[发明专利]一种无量纲参数滚动轴承长相关故障趋势预测方法

说明书

本发明涉及一种无量纲参数滚动轴承长相关故障趋势预测方法，该方法包括如下步骤：(1)采集滚动轴承原始振动信号；(2)建立MIX‑ARMA模型；(3)采用MIX‑ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；(4)获取平滑振动信号的Hurst参数；(5)根据Hurst参数确定滚动轴承是否发生故障。与现有技术相比，本发明方法简便，预测结果准确可靠。

技术领域

本发明涉及一种滚动轴承故障预测方法，尤其是涉及一种无量纲参数滚动轴承长相关故障趋势预测方法。

背景技术

故障趋势预测对于实现机械设备的故障预警和预报、保障长期安全运行、减低维修费用和提高使用率具有重大的意义。故障预测的2个基本问题是：机械运行状态和故障趋势特征量的提取方法；根据故障特征序列特性进行的趋势预测方法。

近年来越来越多的关注无量纲幅域参数，如波形指标、峰值指标、裕度指标、峭度指标。它们对幅值能力变化不是很敏感，与机器工作条件关系不大，但是对设备故障有足够的敏感度，并且计算简单，便于在线应用。由于轴承的故障类型和程度的不同，这些无量纲参数对故障的敏感程度各不相同，一般都会将多种无量纲参数及有量纲参数相结合使用，才能更准确地判断故障的有无及故障的发展趋势。为了克服传统的信号波形无量纲参数仍与能量有关，或者与能量无关但只是定性分析的缺点，基于时域波形统计分析，构建了几个新的对能量不敏感的无量纲幅域参数：重复性描述因子、相似性描述因子和跳跃性描述因子。它们能定量分析与故障有关的波形形状信息，能更好地反映变负荷下的轴承故障发展趋势。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无量纲参数滚动轴承长相关故障趋势预测方法。

本发明的目的可以通过以下技术方案来实现：

一种无量纲参数滚动轴承长相关故障趋势预测方法，该方法包括如下步骤：

(1)采集滚动轴承原始振动信号；

(2)建立MIX-ARMA模型；

(3)采用MIX-ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；

(4)获取平滑振动信号的Hurst参数；

(5)根据Hurst参数确定滚动轴承是否发生故障。

所述的MIX-ARMA模型为：

Φ(z^-1)(1-z^-1)^dx_t＝Θ(z^-1)ε_t，

其中，ε_t为原始振动信号，x_t为平滑振动信号，d为差分阶数，p为自回归阶数，q为移动平均阶数，Φ(z^-1)为p阶AR多项式，Θ(z^-1)为q阶AR多项式，φ、θ为多项式系数，z为常数，0＜|z|＜1。

所述的差分阶数d取值为：d∈(-0.5,0.5)∪{0,1,2,...,n}，n为整数。

步骤(4)中Hurst参数通过如下方式获得：H＝d+0.5，其中，H为Hurst参数，d为差分阶数。

步骤(5)具体为：若Hurst参数H＞0.5，则此时滚动轴承发生故障，否则滚动轴承无故障。

该方法还包括对步骤(5)采用Hurst参数确定滚动轴承是否发生故障的验证，具体为：求取平滑振动信号的跳跃性因子，若跳跃性因子大于设定值则滚动轴承发生故障；