[发明专利]融合历史轨迹的船用动力轴承剩余寿命预测方法及系统

说明书

本申请公开了一种融合历史轨迹的船用动力轴承剩余寿命预测方法及其系统，该方法包括：定期采集轴承的健康因子，判断轴承是否发生退化，当轴承发生退化时，定期向前滑动时间窗口以根据历史轴承退化轨迹和当前时间窗口内的健康因子轨迹持续预测轴承的退化趋势；预测过程包括：根据当前时间窗口内的健康因子轨迹训练退化轨迹在线预测模型；选取历史轴承退化轨迹并截取与当前时间窗内的健康因子轨迹最接近的轨迹进行拟合后再与在线预测模型进行拟合，预测退化趋势。本申请在轴承出现退化时，历史退化轨迹和在线数据对退化轨迹进行预测，预测精度更高，且能够根据新获取到的在线数据持续更新预测，以使退化趋势的预测更加准确可靠。

技术领域

本申请属于轴承退化趋势技术领域，更具体地，涉及一种融合历史轨迹的船用动力轴承剩余寿命预测方法及系统。

背景技术

轴承一般在恶劣多变的环境工作，极易发生故障，并且故障类型多种多样，不同工况下受损程度也不一致，所以，工业上采用各种技术对轴承进行健康监测，及时地判断轴承是否发生故障并且进行剩余寿命预测，可以及时发现故障并进行处理，延长轴承的使用周期，若是不能进行维修，可以在轴承剩余寿命范围之内最大效益地进行使用。

常见的轴承寿命预测的方法有两种，基于模型的方法和基于数据驱动的方法。基于模型的方法是针对轴承构建特定模型来实现寿命预测，依赖于专家知识和轴承物理退化规律，基于模型的方法依赖于初始参数的选取，并且不够灵活，数据变化规律发生改变时无法及时进行处理，使得剩余寿命的预测会出现较大的偏差。基于数据驱动的方法则是通过分析监测数据，探究数据变化与设备运行状态变化之间的联系，实现故障诊断和寿命预测。基于数据驱动的方法可以比较灵活地检测数据的变化趋势，及时做出调整和改变。但是基于数据驱动的方法需要大量训练数据作为支撑，样本量过小会导致模型无法有效学习到数据的变化规律，但是轴承故障类型多样，用于训练数据驱动的全生命周期的轴承工况数据较少，无法在所有轴承上都取得较好的预测结果，泛化性不够强。

发明内容

针对现有技术的以上缺陷或改进需求，本申请提供了一种融合历史轨迹的船用动力轴承剩余寿命预测方法，其目的在于利用较少的在线数据精确预测轴承的退化趋势，由此解决当前在线样本数量和预测精度难兼顾的技术问题。

为实现上述目的，按照本申请的一个方面，提供了一种融合历史轨迹的船用动力轴承剩余寿命预测方法，包括定期采集轴承的健康因子，判断轴承是否发生退化，当轴承发生退化时，定期向前滑动时间窗口以根据历史轴承退化轨迹和当前时间窗口内的健康因子轨迹持续预测轴承的退化趋势，

其中，根据历史轴承退化轨迹和当前时间窗口内的健康因子轨迹预测轴承的退化趋势，包括：

根据当前时间窗口内的健康因子轨迹训练退化轨迹在线预测模型；

选取历史轴承退化轨迹，从每条历史轴承退化轨迹中截取与当前时间窗内的健康因子轨迹最接近的轨迹进行拟合以使拟合轨迹最接近当前时间窗内的健康因子轨迹，得到退化轨迹历史预测模型；

对退化轨迹在线预测模型和退化轨迹历史预测模型进行拟合以使拟合轨迹最接近当前时间窗内的健康因子轨迹，得到退化轨迹融合预测模型；

根据所述退化轨迹融合预测模型预测轴承的退化趋势。

在其中一个实施例中，判断轴承是否发生退化，包括：

判断轴承的退化模式，以轴承健康因子的预设变化率γ′作为快速退化的故障预警点，以轴承健康因子的预设值HI′作为缓变退化的故障预警点，

当γ≥γ′时，判定当前退化模式为快速退化模式，其中，γ为轴承健康因子的变化率；

当γγ′且HI≥HI′时，判定当前退化模式为缓变退化模式，其中，HI为轴承健康因子的值。

在其中一个实施例中，轴承健康因子的预设值HI′＝0.5，轴承健康因子的预设变化率γ′＝1.2。