基于双自适应滑动时间窗滚动轴承故障预测模型.pdf
《基于双自适应滑动时间窗滚动轴承故障预测模型.pdf》由会员分享,可在线阅读,更多相关《基于双自适应滑动时间窗滚动轴承故障预测模型.pdf(7页珍藏版)》请在咨信网上搜索。
1、 第2 4卷 第4期空 军 工 程 大 学 学 报V o l.2 4 N o.42 0 2 3年8月J OURNA L O F A I R F O R C E E NG I N E E R I NG UN I V E R S I T YA u g.2 0 2 3收稿日期:2 0 2 2-1 1-3 0作者简介:郭基联(1 9 7 1-),男,浙江兰溪人,教授,博士生导师,研究方向为飞机可靠性、维修性的论证和评估。E-m a i l:g u o j i l i a n a l i y u n.c o m引用格式:郭基联,张保山,周章文,等.基于双自适应滑动时间窗滚动轴承故障预测模型J.空军工程大
2、学学报,2 0 2 3,2 4(4):1-7.GUO J i l i a n,Z HAN G B a o s h a n,Z HOU Z h a n g w e n,e t a l.A F a u l t P r e d i c t i o n M o d e l f o r R o l l i n g B e a r i n g B a s e d o n D o u b l e A d a p t i v e S l i d i n g T i m e W i n-d o wJ.J o u r n a l o f A i r F o r c e E n g i n e e r i n g
3、U n i v e r s i t y,2 0 2 3,2 4(4):1-7.基于双自适应滑动时间窗滚动轴承故障预测模型郭基联1,张保山1,2,周章文1,李 波3,刘晓欣1(1.空军工程大学航空工程学院,西安,7 1 0 0 3 8;2.9 1 5 0 4部队,浙江台州,3 1 8 0 5 0;3.9 3 7 8 6部队,河北张家口,0 7 5 0 0 0)摘要 针对传统方法和基于神经网络方法在滚动轴承故障预测中存在的问题,提出一种双自适应滑动时间窗故障预测模型。首先,通过设置能够去除相关性的状态估计非线性算子,将滚动轴承振动信号映射为能够表征其退化状态的故障特征故障程度指标D R。其次,以损
4、失函数为判据,设置模型参数自适应更新机制,以及建立能够自适应选取数据长度的滑动时间窗口。最后,通过西安交通大学发布的滚动轴承全寿命周期数据,模拟实际中突发性故障和渐发性故障综合作用下的故障发生情况,验证了所提出的故障预测模型的有效性。实验结果表明,提出的预测模型能够准确判断滚动轴承退化阶段的开始时刻和故障时刻,真实反映滚动轴承性能退化的趋势,预测误差仅为0.0 6 8%,预测时间仅占2次故障间隔时间的1.3 8 5%,满足复杂工况下滚动轴承故障预测的需求。关键词 滚动轴承;故障预测;滑动时间窗;自适应D O I 1 0.3 9 6 9/j.i s s n.2 0 9 7-1 9 1 5.2 0
5、 2 3.0 4.0 0 1中图分类号 V 2 6 3 文献标志码 A 文章编号 2 0 9 7-1 9 1 5(2 0 2 3)0 4-0 0 0 1-0 7A F a u l t P r e d i c t i o n M o d e l f o r R o l l i n g B e a r i n g B a s e d o n D o u b l e A d a p t i v e S l i d i n g T i m e W i n d o wGUO J i l i a n1,Z HANG B a o s h a n1,2,Z HOU Z h a n g w e n1,L I B
6、 o3,L I U X i a o x i n1(1.A v i a t i o n E n g i n e e r i n g S c h o o l,A i r F o r c e E n g i n e e r i n g U n i v e r s i t y,X ia n 7 1 0 0 3 8,C h i n a;2.U n i t 9 1 5 0 4,T a i z h o u 3 1 8 0 5 0,Z h e j i a n g,C h i n a;3.U n i t 9 3 7 8 6,Z h a n g j i a k o u 0 7 5 0 0 0,H e b e i,
7、C h i n a)A b s t r a c t T r a d i t i o n a l a n d n e u r a l n e t w o r k-b a s e d m e t h o d s b e i n g i n e x i s t e n c e o f r o l l i n g b e a r i n g f a u l t p r e d i c-t i o n,a d u a l a d a p t i v e s l i d i n g t i m e w i n d o w f a u l t p r e d i c t i o n m o d e l i
8、s p r o p o s e d.F i r s t l y,t h e r o l l i n g b e a r i n g v i b r a t i o n s i g n a l i s m a p p e d i n t o f a u l t f e a t u r e s c h a r a c t e r i z e d a s i t s d e g r a d a t i o n s t a t e b y s e t t i n g u p a s t a t e e s-t i m a t i o n n o n-l i n e a r o p e r a t o
9、r c a p a b l e o f r e m o v i n g c o r r e l a t i o n s.S e c o n d l y,t a k i n g a l o s s f u n c t i o n a s a c r i t e r i-o n,a n a d a p t i v e u p d a t e m e c h a n i s m f o r t h e m o d e l p a r a m e t e r s i s s e t u p,a n d a s l i d i n g t i m e w i n d o w c a p a b l e
10、o f a d a p t i v e l y s e l e c t i n g t h e d a t a l e n g t h i s c o n s t r u c t e d.F i n a l l y,t h e v a l i d i t y o f t h e p r o p o s e d f a i l u r e p r e d i c-t i o n m o d e l i s v e r i f i e d b y s i m u l a t i n g t h e o c c u r r e n c e o f f a i l u r e s u n d e r
11、t h e c o m b i n e d s u d d e n a n d g r a d u a l f a i l-u r e s i n p r a c t i c e u s i n g t h e w h o l e l i f e c y c l e d a t a o f r o l l i n g b e a r i n g s r e l e a s e d b y X ia n J i a o t o n g U n i v e r s i t y.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t
12、 h e p r e d i c t i o n m o d e l p r o p o s e d c a n a c c u r a t e l y i d e n t i f y a t t h e b e g i n n i n g m o m e n t a n d a t t h e f a i l u r e m o m e n t f o r t h e r o l l i n g b e a r i n g a t t h e d e g r a d a t i o n s t a g e,a n d t r u l y r e f l e c t t h e t r e n
13、 d o f e q u i p m e n t p e r f o r m a n c e d e g r a d a t i o n.T h e p r e d i c t i o n e r r o r i s o n l y 0.0 6 8%a n d t h e p r e d i c t i o n t i m e i s o n l y 1.3 8 5%o f t h e i n t e r v a l b e t w e e n f a i l u r e s,m e e t i n g t h e n e e d s o f r o l l i n g b e a r i n
14、 g f a i l u r e p r e d i c t i o n u n-d e r c o n d i t i o n o f c o m p l e x o p e r a t i o n.K e y w o r d s r o l l i n g b e a r i n g;f a u l t p r e d i c t i o n;s l i d i n g t i m e w i n d o w;a d a p t i v e 滚动轴承的主要功能是承受载荷和传递作用力,是现代各类旋转机械广泛使用的零件之一。同一机械中滚动轴承型号众多,使用工况复杂,突发性故障和渐发性故障交织,
15、很难用一种特定的故障模式对其进行界定。滚动轴承一旦发生故障,将会发生较大的振动,严重影响机械的安全性和可靠性。因此,开展具有泛化能力的滚动轴承故障预测研究,对于提高机械的可靠性具有重要的意义1-2。目前,滚动轴承故障预测模型大致可分为两大类,传统故障预测模型和基于神经网络的故障预测模型。传统故障预测模型能够依据故障机理、结构特征和状态空间等先验知识,建立有效的数学模型,从而实现故障预测,如最小二乘支持向量机(s u p-p o r t v e c t o r m a c h i n e,S VM)故障预测模型3,高阶模糊时间序列故障预测模型4,以及灰色马尔可夫链(g r e y m a r k
16、 o v c h a i n,GM)故障预测 模型5等。虽然以上传统故障预测方法取得了一定的研究成果,但由于其过于依赖先验知识,大数据处理效率不高,以及数据挖掘能力较差,在突发性故障和渐发性故障交织的复杂工况条件下,难以建立滚动轴承故障预测的数学表达式,故障预测精度往往较低。近些年,神经网络在故障预测领域得到了广泛应用,且取得了良好的预测效果,如递归神经网络(r e c u r r e n t n e u r a l n e t w o r k,R NN)故障预测模型6,以及卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C
17、 NN)故障预测模型7。基于神经网络的故障预测模型虽取得了较好的预测效果,但依然存在适应变化能力差,可解释性不强,数据需求量大,以及全连接模式冗余且低效的缺点,对大型机械多种类型的滚动轴承故障预测效率难以提升。本文以传统故障预测方法 时间序列预测法(t i m e s e r i e s f o r e c a s t i n g m e t h o d,T S FM)8为基础,使用神经网络中求极小值的核心算法 梯度下降算法对其数据转折点的鉴别能力,以及平滑因子自适应选择能力进行改进,设计了一种既能自适应更新参数,确保其强大的泛化能力,又能自适应截取故障数据长度,确保其快速反映能力的双自适应故
18、障预测模型。1 双自适应滑动时间窗故障预测模型基于双自适应滑动时间窗故障预测模型设计方法如下:1.1 故障特征提取将滚动轴承某t时刻的振动信号分解为n个相互关联的状态变量,将其记为观测变量Xt,即:Xt=xt,1,xt,2,xt,nT(1)式中:xt,n为t时刻状态变量的观测值。构建具有m个历史时刻(振动信号),n个相互关联状态变量的历史记忆矩阵D,即:D=X1,X2,Xm=x1,1x1,2x1,mx2,1x2,2x2,mxn,1xn,2xn,m nm(2)由历史记忆矩阵D中m个输入观测向量Xo b s的线性加权,可获得估计向量Xe s t,即:Xe s t=DW=w1X1+w2X2wmXm(
19、3)式中:W=w1,w2,wmT为一个m维的权值向量,代表输入观测向量Xo b s与历史记忆矩阵D的相似度,即:W=(DTD)-1(DTXo b s)(4)式中:为非线性运算符,用以代替普通矩阵中的乘积运算,避免DTD所产生的不可逆现象,扩大式的适应范围9。为提升多维数据处理能力,本文将DT与Xo b s之间的马氏距离(m a h a l a n o b i s d i s t a n c e,MD)1 0作为非线性运算符,即:(X,Y)=(X-Y)T-1(X-Y)(5)式中:-1为多维随机变量协方差矩阵的逆矩阵,直观可以看出,当两个状态矩阵越相似时,其MD越小;当两个状态矩阵差异性越大时,其
20、非线性运算结果越大。将式(5)带入式(4)中,可得估计向量的最终表达式为:Xe s t=D(DTD)-1(DTXo b s)(6)通过对比观测向量Xo b s与估计向量Xe s t之间的差值,可直观得到反应滚动轴承故障程度的残差值,即:=Xe s t-Xo b s(7)2空军工程大学学报2 0 2 3年通过对比各类故障指标的使用范围,本文选用均方根反映故障程度,如表1所示1 0。表1 误差指标表指标公式意义指标公式意义VA R VVA R V=1N-1N-1i=0(xi-)2描述振动信 号的波动 EE=(xi)2表征故障信号的影响RM S VRM S V=1NNi=1xi2振动信号强度 S E
21、S E=-iP(xi)l o g2P(xi)S FS F=RMS V1NN-1i=0 xi有效值与矫 正均值之比 R ER E=11-l o gNi=1P(xi)qMFMF=M a x(xi)1NN-1i=0 xi2表征机械的 磨损程度 T ER E=1q-1(1-Ni=1P(xi)q)通过有效测量熵值提取轴承故障状态的本质信息式中:VA R V为方差值;RM S V为均方根值;S F为形状因子;MF为边际因子;E为能量;S E为香农熵;R E为仁义熵;T E为察里斯熵。通过求n个维度Xe s t与Xo b s残差的RM S V,即可得到反应滚动轴承故障程度指标D R:D R=1mmi=1i2
22、(8)1.2 双自适应滑动时间窗建模双自适应滑动时间窗建模如下:S(1)t=it+TD Rt+(1-it+T)S(1)t-1S(2)t=it+TS(1)t+(1-it+T)S(2)t-1(9)式中:it+T为第t+T次预测的第i次训练自适应平滑因子,以其表示前一时刻D Rt对于当前时刻故障预测的重要性;S(1)t为一次平滑值,S(2)t为二次平滑值,以其表示除前一时刻外,其余时刻对当前故障预测的重要性。若T表示预测时间,D Rit+T表示t+T时刻第i次训练的滚动轴承故障程度的预测值,则其预测公式为:D Rit+T=fit+T(D Rt,)=AT+BTT(1 0)式中:AT=2S(1)t-S(
23、2)tBT=(it+T1-it+T)(S(1)t-S(2)t)(1 1)通过对比各类梯度下降算法的适用范围,本文选用 随 机 梯 度 下 降(s t o c h a s t i c g r a d i e n t d e s c e n t,S G D)自适应更新平滑因子it+T,如表2所示。表2 梯度下降算法对比表算法优点缺点B G D易找到全局最优点不适于大数据和快速更新S G D避免数据冗余,收敛速度快适用于大数据和快速更新S G DM能 够 抑 制 振 荡,加速S G D需有可靠的初始参数A d a G r a d学习率自更改复杂 网 络;处 理 稀 疏梯度A d a D e l t
24、a避免参数更新时单位不统一复杂 网 络;处 理 稀 疏梯度A d a m对内存需求小复杂 网 络;处 理 稀 疏梯度;高维空间其中:B G D为 批 量 梯 度 下 降(b a t c h g r a d i e n t d e-s c e n t,B G D);M o m e n t u m-S G D为带动量的随机梯度下 降(s t o c h a s t i c g r a d i e n t d e s c e n t m o m e n t u m,S G DM);A d a G r a d为自适应 梯度(a d a p t i v e g r a d i-e n t,A d a G
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 滑动 时间 滚动轴承 故障 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。