[发明专利]一种轴承故障预测方法

说明书

技术领域

本发明涉及轴承故障预测技术领域，具体地，涉及一种轴承故障预测方法。

背景技术

动车组转向架自动化生产线是根据动车组转向架的相关组装工艺来设计工位，从而自动完成零件存储、定位输送、装配工位升降、转向架落成和尺寸测量等功能。经过调研发现，运行一段时间之后，生产线设备难免会发生故障，造成生产线部分或全线需要进行停机检查，修理维护，在原有计划维修的基础上增加了一些突发性检修，极大地给中车的交通装备生产带来不便。轴承作为转向架自动化生产线的关键设备，通常选取轴承作为系统设备故障预测对象。根据装备运行的各项性能数据提前给出设备发生故障的表征，做到防患于未然，对针对性地进行事前维修和更改维修决策有重要意义。

如果一个系统具有层次、结构关系的模糊性，动态变化的随机性，指标数据的不完备或不确定性，则称这些特性为灰色性。具有灰色性的系统称为灰色系统。对灰色系统建立的预测模型称为灰色模型(Grey Model)，简称GM模型，它揭示了系统内部事物连续发展变化的过程。基本思想是用原始数据组成原始序列(0)，经累加生成法生成序列(1)，它可以弱化原始数据的随机性，使其呈现出较为明显的特征规律。对生成变换后的序列(1)建立微分方程型的模型即GM模型。GM(1,1)模型表示1阶的、1个变量的微分方程模型。现有技术中，存在将灰色模型GM(1，1)应用于设备故障预测领域的技术，但对预测模型只是简单的使用，并未对该预测模型进行改进。

而传统的灰色模型GM(1，1)发展系数a和灰作用量b具有一次性和不变性，使得预测模型不具备良好的自适应性。即，现有预测模型不能适应轴承运行全生命周期中，由于系统设备受到不断的振动代入新的扰动，使得系统受到最新信息的影响发生的新的变化趋势，因轴承信息陈旧导致预测模型的参数老化，从而存在预测精度不高的问题。

同时，在对轴承状态特征预测值进行故障模式识别过程中，传统的支持向量机无法对轴承故障类别进行有效识别，现有基于二分类的支持向量机进行多分类的技术中，未能对多分类器进行改进，极易对样本进行错误划分。

发明内容

鉴于以上问题，本发明的目的是提供一种轴承故障预测方法，以对灰色预测模型进行改进，不至于因为轴承信息的陈旧导致预测模型的参数老化，提高预测模型的自适应性，进而提高预测模型的预测精度，提高对轴承故障识别的精度。

为了实现上述目的，本发明提供一种轴承故障预测方法，包括以下步骤：

S1从轴承振动信号中提取表征所述轴承振动信号的状态的轴承振动信号特征向量；

S2通过灰色关联度分析，剔除所述轴承振动信号特征向量中的信号干扰量，得到筛选后的轴承振动信号特征向量；

S3根据筛选后的轴承振动信号特征向量建立预测模型，输出轴承故障预测特征向量，具体包括：

S31以所述步骤S2中得到的筛选后的轴承振动信号特征向量x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}作为初始数列输入，调用GM(1,1)模型，得到下一个预测数据值

S32将所述预测数据值追加至初始数列中，同时剔除初始数列中开端数据x⁽⁰⁾(1)，将初始数列进行更新，形成1次更新数列以所述1次更新数列作为输入，重复建立改进的GM(1,1)模型，得到预测模型在1次更新中的预测方程；

S33重复所述步骤S32进行i次更新迭代，形成i次更新数列以所述i次更新数列作为输入，得到预测模型在i次更新中的预测方程；

S34经过i次更新的预测模型的平均相对残差或精度不再发生变化时，结束更新迭代，输出轴承故障预测特征向量；

S4从所述轴承故障预测特征向量中选取训练样本，根据训练样本构建故障判别二叉树。

优选地，在步骤S3中，预测模型在i次更新中的预测方程为：

式中，a_i和b_i分别表示预测模型在i次更新中的发展系数和灰作用量。

优选地，所述步骤S4中，根据N类故障类型，选取N个训练样本类，N个训练样本类组成集合，根据多分类支持向量机，组成N-1个二类分类器，构建所述故障判别二叉树。

进一步地，优选地，步骤S4中，所述构建故障判别二叉树的方法包括以下步骤：