[發明專利]基于短時能量變化比和核極限學習機的滾動軸承健康評估與性能預測方法

在審

• 申請號: 201710990149.2
• 申請日: 2017-10-23
• 公開（公告）號: CN109697271A
• 公開（公告）日: 2019-04-30
• 發明（設計）人: 費戰波;劉勝利;張毅;劉暢
• 申請（專利權）人: 新天科技股份有限公司
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/15;G06N3/04;G06K9/62;G01M13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于短時能量變化比和核極限學習機的滾動軸承健康評估與性能預測方法，通過提取滾動軸承振動信號的短時能量變化比作為故障特征進行表達，在不同故障程度下該特征有明顯的區別，從而可以對滾動軸承的健康度進行評估。然后選用KELM來對滾動軸承的健康評估曲線進行預測，獲取滾動軸承的未來性能曲線，從而可以提前獲取滾動軸承健康狀態，指導后續維修工作的進行。

技術領域

本發明涉及工業機械領域，具體地說涉及到基于短時能量變化比和核極限學習機的滾動軸承健康評估與性能預測方法。

背景技術

隨著科學技術的進步和經濟的發展，設備故障健康評估和性能預測越來越得到重視，由于現代機械設備的自動化和精密化程度逐漸提高，結構也越來越復雜，當某個部位發生故障時，往往影響到整個機組的性能，不僅造成經濟損失，而且會帶來安全隱患，影響生產的正常進行。因此對設備進行故障診斷與健康評估，并根據歷史數據預報故障發展趨勢，在故障發生之前采取有效維修措施來確保生產的正常運行、提高生產效率、降低生產成本、提高產品質量、改善維修管理和保證生命安全。

滾動軸承作為機械設備的關鍵部件，尤其是旋轉機械中應用非常廣泛的關鍵部件之一，其工作性能的好壞關系到整機的正常運行。據統計，約40%的旋轉機械的故障是由于滾動軸承的損傷所造成的。因此，研究滾動軸承健康評估和性能預測，對于保障設備長期安全、正常運行和預知維修具有重要意義。

機械設備在其全壽命服役過程中，都要經歷從正常階段到性能退化階段直至完全失效階段，而在這一過程中，機械設備將表現出一個連續的性能退化過程。對這一過程進行可視化表征，從而判斷機械設備的退化程度，就可以更加明確地對生產和維修計劃做出更加合理的制定。

現有的設備健康評估方法大都將測試數據與正常數據的所提特征映射到一個特殊空間的再計算重合度或者計算距離進行表征的，這些方法對數據特征的多少有嚴格的要求和限制，并且其計算量也大大增加。本文受聲音信號短時平均能量的啟發，定義一種新的特征—短時能量變化比，通過提取滾動軸承振動信號的短時能量變化比作為故障特征進行表達，在不同故障程度下該特征有明顯的區別，從而可以對滾動軸承的健康度進行評估。由于該特征避免了傳統的計算重合度和距離的特征映射的計算，大大減少了計算工作量，有利于提高計算速度，更適合工程上的應用。

在滾動軸承整個性能退化過程中，其性能特征參數一般在總體上呈現單調增大的趨勢。當滾動軸承出現初始缺陷或者早期微弱故障時，由于其尚能滿足實際生產要求，往往不能、也沒有必要立即停機，此時需要對其退化過程進行連續定期監測，并依據歷史序列數據進行準確的狀態預測。通過監測和預測滾動軸承性能，既可以制定完善的維修計劃，防止因維修過剩而引起的維修成本上升，也可以提高整臺設備的利用率，減少因滾動軸承引起的整個機組的不必要的停機或者突發故障。

預測是根據歷史數據建模，發現時間序列的規律和發展趨勢，并以此預測未來的性能狀態。如果確定機械設備故障報警值和停機閾值，就可以根據確定的預測模型計算設備的剩余使用壽命。機械狀態預測作為機械設備狀態預知維修技術的關鍵依據，其預測性能的好壞直接影響到維修方案的優劣。機械狀態預測技術的核心之一是建立正確、合理的預測模型，目前常用的故障預測模型有：多項式擬合、時間序列模型、濾波模型、灰色模型、神經網絡、模糊邏輯模型、支持向量機等。但是現有的滾動軸承性能預測數據，傳統的神經網絡的方法在網絡結構上難以確定，易陷入局部極小等，且其基于梯度下降的訓練也使得算法的復雜度較高，極限學習機（Extreme Learning Machine，ELM）作為一種新型的單隱層前饋神經網絡的快速學習方法，其特點是隨機選擇 SLFNs 的隱含層節點及相應的節點參數，在訓練過程中僅需通過正則化最小二乘算法調節網絡的輸出權值，因此，它能以極快的學習速度獲得良好的網絡泛化性能。由于ELM算法隨機初始化的特點，難以建立基于小樣本的非線性模型，核函數ELM（KELM）解決了ELM算法隨機初始化的問題，并且對模型學習參數具有較好的魯棒性。

發明內容