[发明专利]基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法

说明书

本发明公开基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，通过从滚动轴承历史失效样本的振动信号中提取多维特征，构建敏感特征集，基于滚动轴承早期平稳运行阶段的敏感特征数据，训练带有马氏距离度量算子的自组织映射神经网络，进行降维，构建健康指标，然后基于健康指标确定滚动轴承的自适应退化阈值，采用连续触发机制划分滚动轴承的健康阶段和退化阶段，通过建立考虑不等采样间隔的指数退化模型，对滚动轴承的剩余寿命进行预测。该方法能在降维的过程中更好地保留高维空间中多维特征的拓扑结构，克服了对等间隔采样的在线监测数据的依赖，同时提升了对具有不同采样间隔的历史失效样本的全寿命数据的利用率。

技术领域

本发明属于轴承剩余寿命预测技术领域，具体涉及一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法。

背景技术

随着现代工业技术的快速发展，机电设备的安全性、稳定性和可靠性等面临着越来越高的要求。滚动轴承作为旋转机械的关键部件，在设备可靠性中处于薄弱环节，一旦其发生机械故障，将引起设备失效，造成经济损失。因此，对滚动轴承进行实时状态监测和性能退化评估，对保障设备运行的可靠性而言具有迫切需求。在此基础上，对滚动轴承进行剩余寿命预测，可为设备的运维计划提供合理可行的依据。

目前，为实现滚动轴承的剩余寿命预测，多采用数据驱动的方法。由于滚动轴承的剩余寿命受多方面因素的影响，单一特征并不能很好地反映滚动轴承的健康状态，因此，许多研究以滚动轴承的振动信号为基础，从中提取多维特征，然后将数据映射到低维空间，以得到一个综合的健康指标。目前常用的降维技术有主成分分析，线性判别分析，自组织映射神经网络等，由于在工程实际中，正常样本的数量与失效样本的数量之间存在不平衡，因此仅依赖正常状态特征向量进行训练的自组织映射神经网络被广泛用于滚动轴承的健康状态监测中。然而，在训练过程中，自组织映射神经网络采用欧式距离计算输入层特征向量与输出层神经元节点权重之间的相似程度，并未考虑特征向量内部各元素之间的相关性。

其次，研究者在进行滚动轴承的全寿命退化试验中，在采集滚动轴承的振动信号时，往往采取等间隔采样的方法。然而，在工程实际中，由于监测计划的变更、传感器的故障、操作人员的失误等因素，可能导致正在运行的滚动轴承的监测数据不满足等间隔分布的要求。另一方面，不同时期的滚动轴承历史失效样本也可能具有不同的监测间隔。在处理这些问题时，这类基于等间隔采样的剩余寿命预测方法的效果会受到限制。

发明内容

针对现有技术中未考虑变量之间相关性和监测间隔不一致的不足，本发明的目的在于提供一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法。

为达到上述目的，本发明采用的技术方案为：

一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，包括以下步骤：

从滚动轴承的振动信号中提取多维特征，并通过带有马氏距离度量算子的自组织映射神经网络进行降维，构建健康指标；

基于健康指标构建滚动轴承的自适应退化阈值，采用连续触发机制划分滚动轴承的健康阶段和退化阶段；

通过考虑不等采样间隔的指数退化模型，对滚动轴承的剩余寿命进行预测。

本发明进一步的改进在于，具体包括以下步骤：

1)根据滚动轴承的失效形式，基于采集的滚动轴承振动信号，进行特征的提取和筛选，构建多维敏感特征集；

2)通过训练后的带有马氏距离度量算子的自组织映射神经网络，将多维敏感特征集中的多维敏感特征映射到低维空间，构建滚动轴承的健康指标；

3)基于滚动轴承的健康指标，构建滚动轴承的动态失效阈值，并采用连续触发机制作为判断退化的方法，实现滚动轴承健康阶段和退化阶段的划分；

4)建立考虑不等采样间隔的指数退化模型，基于滚动轴承退化阶段的健康指标数据，通过期望最大化算法进行退化模型参数的更新；