA）對多特征進(jìn)行降維，將PCA和相關(guān)性分析相結(jié)合構(gòu)造了一種滾動(dòng)軸承的退化評估指標(biāo)，進(jìn)而用試驗(yàn)數(shù)據(jù)驗(yàn)證了所提出方法的可行性和準(zhǔn)確性。
　?。?）滾動(dòng)軸承的退化

6、評估指標(biāo)對剩余壽命的預(yù)測非常關(guān)鍵。本論文首選利用相對均方根對滾動(dòng)軸承的性能退化趨勢進(jìn)行評估，有效地克服了退化過程中軸承的個(gè)體差異性。通過規(guī)定初始故障和失效閾值，合理地將軸承整個(gè)生命周期分為三個(gè)不同階段。接著，借助支持向量機(jī)（SupportVectorMachine,SVM）在解決小樣本問題方面的優(yōu)勢，以及相關(guān)向量機(jī)（RelevanceVectorMachine,RVM）能得到概率輸出結(jié)果的特點(diǎn)，經(jīng)過對SVM和RVM傳統(tǒng)模型進(jìn)行改進(jìn)，得到