【技术实现步骤摘要】
本专利技术属于工业设备健康管理，具体涉及一种皮带机轴承自适应分阶段与数模融合寿命预测方法。
技术介绍
1、皮带机是矿井生产的主要运输设备，其关键部件托辊、转向滚筒和动力滚筒皆包括高速旋转轴承或轴承组（本申请简称轴承），在煤矿恶劣的环境下连续高强度运行，易发生纵撕、跑偏、托辊损坏、打滑、火灾等事故。若能在设备故障早期或发生前对进行预警，实现皮带机轴承或轴承组的智能化管理，将有效提高煤流运输过程的安全性，保障煤矿连续、稳定、高效生产。
2、传统皮带机轴承的检修过程通常依赖人工巡检，且维修方式通常采取损坏后停机更换的方式。首先，传统故障识别依靠人工巡检，由于矿山作业环境复杂，巡检作业强度大、时间长，巡检的效果无法保障。其次，轴承组损坏后传统的维修管理模式存在维修周期长、停机成本高的问题。除此之外，缺乏辅助健康管理不能最大限度地延长设备的正常运行时间，并最大限度地降低维护和运营成本。面对以上限制，需要一种辅助维修决策和故障修复指导，能够更准确地检测故障状态和预测设备的剩余使用寿命，提供一种设备状态检测与预防性维修的健康管理模式。
3、关于轴承或轴承组的健康管理和寿命预测，当前研究和应用较多的一般都是机器学习的方法，如公告号为cn117516933a名称为“基于lstm的轴承寿命预测方法和系统”和公告号为cn116628482a名称为“一种基于神经网络架构搜索的转盘轴承寿命预测方法”等的中国专利，其预测准确性主要是基于训练样本的充分性和多样性，然而实际工程中，尤其是工作环境差异较大时，用户很难得到足够多的有效的针对
技术实现思路
1、针对以上问题，本专利技术设计了一种皮带机轴承自适应分阶段与数模融合寿命预测方法，通过模糊聚类自适应地区分轴承振动信号所属的不同退化阶段，对应合适的退化模型并通过无迹卡尔曼滤波进行状态估计拟合，获得更加准确的皮带机轴承寿命预测结果。
2、本专利技术设计的一种皮带机轴承自适应分阶段与数模融合寿命预测方法，所述寿命预测方法不依赖机器学习和训练，通过将所述轴承实测数据与该轴承理论仿真数据相融合，首先自适应进行轴承退化阶段识别或划分，然后依据阶段识别结果进行基于实测数据和相应退化阶段模型的寿命预测，所述数据即为轴承健康监测数据，具体包括如下步骤：
3、s1、获取所述轴承实测数据，所述实测数据包括振动数据、噪声数据、温度数据中的至少一种；
4、s2、获取所述轴承仿真数据，所述仿真数据至少包括实测数据后段的轴承运行仿真数据，与已有的实测数据合并后形成所述轴承生命周期内较为完整的健康监测数据集，所述后段是指实测数据时间序列的手段，所述仿真数据采样间隔与实测数据一致，所述仿真数据包括所述轴承理论模型仿真数据（即采用所述轴承出厂理论参数进行理论仿真的结果数据）或实测数据驱动的后段轴承理论仿真数据；
5、s3、构建健康指标，依据实测数据和仿真数据构成的有效数据集（健康监测数据集）构建健康指标ehi，基于所述健康指标进行后续阶段划分和寿命预测，所述健康指标包括分段均值、分段均方根值、分段标准差或分段标准差均方根或其他有效特征值，如用傅里叶变换、小波变换、矩阵变换等方法提取的特征值；
6、s4、退化阶段识别，所述退化阶段至少包括磨合阶段、稳态阶段、缺陷萌生阶段、缺陷扩展阶段和损伤扩展阶段五个阶段中的前三个阶段，采用聚类方法以步骤s3中振动信号时域上的可评估健康指标为聚类对象完成退化阶段识别；
7、s5、剩余寿命预测，针对不同皮带机复杂工况，根据实测数据结束点所属的退化阶段，采用相应的经验退化模型，进行实测值滤波，滤波结束后根据最新的滤波结果进行寿命预测，实测值结束时刻至预测值达到或超过预置的失效阈值的时间，即为预测的轴承剩余寿命。
8、进一步的，步骤s1后和s3前还包括步骤s1a、实测数据预处理，所述预处理包括去除噪声和/或剔除野值的处理。
9、进一步的，所述仿真数据包括轴承运行全寿命仿真数据。
10、进一步的，所述分段均值的获取方法包括对所述有效数据集中的数据分类、分段计算统计平均值（也称为有效值），所述分段均方根值包括不同类型分段均值的均方根值。
11、进一步的，所述退化阶段识别具体包括以下步骤：
12、s4a、设置聚类簇数f≥3，以构建好的健康指标作为研究对象，进行gath-geva模糊聚类；对于步骤s3获取到的健康指标时间序列，依据每个数据点的所对应的最大模糊隶属度矩阵，将其划分入可能性最大的所属阶段中，记皮带机轴承第1组/个至第p组/个的各阶段有效数据集为，同时，记聚类得到各轴承退化不同阶段的聚类中心为，为阶段标识，i为组标识，即可以多个轴承或轴承组同时分别进行聚类识别；
13、进一步的，所述退化阶段识别还包括以下步骤：
14、s4b、对于聚类异常的状况，采用异常值检测策略（如相邻点差值的阈值检测策略，当相邻点差值大于阈值时认为异常）进行状态修正，以解决由于信号随机异或虚假波动造成的退化阶段边界点状态交错的问题；如针对个体点离群被划分为不同阶段的聚类异常情况，本实施例设置个体点阈值个数为n1，倘若个体点少于n1则修正当前异常个体点的阶段划分从改为，否则保持当前阶段划分；
15、s4c、针对异常聚集区的聚类异常情况，以执行异常值检测策略后的状态划分结果为标准，通过lof局部离群因子法检测异常个体点个数，设置各阶段聚类中心的值为阈值边界，倘若异常聚集区域的离群点数量小于，即异常聚集区域的离群点数量小于所述阶段后1/2边界阈值范围内总的分类点数，则修正当前异常聚集区离群点的阶段划分从改为，否则保持当前阶段划分；其中为对应退化阶段的数据均值，为对应退化阶段的数据方差。
16、进一步的，所述聚类簇数f=4。
17、进一步的，所述步骤s5包括：
18、s5a、预测模型选择，针对实测数据结束点振动信号当前进入的不同退化阶段，选用对应的退化模型，确定稳态阶段、缺陷萌生阶段、缺陷扩展阶段和损伤扩展阶段各自所对应的拟合模型：
19、所述稳态阶段采用轴承理论寿命模型；
20、缺陷萌生阶段健康指标采用单指数模型；
21、缺陷扩展阶段健康指标采用双指数模型；
22、损伤扩展阶段健康指标采用多项式模型；
23、s5b、模型滤波，针对缺陷萌生阶段、缺陷扩展阶段和损伤扩展阶段的不同，根据对应选择的健康指标模型，结合参数变化规律，建立相应的状态空间模型，根据步骤s3获取的实测健康指标，开展模型卡尔曼滤波，直至实测数据结束，从而获得最新的状态空间演化方程（简称为状态方程，从而通过实测数据滤波演化得到模型中最新参数更新结果）；
24、s5c、模型预测，根据设置的健康指标失效阈值，对更新参数后的健康指标模型（公式2至公本文档来自技高网...
【技术保护点】
1.皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，将所述轴承实测数据与该轴承理论仿真数据相融合，首先自适应进行轴承退化阶段识别，然后依据阶段识别结果进行基于实测数据和相应退化阶段模型的寿命预测，具体包括如下步骤：
2.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，步骤S1后和S3前还包括步骤S1a、实测数据预处理，所述预处理包括去除噪声和/或剔除野值的处理。
3.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述仿真数据包括轴承运行全寿命仿真数据。
4.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述分段均值的获取方法包括对所述有效数据集中的数据分类、分段计算统计平均值，所述分段均方根值包括不同类型分段均值的均方根值。
5.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述退化阶段识别具体包括以下步骤：
6.根据权利要求5所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在
7.根据权利要求5或6任意一项所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述聚类簇数f=4。
8.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述步骤S5包括：
9.根据权利要求8所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述步骤S5c中，通过超参数搜索的方式获得滤波模型参数初值。
10.根据权利要求8所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述失效阈值设置在首次预测时间健康指标值的2到10倍之间。
...【技术特征摘要】
1.皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，将所述轴承实测数据与该轴承理论仿真数据相融合，首先自适应进行轴承退化阶段识别，然后依据阶段识别结果进行基于实测数据和相应退化阶段模型的寿命预测，具体包括如下步骤：
2.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，步骤s1后和s3前还包括步骤s1a、实测数据预处理，所述预处理包括去除噪声和/或剔除野值的处理。
3.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述仿真数据包括轴承运行全寿命仿真数据。
4.根据权利要求1所述的皮带机轴承自适应分阶段与数模融合寿命预测方法，其特征在于，所述分段均值的获取方法包括对所述有效数据集中的数据分类、分段计算统计平均值，所述分段均方根值包括不同类型分段均值的均方根值。
5.根...
【专利技术属性】
技术研发人员：承敏钢，张能文，何坤金，吴双，
申请(专利权)人：江苏新道格自控科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。