[发明专利]基于多维数据驱动的大型回转支承剩余寿命在线预测方法

说明书

技术领域

本发明属于振动信号处理及设备健康监测领域，涉及一种基于多维数据驱动的大型回转支承剩余使用寿命在线预测方法。

背景技术

大型回转支承作为核心回转连接件常用于风力发电机、挖掘机、起重机等大重型设备中，其严重的故障会导致巨大的损失。因此，实现回转支承在线剩余寿命预测，对制定有效的主动维护或更换策略、提高生产效率有重要的意义。

大型回转支承一般工作在背景噪声大，转速低且载荷重的工况下，各部件产生的非平稳随机信号中的故障通过频率可低至1Hz且能量很低，这导致其振动信号的有效信息被完全淹没在背景噪声下，一般的降噪方法很难达到理想效果。此外，大型回转支承直径可达800-5000mm，如此庞大的部件必须采用多个加速度传感器获取不同方向、不同位置的振动信息，才能完整反应出回转支承的运行状况，这就产生了多维的原始信号。如果直接计算出这些信号各自的时域、频域、时频域特征，将带来几十维至上百维的特征向量，使得寿命预测模型建模时耗过长且精度很差。因此，常见的设备性能退化模型建立方法并不适用于大型回转支承。综上所述，基于数据驱动的大型回转支承寿命预测的关键在于振动信号降噪、数据降维以及性能退化模型的建立。

聚类经验模态分解(EEMD)非常适用于分析非平稳信号，首先向原始信号中添加均匀白噪声，然后通过包络算法，将一组信号分解成多个本征模态分量(IMF)，不同的IMF代表此信号在同一时间序列上不同的频域范围。主成分分析(PCA)则通过降维处理，将多维数据矩阵投影到主元子空间和残差子空间中，从而用互不相关的几个主元代表所有变量的变化情况。此外，PCA引入的统计量T²和平方预测误差(SPE)可以用于判断不同的多维数据之间的差异，其阈值报警功能可以用于处理多变量多样本的监测数据。最小二乘支持向量机(LS-SVM)作为一种高效的分类、回归工具，近年来被广泛应用在故障分类、寿命预测中。

然而，常见的回转支承振动信号故障处理方法中使用EEMD只是将信号进行分解，然后分析各个IMF的能量，很少对IMF进行滤波、选择以重构信号，国外学者提出的EEMD-MSPCA能够有效地进行滤波消噪，但是其效果严重依赖于多个经验参数，技术人员通常无法获得这些参数的最优选择。另一方面，PCA也是主要用于故障诊断，以信号的T²或者SPE是否超过其阈值来判断设备是否出现异常，并没有更深入的研究和应用。

因此，实现大型回转支承在线剩余寿命预测，需要充分研究并利用EEMD和PCA的优势，对多维加速度信号进行自适应的降噪、重构、降维、特征提取等，最终获得回转支承性能退化模型，建立起准确的在线剩余寿命预测模型。

发明内容

为实现上述目标，本发明充分融合利用了EEMD良好的非平衡信号处理能力和PCA对高维数据的降维、差异判断的优良性能，提出了一种基于多维数据驱动的大型回转支承剩余寿命在线预测方法。

本发明的技术方案是：

提出了一种基于多维数据驱动的大型回转支承剩余寿命在线预测方法，该方法首先对回转支承进行全寿命疲劳试验，获取其整个试验周期的多组振动加速度信号监测数据；然后利用聚类经验模态分解(EEMD)将振动信号分解成多个本征模态分量(IMF)，并利用主成分分析(PCA)选择能反应出回转支承性能退化的若干IMF进行信号重构，以达到滤波消噪的目的。接着，将不同时期的多维加速度信号与试验初期的信号进行PCA，得到一维的连续SPE(C-SPE)，并以此反应出多维加速度振动信号的变化情况，再计算出C-SPE的多个时域特征，建立起回转支承的性能退化模型。最后利用LSSVM建立起回转支承剩余寿命与性能退化模型的关系模型，从而建立起回转支承的剩余寿命预测模型。回转支承加装在线监测系统后，获取到的多维振动信号便可按照此方法进行降噪、重构、特征提取，最终实现在线剩余寿命预测，其具体实现步骤如下：

1)获取多维加速度信号。对全新的回转支承进行满载荷的疲劳寿命试验，直至其完全失效卡死，使用均布在回转支承定圈内侧的K(K≥4)组加速度传感器采集回转支承内外圈滚道的相对轴向、径向振动信号，保存多维加速度传感器的全寿命试验数据a₁,a₂,…,a_k,…,a_K；