[发明专利]一种基于高斯过程回归的轴承故障预测方法

说明书

技术领域：

本发明涉及了一种基于高斯过程回归的轴承故障预测方法，属于轴承故障预测技术领域。

背景技术：

轴承是旋转机械不可缺少的零部件，更是保证精密机床、高速铁路、风力发电机等重要装备设施精度、性能、寿命和可靠性的核心零部件，同时轴承属于易损坏零件，因此其状态监测、故障诊断、故障预测一直是研究热点。近年来，系统的视情维修逐渐受到人们的重视，故障预测技术作为视情维护的核心技术对于提高生产安全、降低生产成本以及延长设备使用寿命，都具有重大的意义。

目前在轴承的故障预测中，振动信号的特征提取通常的方法是选择时域统计量作为寿命特征参数,。轴承本身振动信号的时域特征信息，如均方根值、峰值、波形因子、峰值因子等会随着轴承故障发生变化。通过判断和预测这些时域参数值是否大于正常轴承的相应值来判断是否存在故障。不同的幅值参数对不同的故障敏感程度不同，例如均方根值对磨损类故障敏感，而峰值指标对于元件表面剥落、压痕故障敏感，峰值因子对两类故障都可以判断。有资料统计表明，使用峭度系数和有效值共同来监测滚动轴承的振动情况，对滚动轴承故障判断的准确率达95%以上。幅值参数法虽然不能定位轴承故障的部位，但方法简单且能较好的表征故障发展趋势。

国内已有学者利用灰色理论方法、模糊方法以及最大熵方法等对轴承故障进行预测。轴承振动具有非线性和模糊性的特点，不易建立精确的数学模型。并且轴承的故障具有个体的差异性，在不同工况下轴承实际的寿命和出现的故障模式不同，现有方法不能很好地解决这个问题。此外，现有方法，如神经网络等，在预测精度、耗时等方面性能表现不尽如人意。

发明内容：

本发明针对现有技术中的不足和需求，提出了一种基于高斯过程回归的轴承故障预测方法。它定时采集轴承的振动信号，通过时域参数分析和特征提取，获得轴承振动信号的特征参数，根据设定的阈值，将轴承寿命周期分为健康、亚健康、故障三个时期。当轴承进入亚健康状态时，根据振动信号计算并存储特征参数（如均方值和峭度值等），采用高斯过程回归方法分别进行故障预测。当有新数据到达时，进行特征提取并输入到预测模型中，动态更新模型的参数，获得预测结果。

本发明一种基于高斯过程回归的轴承故障预测方法，其包括的步骤如下：

步骤一，设定预测系统参数，高斯过程回归模型进行初始化。

设定预测系统判定阈值1、判定阈值2。当预测的特征参数高于判定阈值1时，判定轴承进入亚健康状态，应用高斯过程回归模型进行故障预测；当预测的特征参数高于判定阈值2时，判定轴承即将故障，应给予维修更换。

设定振动信号采集周期。在健康状态下采样周期不宜太短，在进入亚健康状态后，减小采样周期。一般来讲，对于持续工作中的轴承，在健康状态下每天采样1次，每次1s，采样率可设为20kHz；在亚健康状态下每30分钟采样1次，每次1s，采样率可设为20kHz。

高斯过程回归是一种核学习机算法，应进行核函数的选取和超参数初始值设定，超参数初始搜索域可根据经验自由设定，超参数初始值可设为零，由算法训练学习获得。常用的核函数有SE核、NN核、Matern核等。

SE核函数：CSE(x,x′)=σf2exp(-P(x,x′)22)]]>