[发明专利]基于FCM-HMM的滚动轴承的性能退化评估方法

说明书

本发明公开了一种基于FCM‑HMM的滚动轴承性能退化评估方法。首先，用自回归模型(AR)提取早期无故障滚动轴承的振动信号特征以及同型号同位置失效滚动轴承(为方便叙述简称同类轴承)的失效特征，用早期无故障样本和失效样本建立模糊C均值(FCM)性能退化评估模型，用无故障样本建立HMM模型，鉴于FCM和HMM的优点，将两者得到的退化指标作为输入特征输入到FCM性能退化模型中，得到正常和失效的聚类中心，同时设定早期故障阈值，实验分析表明本文提出的性能退化方法得到的评估指标能实时监测滚动轴承的性能退化趋势并且可以及时发现早期故障。

技术领域

本发明涉及一种基于FCM-HMM的滚动轴承性能退化评估方法，属于机械产品质量可靠性评估与故障诊断技术领域。

背景技术

旋转机械的失效多数是由滚动轴承故障引起的，滚动轴承在长期的磨损的环境下性能会出现不同程度的退化，近年来提出的轴承的性能退化评估是故障诊断的延伸。性能退化评估的实质就是通过分析设备的振动数据对机械设备进行相应的性能评估，它与传统的轴承故障诊断模式最大的区别在于，性能退化评估是一种主动地维修方式，而传统的轴承故障诊断侧重先发现故障再进行维修，是一种被动的维修方式。

滚动轴承的性能退化评估近年来已有探索性研究，研究内容主要有特征提取和建立评估模型两方面，在特征提取方面，于德介等用AR模型系数和残差的方差作为特征向量建立马氏距离判别函数，进而判断滚动轴承的工作状态和故障类型，取得了良好的效果。在评估模型的建立方面现有的研究方法很多都需要以整个疲劳寿命试验的数据为支撑，不能实现滚动轴承性能的实时监测。例如潘玉娜等将支持向量数据(SVDD)和模糊C均值(FCM)相结合用于滚动轴承的性能退化评估中，文章中计算FCM的失效聚类中心时是将失效状态下的样本直接作为该类的中心，难以满足实时评估。王奉涛等用同一轴承的正常和失效样本建立FCM评估轴承的退化状态，没有实现滚动轴承的实时监测。很多单一的轴承性能退化评估方法都有自身的不足不能很好的突出退化趋势。例如李巍华等将小波包熵与GMM相结合，用每个运行状态对应的GMM相对基准与GMM模型的偏离程度来判断轴承的实际退化程度。Diego等提出了一种基于混合高斯隐马尔科夫模型(MoG-HMM)，在离线时用正常状态下的数据训练MoG-HMM，然后在线时利用训练好的模型识别轴承的当前状态。吴军等用全寿命周期中的500样本后的数据作为样本数据输入到模糊C均值中得到正常和故障状态的聚类中心，进而评估滚动轴承的性能退化趋势，但退化曲线与故障的一致性不好。而GMM容易在轴承没有失效时达到取值上限，无法准确地确定轴承的失效状态；HMM往往运算复杂度较高，需消耗大量时间，难以满足在线实时评估的需求。

基于此，本发明提出了一种FCM-HMM优势互补的滚动轴承的性能退化评估方法。滚动轴承的振动信号在固有频率段的能量会发生变化，在信号各个频率成分的能量中包含着丰富的故障信息。故可用基于经验模态分解(EMD)和Hilbert包络解调的包络谱分析方法对初始故障样本进行分析。

发明内容

本发明的目的在于提供一种基于FCM-HMM实时评估的滚动轴承性能退化评估方法，以便实时监测滚动轴承初始故障和失效时刻，实现视情维修，预防重大突发故障。

基于FCM-HMM的滚动轴承性能退化评估方法，其具体步骤：

(1)提取特征：用无故障数据样本和同类轴承的失效数据样本建立AR模型，得到AR模型的自回归系数和残差，由AIC准则确定AR模型的阶数，把AR模型的系数和残差作为输入特征向量。

(2)建立模型：用无故障数据样本和同类轴承的失效数据样本特征建立FCM模型并且得到正常和失效聚类中心c₁,c₂；用无故障数据样本特征建立隐马尔科夫模型；再用无故障数据和同类轴承的失效特征建立第二个FCM模型得到正常和失效聚类中心c₁₁,c₂₂。