[发明专利]一种改进CHSMM的滚动轴承剩余寿命预测方法

说明书

本发明公开了一种改进CHSMM的滚动轴承剩余寿命预测方法，其特征是：先提取轴承振动数据的时域及时频域的特征向量，并采用PCA算法对特征向量进行降维；然后利用k‑means算法得到各退化状态数据，建立退化状态识别模型，并利用轴承全生命周期数据建立剩余寿命预测模型；针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题，将高斯混合概率密度函数引入到CHSMM中；相比基于原始CHSMM建立的剩余寿命预测模型，基于改进CHSMM建立的剩余寿命预测模型，能够更好的逼近状态驻留时间概率分布，从而可以更精确的预测轴承的剩余寿命。

技术领域

本发明属于轴承剩余寿命预测领域，具体涉及一种改进CHSMM的滚动轴承剩余寿命预测方法。

背景技术

随着工业及科技水平的不断提高，机械设备不断在复杂、高效、轻型等方面进行改进，同时也面临更加苛刻的工作环境。一旦设备的关键部件出现故障，就可能会影响整个生产过程，造成巨大的经济损失，甚至会导致人员伤亡等问题。因此，设备维修正由传统的事后维修和计划维修向基于状态的视情维修转变，而作为建立合理维修策略的前提，设备剩余寿命预测也开始备受关注。

滚动轴承作为旋转机械中的关键零部件之一，其性能状态的好坏直接影响整台设备的运行可靠性。一般来说，滚动轴承在使用过程中都会经历从正常到退化直至失效的过程，而这期间通常要经历一系列不同的性能退化状态。如果能够在滚动轴承性能退化的过程中监测到轴承的剩余寿命，那么就可以有针对性地组织生产和制定合理的维护计划，防止设备异常失效的发生。

目前，对于滚动轴承剩余寿命预测可以分为：基于模型、数据驱动两大类方法。基于模型的方法主要是根据轴承的物理结构，应用数理统计原理或从力学的角度建立轴承的寿命模型，这些方法需要大量的专家经验及较复杂的故障机理知识，限制其应用范围。数据驱动的方法主要是根据轴承运行的状态数据，利用机器学习算法，对轴承的剩余寿命进行预测。用到的主要方法有深度神经网络(deep neuralnetworks,DNN)、支持向量机(supportvectormachine,SVM)、卡尔曼滤波(the Kalman particle filteringalgorithm，KF)以及CHSMM(Continuous hidden semi-Markov model,连续隐半马尔可夫模型)，其中，CHSMM是一个双重随机过程，可以很好的描述轴承的退化过程与状态数据之间的关系，许多学者将其应用到轴承剩余寿命预测领域。但在应用CHSMM过程中，均假设其状态驻留时间概率密度函数符合高斯分布，而实际中，状态驻留时间的真实分布函数是未知的，这种假设会降低预测精度。

发明内容

本发明为了更准确地对轴承的剩余寿命进行预测，提出一种改进CHSMM的滚动轴承剩余寿命预测方法。

为了实现上述目的，本发明通过如下技术方案实现：

步骤(1)：获取轴承全生命周期振动数据，进行去噪和归一化预处理；提取振动数据的时域、时频域特征向量；

步骤(2)：利用PCA(Principle component analysis,主成分分析)算法对多域特征向量进行特征降维；

步骤(3)：将步骤(2)得到的轴承全生命周期数据分为五个退化状态，即正常状态、退化状态1、退化状态2、退化状态3、退化状态4，并用k-means算法对全生命周期数据进行聚类分析，得到各退化状态数据；

步骤(4)：将高斯混合概率密度函数引入到CHSMM中，得到改进的CHSMM，利用步骤(3)得到的各退化状态数据训练出五个退化状态识别模型，作为轴承的状态分类器；

步骤(5)：利用步骤(2)得到的全生命周期数据训练出一个剩余寿命预测模型，得到全生命周期的状态转移概率，对于待测数据，利用步骤(1)、(2)所提方法提取其特征向量，并将其输入到步骤(4)的状态分类器中，得到轴承当前的退化状态，然后利用剩余寿命计算公式计算出轴承当前的剩余寿命。