基于多特征量的滾動軸承退化狀態(tài)評估和剩余壽命預測方法研究.pdf

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

2、多基于數(shù)據驅動的方法。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)據驅動的方法大多只考慮了部分時頻域特征或熵特征，而很少綜合利用多個域的特征量來表征滾動軸承的退化狀態(tài)。因此，本論文在原始振動數(shù)據的基礎上，提取多個域的特征信號以描述滾動軸承的退化狀態(tài)，研究了基于多特征量的滾動軸承退化狀態(tài)評估和剩余壽命預測方法。本文的研究方法屬于數(shù)據驅動方法，因此，研究內容包括特征提取、特征選擇、退化狀態(tài)評估和剩余壽命預測四個基本步驟。本論

3、文正是圍繞這四個關鍵環(huán)節(jié)分別展開研究，其主要研究內容如下：
　?。?）針對滾動軸承的振動信號結構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信號進行預處理，有效地去除了原始振動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樣本數(shù)據進行特征提取，具體包括：時域統(tǒng)計特征、頻域統(tǒng)計特征、小波節(jié)點能量。此外，本文還引入了振動信號的熵特征，包括：時域信息熵、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上，本文應用了一種無監(jiān)督的特征選擇方法，即通過定義三種重要的特征評價指標對96個的特征量進行評估，有目的地篩選出有益于進行剩余壽命預測的敏感特征。
　?。?）滾動軸承運行過程中的原始振動信號具有非平穩(wěn)和非線性的特點。本文利用局部均值分解（LocalModeDecompositionLMD）在處理調幅-調頻復雜信號方面的優(yōu)勢，將原始振動

5、信號分解成有限個有物理意義的平穩(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，分別基于原始振動信號和PF分量提取多個時、頻特征。最后，利用主成分分析（PrinciplalComponentAnalysis,PCA）對多特征進行降維，將PCA和相關性分析相結合構造了一種滾動軸承的退化評估指標，進而用試驗數(shù)據驗證了所提出方法的可行性和準確性。
　?。?）滾動軸承的退化

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