论文部分内容阅读
滚动轴承是工业上最常用且最易损坏的机械零件,其发生任何意外故障都可能给工厂带来巨大损失。此外,滚动轴承运行过程中的振动信号蕴含了丰富的状态信息,为利用数据驱动的方法进行剩余寿命预测奠定了基础。为防止轴承失效,可以利用滚动轴承的振动信号对其剩余使用寿命(RUL)进行预测,进而提前进行维护。本文从滚动轴承的振动信号出发,研究了数据驱动方式下滚动轴承的退化状态建模及剩余使用寿命预测。首先研究了滚动轴承的退化特征提取,构造了两种退化特征。通过分析滚动轴承振动信号的时域、频域和时频域特征提取方法,先基于相似度构造了相似度特征,并进行敏感特征筛选,作为滚动轴承的第一种退化特征。之后为了减少退化特征构造的复杂性,提出在频域幅值的基础上建立频域累积幅值特征SF,该特征比起频域幅值特征更平滑稳定,作为轴承的第二种退化特征。其次利用卷积神网络(CNN)和门控循环单元(GRU)建立了滚动轴承的两种健康指示器。首先针对基于相似度的滚动轴承退化特征,利用CNN的局部连接、权值共享、空间池化的优势,构建了 CNN-HI模型,根据该模型预测轴承的退化值,得出其退化曲线。然后针对SF特征,利用CNN提取深层特征的优势,对SF特征进行降维,获得64维的滚动轴承深层退化特征,并利用GRU处理时间序列的优势,建立了 GRU-HI模型,对滚动轴承的退化值进行预测并输出寿命退化曲线。最后利用粒子滤波算法进行预后。针对滚动轴承的退化曲线,先用双指数模型对曲线进行拟合,获得初始参数,之后利用粒子滤波算法优秀的预测能力和不确定性管理能力,对模型参数进行寻优,并不断更新状态值,对退化值进行预测,最后映射为滚动轴承的剩余寿命。上述模型在PHM2012公开数据集上进行了验证,结果表明,基于SF特征和GRU-HI的滚动轴承退化状态建模方法比基于相似度特征和CNN-HI方法的预测精度更高。为进一步验证模型效果,与基于RMS和递归神经网络的剩余寿命预测方法进行了对比,结果表明,本文提出的两种方法预测精度均优于对比模型。