关键词:
协整
大数据分析
退化特征
服役性能
滚动轴承
摘要:
滚动轴承是机械设备中的重要部件之一,及时监测和评估滚动轴承的健康状态,对确保机械设备的安全稳定运行意义重大。随着计算机网络和电子技术的不断进步,轴承实时监测技术取得了突飞猛进的发展,随之收集了大量的监测数据。轴承监测数据中蕴含着丰富的状态、运行参数等信息。对监测数据运用大数据技术分析和挖掘,有利于寻求更精准的性能退化规律、更明确的健康状态评估、更高效的预测和健康管理,有利于机械设备的安全生产,也有助于节省资源、减少浪费。将不同服役环境下的轴承监测数据综合统一起来,寻找一致的变化规律,得到一致的退化特征,对轴承整个生命周期的管理具有重要意义。本文从滚动轴承服役性能大数据出发,分析和研究数据特征,主要内容包括:(1)针对滚动轴承状态监测数据具有非线性、非平稳性的特点,提出了一种基于协整理论的滚动轴承一致性退化特征提取方法,该方法可将不同的滚动轴承全寿命数据统一起来,得到不同工况下、不同轴承间的一致性退化特征。通过对多个实验室不同工况下的轴承全寿命数据进行特征提取,发现一阶差分绝对和与0.1分位数之间存在一定的协整关系并提取了协整特征,分析了所提特征具有一致性的原因,进一步通过动态时间规整方法计算特征序列之间的相似度,验证了该方法所提特征在一致性方面的优势。根据相似度均值来衡量,所提协整特征的一致性为一阶差分绝对和的2.024倍,为0.1分位数的3.799倍。通过对比协整融合与其他常见的多种融合算法,结果表明,所提特征可有效减少来自工况等因素的影响,具有较好的两段性。(2)为避免人工提取特征的局限,提出了一种基于DTW-CAE的滚动轴承一致性退化特征提取方法,该方法可以将不同服役环境下的轴承全寿命数据统一起来,实现自动对输入数据的抽象特征学习。通过对多个实验室不同工况下的全寿命数据进行实验,通过相似度大小验证了该方法所提特征在一致性方面的有效性。通过计算单调性等其他特征指标,验证了该方法所提特征能够准确反映轴承的退化状态,有着较好的单调性、趋势性和鲁棒性。通过对比均方根值、基于CNN所提特征、基于CAE所提特征以及该方法所提特征在进行剩余寿命预测时测试集的综合平均误差,其中,本文方法误差为0.093,CAE模型为0.236,减少了60.6%,CNN模型为1.324,减少了93.0%,验证了一致性特征确实可以削弱来自工况和工艺参数的影响,能够减小轴承特征的个体差异性,进而有效提升预测模型的准确性和普适性。(3)使用Pycharm和Qtdesigner工具、Python和Java语言、Pyqt框架以及Hadoop平台设计并实现了滚动轴承服役性能监测系统。通过信号监测模块、异常监测模块以及状态监测模块对轴承服役过程进行监控,对出现的异常情况、状态变化情况进行记录并报警,预测轴承的剩余使用时间,为人工进行检修和维护提供依据。