一种基于RVM-KF的滚动轴承剩余寿命预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于RVM‑KF的滚动轴承剩余寿命预测方法及装置。其中方法包括：获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；利用历史数据训练RVM模型；根据实时监测数据和SKF确定预测起始时刻，并根据实时监测数据确定卡尔曼滤波器的状态方程；将预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将其作为卡尔曼滤波器的观测值，进行单步预测，将单步预测数据加入历史数据更新RVM模型；利用更新后的RVM模型进行迭代预测，直至单步预测数据中的振动数据超过失效阈值完成剩余寿命的预测。本发明专利技术结合RVM模型、卡尔曼滤波器、SKF实现了进入加速退化阶段滚动轴承剩余寿命的准确预测。

【技术实现步骤摘要】
一种基于RVM-KF的滚动轴承剩余寿命预测方法及装置
本专利技术涉及一种基于RVM-KF的滚动轴承剩余寿命预测方法及装置，属于故障预测与健康管理

技术介绍
滚动轴承作为一种广泛应用于机械设备的基础零部件，是决定机械设备安全可靠运行的关键部件之一。根据相关的调查研究发现旋转机械设备中大概30％的机械故障是滚动轴承失效的结果。机械故障不仅会造成经济损失，还可能导致人员伤亡，因此准确预测滚动轴承的剩余使用寿命(Remainingusefullife，RUL)，可以有效地避免因滚动轴承失效所导致的主体机组失效、停机维修、生产力丧失、人员伤亡等严重问题。目前滚动轴承的剩余寿命预测主要分为基于模型的剩余寿命预测方法和基于数据的剩余寿命预测方法。基于模型的剩余寿命预测方法通过分析轴承的失效机理或总结经验利用Paris裂纹扩展模型、Forman裂纹扩展定律、指数模型、随机模型等描述轴承的退化过程，继而进行轴承的剩余寿命预测，但滚动轴承的退化机理很难准确得到并且模型的选择对预测结果也有很大的影响。基于数据的方法不需要建立物理模型或统计模型，而是从现有的监测数据中通过神经网络、SVM(支持向量机)和RVM(相关向量机)等模型得到轴承退化状态与剩余寿命之间的关系，从而预测滚动轴承的剩余寿命，基于数据的方法充分利用了全寿命试验数据，需要大量高质量的数据准确建立轴承退化与剩余寿命之间的关系，但是该方法无法体现个体的差异。为此，有人提出考虑个体差异和全寿命整体特征的寿命预测方法，例如：期刊为《兵工学报》、期刊号为第39卷第5期2018年5月，名称为“基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究”，该方法根据现有全寿命试验数据训练所得的SVM回归模型，建立非线性卡尔曼滤波状态更新方程，依据机械零件退化特征构造时间更新方程，设定初始剩余寿命值及其方差，通过逐步迭代计算各时刻剩余寿命估计值及一定置信水平的置信区间。该计算模型能够充分利用现有零件与同类零件全寿命试验数据和被预测零件的实时状态退化数据，实现剩余寿命预测，从而达到所得剩余寿命预测模型既能够利用全寿命数据，又考虑到研究对象个体差异(卡尔曼滤波模型)的目的。然而上述方法为了得到准确的非线性卡尔曼滤波状态方程，对训练样本质量和SVM模型精度的要求较高，也即对模型和数据的依赖性较大，并且在长期性预测方面的准确性并不高，不能够有效满足工程的需求。
技术实现思路
本申请的目的在于提供一种基于RVM-KF的滚动轴承剩余寿命预测方法，用以解决现有技术剩余寿命预测不准确的问题；同时还提供一种基于RVM-KF的滚动轴承剩余寿命预测装置，用以解决现有技术剩余寿命预测不准确的问题。为实现上述目的，本专利技术提出了一种基于RVM-KF的滚动轴承剩余寿命预测方法的技术方案，包括以下步骤：1)获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；所述实时监测数据、历史数据是指振动数据和对应的时间；2)利用历史数据训练RVM模型；所述RVM模型的输入为时间，输出为振动数据；3)根据实时监测数据和SKF确定预测起始时刻；并根据实时监测数据确定卡尔曼滤波器的状态方程；4)将所述预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将估计的振动数据作为卡尔曼滤波器的观测值进行单步预测，得到单步预测数据，若单步预测数据中的振动数据超出失效阈值，则完成剩余寿命的预测，若单步预测数据中的振动数据未超出失效阈值，则将单步预测数据加入步骤2)的历史数据中，重新训练RVM模型，更新RVM模型；迭代的执行本步骤直至单步预测数据中的振动数据超出失效阈值。另外，本专利技术还提出了一种基于RVM-KF的滚动轴承剩余寿命预测装置的技术方案，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述基于RVM-KF的滚动轴承剩余寿命预测方法的技术方案。本专利技术的基于RVM-KF的滚动轴承剩余寿命预测方法及装置的技术方案的有益效果是：本专利技术通过同类滚动轴承的历史数据建立了RVM模型，根据待预测滚动轴承的实时监测数据和SKF确定了待预测滚动轴承进入加速退化的时刻，进而确定了预测起始时刻，同时还根据实时监测数据确定了卡尔曼滤波器的状态方程，根据预测起始时刻结合建立的RVM模型对振动数据进行估计，并将估计值作为卡尔曼滤波器的观测值进行单步预测，单步预测的振动数据未超出失效阈值时，将预测数据加入RVM模型中，重新训练RVM模型，进行迭代预测，直至单步预测的振动数据超出失效阈值，表明迭代结束，得到剩余寿命。本专利技术通过不断更新RVM模型，结合RVM模型、卡尔曼滤波器、SKF实现了进入加速退化阶段滚动轴承剩余寿命的准确预测，减少了滚动轴承剩余寿命长期预测的不确定性，提高了滚动轴承剩余寿命长期预测的精度，而且将卡尔曼滤波与状态方程结合有效减少了预测过程对数据和模型的依赖。进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，为了更好的拟合加速退化过程，卡尔曼滤波器的状态方程为随机效应指数模型。进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，所述随机效应指数模型为：其中，Y(t)为t时刻的振动数据；α为常数；θ和β为参数；σ2为方差；ε(t)为误差项，是均值为0、方差为σ2的布朗运动。进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，所述振动数据包括从振动信号中提取的至少一个特征值。进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，为了提高预测的准确性，并且降低模型训练的复杂程度，训练RVM模型时利用的历史数据为加速退化阶段的历史数据。附图说明图1是本专利技术基于RVM-KF的滚动轴承剩余寿命预测方法的流程图；图2是本专利技术滚动轴承的退化曲线；图3是本专利技术预测的滚动轴承2-3的退化轨迹和现有技术预测的滚动轴承2-3的退化轨迹的比较图；图4是本专利技术预测的滚动轴承2-5的退化轨迹和现有技术预测的滚动轴承2-5的退化轨迹的比较图；图5是本专利技术预测的滚动轴承2-3的剩余寿命和现有技术预测的滚动轴承2-3的剩余寿命的比较图；图6是本专利技术预测的滚动轴承2-5的剩余寿命和现有技术预测的滚动轴承2-5的剩余寿命的比较图；图7是本专利技术基于RVM-KF的滚动轴承剩余寿命预测装置的结构示意图。具体实施方式基于RVM-KF的滚动轴承剩余寿命预测方法实施例：基于RVM-KF的滚动轴承剩余寿命预测方法的主要构思在于，本专利技术将RVM模型、卡尔曼滤波器以及SKF结合，对滚动轴承进入加速退化阶段的剩余寿命进行迭代预测，提高了寿命预测的准确性。具体的，基于RVM-KF的滚动轴承剩余寿命预测方法如图1所示，包括以下步骤：1)收集与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据，历史数据包括振动信号和对本文档来自技高网...

【技术保护点】
1.一种基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：/n1)获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；所述实时监测数据、历史数据是指振动数据和对应的时间；/n2)利用历史数据训练RVM模型；所述RVM模型的输入为时间，输出为振动数据；/n3)根据实时监测数据和SKF确定预测起始时刻；并根据实时监测数据确定卡尔曼滤波器的状态方程；/n4)将所述预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将估计的振动数据作为卡尔曼滤波器的观测值，进行单步预测，得到单步预测数据，若单步预测数据中的振动数据超出失效阈值，则完成剩余寿命的预测，若单步预测数据中的振动数据未超出失效阈值，则将单步预测数据加入步骤2)的历史数据中，重新训练RVM模型，更新RVM模型；迭代的执行本步骤直至单步预测数据中的振动数据超出失效阈值。/n

【技术特征摘要】
1.一种基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：
1)获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；所述实时监测数据、历史数据是指振动数据和对应的时间；
2)利用历史数据训练RVM模型；所述RVM模型的输入为时间，输出为振动数据；
3)根据实时监测数据和SKF确定预测起始时刻；并根据实时监测数据确定卡尔曼滤波器的状态方程；
4)将所述预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将估计的振动数据作为卡尔曼滤波器的观测值，进行单步预测，得到单步预测数据，若单步预测数据中的振动数据超出失效阈值，则完成剩余寿命的预测，若单步预测数据中的振动数据未超出失效阈值，则将单步预测数据加入步骤2)的历史数据中，重新训练RVM模型，更新RVM模型；迭代的执行本步骤直至单步预测数据中的振动数据超出失效阈值。


2.根据权利要求1所述的基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于...

【专利技术属性】
技术研发人员：邱明，许艳雷，李军星，牛凯岑，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南;41