[发明专利]基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法

说明书

本发明公开了基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法，通过提取滚动轴承振动信号的短时能量变化比作为故障特征进行表达，在不同故障程度下该特征有明显的区别，从而可以对滚动轴承的健康度进行评估。然后选用KELM来对滚动轴承的健康评估曲线进行预测，获取滚动轴承的未来性能曲线，从而可以提前获取滚动轴承健康状态，指导后续维修工作的进行。

技术领域

本发明涉及工业机械领域，具体地说涉及到基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法。

背景技术

随着科学技术的进步和经济的发展，设备故障健康评估和性能预测越来越得到重视，由于现代机械设备的自动化和精密化程度逐渐提高，结构也越来越复杂，当某个部位发生故障时，往往影响到整个机组的性能，不仅造成经济损失，而且会带来安全隐患，影响生产的正常进行。因此对设备进行故障诊断与健康评估，并根据历史数据预报故障发展趋势，在故障发生之前采取有效维修措施来确保生产的正常运行、提高生产效率、降低生产成本、提高产品质量、改善维修管理和保证生命安全。

滚动轴承作为机械设备的关键部件，尤其是旋转机械中应用非常广泛的关键部件之一，其工作性能的好坏关系到整机的正常运行。据统计，约40%的旋转机械的故障是由于滚动轴承的损伤所造成的。因此，研究滚动轴承健康评估和性能预测，对于保障设备长期安全、正常运行和预知维修具有重要意义。

机械设备在其全寿命服役过程中，都要经历从正常阶段到性能退化阶段直至完全失效阶段，而在这一过程中，机械设备将表现出一个连续的性能退化过程。对这一过程进行可视化表征，从而判断机械设备的退化程度，就可以更加明确地对生产和维修计划做出更加合理的制定。

现有的设备健康评估方法大都将测试数据与正常数据的所提特征映射到一个特殊空间的再计算重合度或者计算距离进行表征的，这些方法对数据特征的多少有严格的要求和限制，并且其计算量也大大增加。本文受声音信号短时平均能量的启发，定义一种新的特征—短时能量变化比，通过提取滚动轴承振动信号的短时能量变化比作为故障特征进行表达，在不同故障程度下该特征有明显的区别，从而可以对滚动轴承的健康度进行评估。由于该特征避免了传统的计算重合度和距离的特征映射的计算，大大减少了计算工作量，有利于提高计算速度，更适合工程上的应用。

在滚动轴承整个性能退化过程中，其性能特征参数一般在总体上呈现单调增大的趋势。当滚动轴承出现初始缺陷或者早期微弱故障时，由于其尚能满足实际生产要求，往往不能、也没有必要立即停机，此时需要对其退化过程进行连续定期监测，并依据历史序列数据进行准确的状态预测。通过监测和预测滚动轴承性能，既可以制定完善的维修计划，防止因维修过剩而引起的维修成本上升，也可以提高整台设备的利用率，减少因滚动轴承引起的整个机组的不必要的停机或者突发故障。

预测是根据历史数据建模，发现时间序列的规律和发展趋势，并以此预测未来的性能状态。如果确定机械设备故障报警值和停机阈值，就可以根据确定的预测模型计算设备的剩余使用寿命。机械状态预测作为机械设备状态预知维修技术的关键依据，其预测性能的好坏直接影响到维修方案的优劣。机械状态预测技术的核心之一是建立正确、合理的预测模型，目前常用的故障预测模型有：多项式拟合、时间序列模型、滤波模型、灰色模型、神经网络、模糊逻辑模型、支持向量机等。但是现有的滚动轴承性能预测数据，传统的神经网络的方法在网络结构上难以确定，易陷入局部极小等，且其基于梯度下降的训练也使得算法的复杂度较高，极限学习机（Extreme Learning Machine，ELM）作为一种新型的单隐层前馈神经网络的快速学习方法，其特点是随机选择 SLFNs 的隐含层节点及相应的节点参数，在训练过程中仅需通过正则化最小二乘算法调节网络的输出权值，因此，它能以极快的学习速度获得良好的网络泛化性能。由于ELM算法随机初始化的特点，难以建立基于小样本的非线性模型，核函数ELM（KELM）解决了ELM算法随机初始化的问题，并且对模型学习参数具有较好的鲁棒性。

发明内容