[发明专利]一种应用于自动化生产线的故障预测与健康管理方法

权利要求书

1.一种应用于自动化生产线的故障预测与健康管理方法，其特征在于，包括以下步骤：

步骤1，准备若干条待测自动化生产线，对待测自动化生产线中的轴承设备分别进行加热老化、振动测试，得到训练数据并存储于数据库中；

步骤2，对训练数据进行FMECA分析，得到训练样本；

步骤3，进行CBM试验，设定神经网络层数并初始化神经网络；

步骤4，利用传感器对自动化生产线中的轴承设备进行数据采集；

步骤5，进行数据分析，对采集的数据进行特征提取；

步骤6，采用深度学习模型、运用粒子滤波算法：VNN、DBN、CNN及SAE对训练样本分别训练神经网络；若所有模型的训练误差均小于预设阈值，则返回步骤3，重新设定神经网络层数并初始化神经网络；否则，选定训练误差最小的深度学习模型，并将其训练好的神经网络放入测试芯片中；

步骤7，采用传感器对处于工作状态的待测自动化生产线的轴承设备进行实时数据采集，根据实时数据，测试芯片计算待测自动化生产线的轴承设备当前健康状态X进行输出，并将历史数据存储于RAM中；

步骤8，采用切片双谱检测，当轴承发生故障时，采样信号的特征x(t)为受干扰的冲击调制信号，即；

式中，ω_i为调制源，包括轴承故障特征频率及其谐波频率；ω₀为载波频率；b为任意常数；轴承发生故障时，其振动信号解调后的信号包含了故障特征频率的一次谐波，且相位是互相关联的，即存在二次相位耦合现象；若设ω_F为轴承的故障特征频率，则双谱的（ω_F,ω_F）处出现相位耦合现象，从而双谱在(ω_F ,ω_F)处会有明显的谱峰；

步骤9，计算RAM中所有历史数据的平均值，与最新数据对比，若存在故障率变大趋势，则计算其变化速率v：，其中time是时间偏移量；并计算其达到故障阈值的时间：，即为待测自动化生产线中的轴承设备的剩余寿命；

步骤10，对自动化生产线中的轴承设备进行维修准备与健康管理。

2.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤4中的传感器为温度传感器和加速度传感器。

3.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤5中，对采集的数据提取的特征为温度和振动频率。

4.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤6中，测试芯片与自动化生产线中的轴承设备相连接。

5.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤7中，历史数据的存储方式为：

1）设定历史数据的最大保存数目N;

2)按照时间顺序依次存入N个历史数据；

3)初始化i=1;

4)当采集到下一个新数据时，替换第i个数据，并更新i=mod(i,N)+1。

6.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤X是深度学习神经网络计算得到的待测自动化生产线的轴承设备当前健康状态；在深度学习神经网络中，其输出值X代表其分类概率，大于0.5被标记为分类1，小于0.5则被标记为分类0，分类0为故障；所述故障率变大的趋势是X值减小的趋势，所述达到故障阈值则是X减小到达0.5的时刻。

7.如权利要求1所述的故障预测与健康管理方法，其特征在于，步骤10中，健康管理的方式为：

1) 通过温度传感器获取自动化生产线中轴承设备的温度，若异常升温：润滑剂过多，减少润滑剂；润滑剂不足或不合适，增加润滑剂或选择合适润滑剂；

2）通过加速度传感器获取自动化生产线中轴承设备的振动频率，若轴的回转振动大导致裂缝、磨损：疲劳剥落，更换轴承；组装不良，提高轴的加工精度；异物侵入，清洗相关零件，使用干净润滑脂。