[发明专利]基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法

说明书

本发明公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法，其特征包括如下步骤：1)采集滚动轴承运行状态振动信号，从中提取特征数值；2)设置报警阈值、分阶段点阈值、停车阈值分别作为预测初始点、第二阶段和第三阶段分界点、预测截止点。3)设置粒子滤波算法初始值；4)建立不同劣化阶段滚动轴承初始模型；5)设置模型初始参数数值；6)应用最小二乘法更新模型参数；7)应用上述不同劣化阶段物理模型及粒子滤波算法进行滚动轴承剩余寿命预测；8)滚动轴承剩余寿命预测输出。该方法具有实时性、有效性、准确率较高等优点，适合于多种设备的滚动轴承剩余寿命预测。

技术领域

本发明属于设备故障诊断领域，涉及针对常用滚动轴承剩余寿命预测模型建立的方式方法。

背景技术

滚动轴承是旋转机械中应用广泛的零部件之一，其寿命的长短影响设备的正常运转。准确预测滚动轴承的剩余寿命，可以合理安排滚动轴承的性能检查及维护更换工作，避免停车过早影响生产的进行或停车过晚造成设备损坏，影响生产安全。目前如何有效进行滚动轴承剩余寿命预测是目前研究的一大难点，众多工作人员及科研人员都在这一研究上进行了很多探索。将物理方法和数据驱动方法有效结合，按照裂纹劣化不同阶段分别进行滚动轴承剩余寿命预测是一大研究亮点。

目前滚动轴承故障导致轴承寿命缩短的原因有很多，主要原因如下：滚动轴承长期受交变载荷作用引起疲劳剥落；滚动轴承零部件之间因为相对滑动儿引起的磨损；在外力和环境温度作用下发生塑性变形；由于环境介质引起的滚动轴承零件金属表面发生化学反应造成的腐蚀；滚动轴承由于过载或缺陷导致断裂等突发性事故及保持架损坏等多种故障。

滚动轴承剩余寿命预测方法目前有很多种，主要包括：基于Paris疲劳寿命预测模型的轴承寿命预测方法，应用概率理论进行轴承的寿命预测，基于人工智能技术的轴承疲劳寿命的研究及基于状态监测系统的疲劳寿命预测研究等。Paris理论公式符合第二个区域的劣化规律。在第三区域，裂纹劣化速度明显加快，时间很短，但是对于低周期的疲劳部件，时间不算很短，且第三部分的准确预测也能提高滚动轴承剩余寿命预测的准确性，便于精准计算滚动轴承更换时间。为提高剩余寿命预测结果的准确性，将滚动轴承运行状态的差异分为第二阶段及第三阶段两种情况，则不同的运行阶段对应不同的寿命预测模型。

近年来，随着科技的发展进步，新兴的人工智能诊断技术及状态监测系统正在得到逐步发展和应用，此种方法适用于解决物理规律复杂、不确定性影响因素较多的滚动轴承剩余寿命预测情况。物理模型主要从故障机理出发，模型劣化规律与实际工况相似。将二者相结合可以很大程度上提高滚动轴承剩余寿命预测结果的准确性。本文依据上述内容提出了将人工智能技术及物理模型相结合的分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法。

发明内容

本发明的目的是考虑滚动轴承不同劣化阶段的特点，提出不同劣化阶段的预测模型，应用其进行滚动轴承剩余寿命预测，很大程度上提高了滚动轴承剩余寿命预测结果的准确性。该方法结合现代智能算法，为滚动轴承寿命预测提供了一套智能的、实时的、准确的滚动轴承剩余寿命预测方法。

本发明公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法，具体步骤为：

步骤(1)采集滚动轴承运行状态振动信号，从中提取特征数值：应用信号采集系统采集滚动轴承运行状态信息，将其输入特征数值公式，求取特征数值作为滚动轴承剩余寿命预测的输入值。

步骤(2)设置报警阈值、分阶段点阈值、停车阈值分别作为预测初始点、第二阶段和第三阶段分界点、预测截止点：将运行状态振动区域按照标准分为A、B、C、D 4个区域，设置报警阈值为B区域上限的1.25倍，设置分阶段点阈值为C区域上限数值，设置停车阈值为C区域上限的1.25倍。

步骤(3)设置粒子滤波算法初始值；

1)取预测时刻点前100～200个数据点进行预测；