基于大数据技术的滚动轴承故障诊断及剩余寿命预测方法研究

发布时间：2020-04-16 03:45

【摘要】：滚动轴承是以透平机械为主的多数机械设备中应用最为广泛的一类零部件,但同时它也是其中最易损的一种零部件。传统的滚动轴承剩余寿命预测方法通常在振动信号降噪后,提取时域或频域某一特征评估轴承性能退化,建立模型预测剩余寿命。但由于单一域指标难以全面表征轴承性能退化过程,模型建立过于简单,导致预测结果不准确。因此,针对上述问题,本文借助大数据分析技术,研究了从多域提取轴承特征并进行加权计算,构造一个新的性能退化评估指标,在支持向量机的基础上建立改进组合模型来进行轴承剩余寿命预测。首先,了解了滚动轴承特征提取、故障诊断以及剩余寿命(P-F时间)预测的研究背景和意义,对信号降噪的国内外研究现状进行了总结与分析,在分析大数据技术的发展状况及其在故障诊断领域的应用现状的同时,归纳了滚动轴承剩余寿命预测工作中存在的重点问题和难点问题,对滚动轴承性能状态评估所需特征信息的提取方法进行了研究,结合P-F曲线,深度分析了滚动轴承的故障演化规律,研究其性能退化过程,准确解读了剩余寿命的涵义,以便开展后续研究工作;其次,针对采集到的轴承振动信号中包含大量噪声而导致的诊断及寿命预测工作中结果出现较大偏差甚至无法实现诊断及寿命预测的情况,运用了局部均值分解算法,并结合快速独立成分分析方法对轴承振动信号予以降噪处理,经过仿真分析,验证了该方法的可行性,然后运用实际工程试验数据,再次验证了该方法在信号降噪方面的有效性;并与常用的滤波器滤波方法的信号处理结果进行对比,发现本文提出的方法在处理轴承振动信号降噪问题时效果更好;然后,针对滚动轴承剩余寿命预测工作中一个难点,即性能退化评估指标难以构建的问题,提取了时域和频域的特征指标并形成特征集合,应用核主成分分析方法对特征集合进行加权分析运算,提取了包含特征集合关键信息的核第一主成分作为轴承性能退化评估指标,采用轴承全寿命实验数据验证该指标对轴承性能退化的评估能力,对比发现该指标既能良好体现轴承性能退化规律,又兼顾了良好的初期故障敏感性;最后,针对传统支持向量机在预测滚动剩余寿命时存在的准确率不高的问题,研究了在支持向量机基础上发展起来的最小二乘支持向量回归模型,对经过核主成分分析加权处理后的时域和频域特征集合,选用满足条件的主成分作为预测模型的输入,建立了最小二乘支持向量回归模型预测滚动轴承剩余寿命,并采用遗传算法优化了模型参数。采用轴承全寿命实验数据验证该预测方法的有效性,并将最终预测结果与其他支持向量回归模型得到的预测结果进行对比,验证了该方法在预测轴承剩余寿命时能够获得良好的预测结果。
【图文】：

轴承故障,振动信号

学者所发表的文章中俞九成都是基于振动能量信号。因此，本文所进行的相关研宄工逡逑作均是针对振动信号。逡逑图１－１所示为采集自传感系统的轴承内圈故障信号。逡逑９逦逦１逦逦逦逦ｒ邋——逦逦ｒ邋邋逦逡逑６－逦－逡逑－６邋＊逦￣逡逑＂９０逦０．０５逦０．１逦０．１５逦０．２逡逑时间１７ｓ逡逑图１－１轴承故障振动信号逡逑Ｆｉｇ．邋１－１邋Ｂｅａｒｉｎｇ邋Ｆａｕｌｔ邋Ｖｉｂｒａｔｉｏｎ邋Ｓｉｇｎａｌ逡逑在分析机械装备的振动信号以实现诊断的过程当中，需要借助数据采集专业仪器逡逑来获得机组的振动信号，得到的信号中或多或少地混入了各类噪声，为了进行高效分逡逑析，得到正确诊断结论，有必要提高信噪比，这就要求滤除混杂在有效信号中的噪声逡逑信号，因此，信号降噪问题己成为当今设备故障诊断研究领域中的一个热点研宄问题逡逑⑴】。逡逑当前轴承振动能量信号的降噪方式多样，常用的方式有：小波方法［１２］、经验模式逡逑分解方法［１３，１４］、奇异值分解方法［１５，，１６］等。逡逑黄雨青【１７］等研究了在小波包变换基础上发展起来的全新信号降噪方法——改进逡逑３逡逑

时域波形,仿真信号,分量

分ＰＦ分量，将剩余的ＰＦ分量保留并进行信号重构，以得到虚拟观测信号。逡逑本研宄中，包含噪声的仿真信号经ＬＭＤ算法处理分解后，获得了邋３个ＰＦ分量，逡逑各个分量的时域波形如图３－４所不。由图３－４可以看出，ＬＭＤ分解得到的ＰＦ１分量信逡逑号为调幅调频信号，而另外两个分量ＰＦ２和ＰＦ３则整体较为杂乱，并无一定的规律逡逑性，这可能是由于噪声的干扰而产生的虚假分量。逡逑５逦！逦Ｉ逦Ｉ逦Ｉ逦！逦Ｉ邋＇邋Ｉ逦Ｉ逦Ｉ逡逑－ｎ逦ｉｂｉｔｏ逡逑ｇｒ邋逦ｊ逦｜逦｜逦ｊ逦ｉ逦ｊ逦｜逦１逦｜逦｜逡逑０逦１００逦２００逦３００逦４００逦５００逦６００逦７００逦８００逦９００逦１０００逡逑２逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦Ｉ逦ｉ逦ｉ逦ｉ逡逑ｉ邋Ａ逡逑ｇｏ邋卜［／１／ＶＩ邋｛逦ｖＷ邋ＶＶ＼邋ｊ邋＼／＼ＮＶ、ａ＼Ｍｖ逡逑Ｖ逡逑逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦逡逑＇０逦１００逦２００逦３００逦４００逦５００逦６００逦７００逦８００逦９００逦１０００逡逑２逦Ｉ逦ｌ逦ｌ逦ｆ逦Ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦＇逡逑ｇ邋ｏ逦＇Ｎ。／？＼ｆ＼ｊ＼—逡逑＇２０逦１００逦２００逦３００逦４００逦５００逦６００逦７００逦８００逦９００逦１０００逡逑采样点数Ｎ逡逑图３－４含噪仿真信号各ＰＦ分量图逡逑Ｆｉｇ．３－４邋ＰＦ邋Ｃｏｍｐｏｎｅｎｔｓ邋ｄｉａｇｒａｍ邋ｏｆ邋Ｓｉｍｕｌａｔｅｄ邋Ｓｉｇｎａｌ邋Ｃｏｎｔａｉｎｉｎｇ邋Ｎｏｉｓｅ逡逑求取含噪仿真信号与上述３个分量结果间的互相关系数
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】