主权项 |
一种基于按类统计的滚动轴承可靠性可视化动态评估方法,其特征在于,包括以下步骤:第一步,获取滚动轴承的振动数据,提取其均方根和峭度两个性能特征指标,对均方根和峭度这两个特征指标进行归一化处理:X<sub>i</sub>和<img file="FDA0001128784060000015.GIF" wi="57" he="73" />分别为第i维的性能指标数据序列和预处理后的性能指标数据序列,预处理公式为:<maths num="0001"><math><![CDATA[<mrow><msub><mover><mi>X</mi><mo>~</mo></mover><mi>i</mi></msub><mo>=</mo><mfrac><mrow><msub><mi>X</mi><mi>i</mi></msub><mo>-</mo><mi>m</mi><mi>e</mi><mi>a</mi><mi>n</mi><mrow><mo>(</mo><msub><mi>X</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow><mrow><mi>r</mi><mi>m</mi><mi>s</mi><mrow><mo>(</mo><msub><mi>X</mi><mi>i</mi></msub><mo>-</mo><mi>m</mi><mi>e</mi><mi>a</mi><mi>n</mi><mo>(</mo><msub><mi>X</mi><mi>i</mi></msub><mo>)</mo><mo>)</mo></mrow></mrow></mfrac><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>;</mo></mrow>]]></math><img file="FDA0001128784060000011.GIF" wi="719" he="151" /></maths>第二步,获取正常状态下二维性能指标数据作为统计样本<img file="FDA0001128784060000012.GIF" wi="429" he="87" />把该统计样本称为正常类,并计算正常类平滑因子σ:<maths num="0002"><math><![CDATA[<mfenced open = "" close = ""><mtable><mtr><mtd><mrow><mi>σ</mi><mo>=</mo><mi>g</mi><mo>*</mo><mi>d</mi></mrow></mtd><mtd><mrow><mi>d</mi><mo>=</mo><mfrac><mn>1</mn><mi>m</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><mi>min</mi><mi> </mi><msub><mi>d</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow></mtd><mtd><mrow><msub><mi>d</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><mo>|</mo><mo>|</mo><msubsup><mi>x</mi><mi>i</mi><mi>k</mi></msubsup><mo>-</mo><msubsup><mi>x</mi><mi>j</mi><mi>k</mi></msubsup><mo>|</mo><mo>|</mo><mo>.</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>.</mo></mrow></mtd><mtd><mrow><mi>i</mi><mo>≠</mo><mi>j</mi></mrow></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0001128784060000013.GIF" wi="1372" he="127" /></maths>d为样本点之间的距离,g=1.1~1.4,利用核密度法计算正常类每个样本点的概率密度分布曲线,并对m个样本点的概率密度分布曲线进行叠加,得到初始按类概率模型f(x):<maths num="0003"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><mn>2</mn><msup><mi>πmσ</mi><mn>2</mn></msup></mrow></mfrac><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><mo>(</mo><mi>x</mi><mo>-</mo><msubsup><mi>x</mi><mi>i</mi><mi>k</mi></msubsup><mo>)</mo><mo>·</mo><mo>(</mo><mi>x</mi><mo>-</mo><msubsup><mi>x</mi><mi>i</mi><mi>k</mi></msubsup><mo>)</mo></mrow><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001128784060000014.GIF" wi="846" he="134" /></maths>将初始按类概率模型进行可视化得到初始按类概率图像模型,并基于拉依达准则在初始按类概率图像模型中通过3σ处的概率值确定该正常类的边界线;第三步,当有新数据时,根据分类边界线进行类别判断,并对新的类建立新的按类概率图像模型,具体步骤为:步骤1:通过对比新样本点的概率值与3σ处的概率值,判断新样本点是否属于正常类,采用双三次插值法求取新数据在图像模型中的概率值,p<sub>new</sub>为新样本点处概率值,p<sub>bie</sub>为分类边界处的概率值,判断指标p计算公式为:p=p<sub>new</sub>‑p<sub>bie</sub>当p<0时,判断新数据为正常类数据,将其加入到正常类中更新按类概率图像模型和分类边界线;当p>0时,判断新数据不属于正常类数据,将其作为新的类,即非正常类;步骤2:当非正常类中的样本累加到一定量时,利用该类样本按照第二步计算该类的平滑因子并建立其概率模型、确定该类的分类边界线,将不同类的概率模型进行叠加及可视化,即可得到新的按类概率图像模型;第四步,根据按类概率图像模型中非正常类的图像分布区域面积占总图像分布区域面积的比值得到故障率h(t),根据故障率计算出可靠性指标R(t),<maths num="0004"><math><![CDATA[<mrow><mi>R</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><munderover><mo>∫</mo><mn>0</mn><mi>t</mi></munderover><mi>h</mi><mo>(</mo><mi>t</mi><mo>)</mo><mi>d</mi><mi>t</mi><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001128784060000021.GIF" wi="428" he="135" /></maths>图像分布区域面积反映了一段时间内性能特征值的概率密度分布区域,通过在按类概率图像模型中,每类中大于该类3σ概率值的像素点数来估计每类的图像分布区域面积;第五步,当又有新数据时,根据每类的分类边界线进行类别的判断,属于其中一类就加入,不属于其中一类就另成一类,通过数据的不断积累,动态更新按类概率图像模型,从而得到不同时刻的可靠性指标。 |