机械设备中滚动轴承故障预测方法

摘 要

　　滚动轴承是机械设备中的重要部件，据统计，约 30%的旋转机械故障是由滚动轴承损伤所造成，这些故障会产生昂贵的停机损失，甚至是人员伤亡。因此，对滚动轴承故障预测的关键方法：特征向量提取与降维、性能退化评估、剩余寿命预测进行研究与改进，使设备接近或达到零停机状态，具有重要的意义。

　　针对提取的特征向量维数过高及局部保留投影(Linearity Preserving Projection，LPP)算法在降维过程中因忽略数据的全局结构而破坏高维数据流形问题，提出一种基于改进LPP 算法的滚动轴承特征向量降维方法。提取滚动轴承振动信号时域、时频域特征向量，并利用改进 LPP 算法对多域特征向量降维，最后，以降维后的特征向量作为输入，以连续隐半马尔科夫模型(Continuous Hidden Semi-Markov Model，CHSMM)作为分类器，对滚动轴承进行故障类型识别。实验结果表明，改进 LPP 算法克服了 LPP 算法没有考虑高维数据全局结构的缺陷，显着提高了数据的聚类效果；基于改进 LPP 和 CHSMM 方法的轴承故障类型识别的总体正确率为 89%，相比于基于 LPP 和 CHSMM 的方法，提高了 21.5%，进一步说明了改进 LPP 算法在轴承特征向量降维应用中的有效性。

　　针对支持向量数据描述(Support Vector Data Description，SVDD)算法对滚动轴承早期故障不敏感、参数选择困难问题，提出一种基于自适应果蝇优化算法-小波支持向量数 据 描 述 (Adaptive Fruit Fly Optimization Algorithm-Wave Support Vector DataDescription，AFOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量，采用改进 LPP 算法进行特征降维；针对现有核函数对滚动轴承早期故障不敏感问题，将小波核函数引入到 SVDD 算法中；针对 SVDD 算法参数选择困难问题，以支持向量个数与总样本数的比值为适应度函数，采用 AFOA 对其核参数进行优化，建立 AFOA-WSVDD 评估模型。最后，将轴承后期振动数据的特征向量输入到 WSVDD 模型中，得到轴承的性能退化指标。实验结果表明，采用所提方法能准确的对轴承早期故障作出预警，与基于 SVDD 算法的方法相比，提早了 17 个小时。

　　针对 CHSMM 对滚动轴承剩余寿命预测精度低问题，提出一种基于改进 CHSMM的滚动轴承剩余寿命方法。采用改进 LPP 算法对多域特征向量进行降维；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，建立退化状态识别模型和剩余寿命预测模型。最后，将轴承全生命周期数据输入到模型中，得到轴承的退化状态和剩余寿命。实验结果表明，采用所提方法能准确的对轴承剩余寿命进行预测，与基于原始 CHSMM 的方法相比，退化状态识别的正确率提高了 12%，剩余寿命预测的正确率提高了 23%。

　　关键词：滚动轴承；故障预测；LPP；WSVDD；性能退化；CHSMM；剩余寿命

　　随着科技的不断进步，机械设备变得越来越智能，给我们带来方便的同时，其可靠性问题也变得日益突出。机械设备的整体性能与各部件的健康状态密切相关，任何一个部件性能的退化，如果得不到及时的维修，都会产生安全隐患甚至人员伤亡。因此，如何有效的评估机械设备的运行状态，预测其剩余寿命，从而制定合理的维修策略，使整个制造过程实现零故障、零隐患、零意外，成为了现代制造业研究的重要问题。

　　现有的维修方式主要有事后维修和定期维修两种。事后维修是在设备出现故障后进行维修，避免了故障的进一步恶化，减少了由此带来的部分损失，但由于是在发生故障后才采取措施，仍造成了大量的财产损失和人员伤亡；而定期维修是每隔一段时间，对设备进行一次维修，不考虑设备的实际健康状态，这种维修方式弥补了事后维修的部分不足，但无法处理突发性故障，并且当维修间隔设置不当时，会产生维修不足或维修过剩问题，前者会产生和事后维修一样的弊端，后者会造成不必要的人力物力浪费[1]。近年来，随着现代维修理论的不断进步，维修方式也发生了改变，传统的维修方式正在向基于状态监测(Condition-based monitoring，CBM)的视情维修方式转变。视情维修是一种预测性维修方式，它通过获取能表征设备运行状态的数据，实时监测设备的健康状况，对设备的早期故障进行预警，并预测其未来的健康状态，为合理制定维修策略奠定了基础，使设备接近零停机状态[2,3]。由于视情维修克服了传统维修方式的不足，近年来已经在工业装备中广泛应用，例如波音公司将 CBM 应用到民航领域，称作“飞机状态管理”

　　系统，该系统减少了 25%的由于航班延迟及取消所产生的费用。NISSAN 公司在工业机器人的健康管理方面引进了预测分析模型，提前了三个星期对机器人早期故障进行了预测，及时的对机器人进行预防性检测，使机器接近或达到零停机状态，减少了企业的停机损失[4]。CBM 研究的重点是故障预测，它是视情维修的基础，只有正确的对设备进行故障预测，才能制定合理的维修策略。

　　滚动轴承是机械设备必不可少的部件，尤其是旋转机械，大到火车、机床、机器人，小到自行车都广泛包含着滚动轴承，其可靠性对机械设备的寿命有重要的影响[5]。据统计，超过一半的机械设备失效与轴承缺陷有关，在 2014 年火车出轨事件中，超过 60%是轴承过热引起的[6]。与其他部件相比，滚动轴承健康状态的影响因素较多，与它的运行负载、温度、润滑、生产材料等有较大关系，即使同种工况下的轴承，其寿命也呈现出较大的离散性，给轴承故障预测带来了巨大困难。传统的故障预测技术对简单的故障预测效果较好，但对于寿命离散性较大、具有较强非线性的轴承，预测效果却不尽如人意。因此，对传统的滚动轴承故障预测技术进行创新，准确的对轴承当前健康状态进行评估，预测其剩余寿命，将故障消除在萌芽阶段，具有重要的意义。

　　近年来，作为实施视情维修的基础，滚动轴承故障预测关键方法成为行业内的研究热点。这里的故障预测关键方法主要包括三个方面[7]：○1 退化特征提取与特征降维；○2 性能退化评估（对轴承的早期故障进行预警）；○3 剩余寿命预测。图 1-2 为滚动轴承故障预测技术研究的主要内容。

　　温度监测法是通过温度传感器测量轴承的温度，识别轴承的健康状态。当轴承出现故障时，故障处的摩擦力会变大，使轴承的温度显着上升，据此可以识别轴承的运行状态。但轴承只有在出现严重故障时，温度才会显着上升，当出现早期退化时，其温度变化并不明显，因此很难监测早期的故障信息[8]。

　　轴承从开始使用到失效要旋转上万转，润滑油可以减少旋转产生的摩擦力，延长轴承寿命，轴承在旋转过程中，磨损产生的颗粒会沉积在润滑油中，油液分析法正是通过分析润滑油中的磨损颗粒，监测轴承的运行状况，但这种监测方法需要操作人员有较强的实际经验，而且润滑油中的磨损颗粒容易受到其他部件的污染，产生误判[9]。

　　振动监测法是在轴承表面安装振动传感器，通过分析振动信息，可以辨别轴承的故障程度和类型。这种监测方式便于实施，对早期故障敏感，故障识别率较高，是目前应用最为广泛的信号采集方式，本文的研究都是基于振动信号进行分析的。滚动轴承通常运行在较为复杂的环境中，测得的振动信号是非稳定、非线性的，而且含有较强的噪声，因此，特征向量的有效提取，对性能退化评估、剩余寿命预测的准确性有重要影响。目前，滚动轴承常用的特征提取方法分为三类：时域特征参数提取、频域特征参数提取、时频域特征参数提取。

　　时域特征参数提取就是对采集到的信号直接进行运算，计算其时域统计量，例如峭度、均方根、方根幅值、偏斜度等。例如 Zarei J 等[12]提取轴承振动信号的时域特征峭度、均方根、偏斜度、标准差，以人工神经网络(Artificial Neural Networks，ANN)作为分类器，对轴承的故障类型进行识别，Gangsar P 等[13]提取轴承振动信号的时域特征标准差、偏斜度、峭度作为特征向量，以支持向量机(Support Vector Machine，SVM)作为预测和分类模型，对轴承进行了故障预测和分类。时域特征参数提取是一种最简单、最容易实施的特征提取方式，但也存在着一些不足，例如均方根随着轴承的性能退化，幅值不断增大，单调性较好，但却不能反映出轴承的初期缺陷；峭度是轴承的一个重要特征参数，对于一个性能良好的轴承，其峭度理论值为 3，当轴承性能退化时，峭度幅值变大，但峭度容易受到负载和转速的影响[14]。因此，许多学者对此进行了改进，提取了一些新的时域特征参数，Nayana B R 等[15]

　　提出了新的时域特征 waveform length、slopesign changes、zero crossing，并利用线性判别分析(Linear DiscriminantAnalysis，LDA)、朴素贝叶斯(Naive Bayes，NB)、SVM 验证了提出特征向量的有效性。Tahir M M 等[16]针对振动信号的波动性，提出一种集中趋势特征预处理的技术，实验证明了所提方法的有效性。

机械设备中滚动轴承故障预测方法：

CHSMM 的拓扑结构

改进 CHSMM 训练流程图

基于改进 CHSMM 的滚动轴承剩余寿命预测方法

轴承寿命测试试验台

轴承 1 多域特征

轴承 2 多域特征

改进 CHSMM 迭代曲线

目 录

　　摘 要
　　Abstract
　　第一章 绪论
　　　　1.1 课题研究的背景与意义
　　　　1.2 滚动轴承故障预测关键方法的研究现状
　　　　　　1.2.1 滚动轴承特征提取与降维
　　　　　　1.2.2 滚动轴承性能退化评估
　　　　　　1.2.3 滚动轴承剩余寿命预测
　　　　1.3 本文研究内容
　　第二章 滚动轴承的故障机理与振动分析
　　　　2.1 引言
　　　　2.2 滚动轴承的基本结构
　　　　2.3 滚动轴承的振动机理与特征频率
　　　　　　2.3.1 滚动轴承的振动机理
　　　　　　2.3.2 滚动轴承的固有频率与故障特征频率
　　　　2.4 滚动轴承的性能退化演变规律
　　　　2.5 本章小结
　　第三章 滚动轴承的特征向量提取与降维
　　　　3.1 引言
　　　　3.2 时域特征提取
　　　　3.3 时频域特征提取
　　　　3.4 改进 LPP 理论
　　　　3.5 实验及结果分析
　　　　3.6 本章小结
　　第四章 基于 AFOA-WSVDD 的滚动轴承性能退化评估
　　　　4.1 引言
　　　　4.2 WSVDD 理论
　　　　4.3 WSVDD 参数优化
　　　　4.4 性能退化评估方法
　　　　4.5 实验分析
　　　　　　4.5.1 实验平台简介
　　　　　　4.5.2 AFOA 性能检验
　　　　　　4.5.3 基于 AFOA-WSVDD 的性能退化评估
　　　　4.6 性能退化评估结果的验证
　　　　　　4.6.1 经验模态分解
　　　　　　4.6.2 Hilbert 包络解调
　　　　　　4.6.3 基于 EMD 和 Hilbert 包络解调的评估结果验证方法
　　　　　　4.6.4 评估结果验证
　　　　4.7 本章小结
　　第五章 基于改进 CHSMM 的滚动轴承剩余寿命预测
　　　　5.1 引言
　　　　5.2 改进 CHSMM 理论
　　　　5.3 改进 CHSMM 的参数初始化和多观测序列问题
　　　　　　5.3.1 改进 CHSMM 的多观测序列问题
　　　　　　5.3.2 改进 CHSMM 的参数初始化
　　　　5.4 基于改进 CHSMM 的剩余寿命预测方法
　　　　　　5.4.1 退化状态识别
　　　　　　5.4.2 剩余寿命预测
　　　　5.5 实验及结果分析
　　　　　　5.5.1 实验平台简介
　　　　　　5.5.2 多域特征提取与降维
　　　　　　5.5.3 退化状态识别
　　　　　　5.5.4 剩余寿命预测
　　　　5.6 本章小结
　　第六章 主要结论与展望
　　　　6.1 主要结论
　　　　6.2 展望
　　致 谢
　　参考文献
　　附 录：作者在攻读硕士学位期间发表的论文

（如您需要查看本篇毕业设计全文，请您联系客服索取）