一种基于高斯过程回归的轴承故障预测方法

摘要

一种基于高斯过程回归的轴承故障预测方法，它有五大步骤：步骤一，设定预测系统参数，对高斯过程回归模型进行初始化；步骤二，定期采集轴承振动信号，对振动信号进行特征提取得到轴承振动信号的时域特征参数，进行故障征兆判断；步骤三，判断是否出现故障征兆；步骤四，特征参数的计算和存储，并进行高斯过程回归模型的动态更新；步骤五，进行轴承的故障预测。本发明根据产品的实际使用情况，采集少量数据，定量化地给出产品可能出现故障的时间，运用高斯过程回归提高运算速度和预测精度，运用健康管理的思想，将轴承的全寿命周期分为健康、亚健康、故障三个时间段，在亚健康状态内进行故障预测，提高轴承使用管理能力。

主权项

一种基于高斯过程回归的轴承故障预测方法，其特征在于：该方法具体步骤如下：步骤一，设定预测系统参数，对高斯过程回归模型进行初始化；设定预测系统判定阈值1、判定阈值2；当预测的特征参数高于判定阈值1时，判定轴承进入亚健康状态，应用高斯过程回归模型进行故障预测；当预测的特征参数高于判定阈值2时，判定轴承即将故障，应给予维修更换；设定振动信号采集周期，在健康状态下采样周期不宜短，在进入亚健康状态后，减小采样周期；对于持续工作中的轴承，在健康状态下每天采样1次，每次1s，采样率设为20kHz；在亚健康状态下每30分钟采样1次，每次1s，采样率设为20kHz；高斯过程回归是一种核学习机算法，应进行核函数的选取和超参数初始值设定，超参数初始搜索域根据经验自由设定，超参数初始值设为零，由算法训练学习获得；所述基于高斯过程回归的轴承故障预测方法中使用的核函数是平方指数SE核函数或神经网络NN核函数；SE核函数：$C_{SE}(x,x^{\prime })={\sigma }_f^2\exp (-\frac{P{(x,x^{\prime })}^2}{2})$NN核函数：$C_{NN}(x,x^{\prime })={\sigma }_f^2{\sin }^{-1}\left(\frac{2{\tilde{x}}^T\Sigma {\tilde{x}}^{\prime }}{\sqrt{(1+2{\tilde{x}}^T\Sigma \tilde{x})(1+2{\tilde{x}}^{\prime }\Sigma {\tilde{x}}^{\prime })}}\right)$式中符号说明如下：令为包含所有超参数的向量，{P}＝l^‑2I表示超参数I^‑2与I的乘积矩阵；为核函数的信号方差，控制局部相关性的程度；为x的增广矩阵，即$\tilde{x}={(1,x)}^T;$步骤二，定期采集轴承振动信号，对振动信号进行特征提取得到轴承振动信号的时域特征参数，进行故障征兆判断；根据设定的采样周期进行振动信号的采集，并进行时域特征参数的特征提取；对轴承振动信号进行处理最常用的有量纲指标包括均方根值RMS和峰值PEAK，无量纲指标高扩波形因子S、峰值因子C、脉冲因子I、裕度因子L和峭度指标K，这里以均方根值和峭度指标作为故障预测的参数；均方根值RMS能度量轴承的振动量，既考虑到振动时间变化的经历过程，同时又表示出机械振动能量的大小；由于均方根值是对时间的平均，所以对具有表面裂纹磨损类故障能有恰当的评价；均方根值的计算公式如下：$RMS=\sqrt{\frac{{\Sigma }_{k=1}^K{\left(x\right(k\left)\right)}^2}{K}}$式中符号说明如下：x(k)为信号序列，其中k＝1,2,3…K；K为所用信号序列数据点个数；峭度指标Kurtosis是概率密度分布尖峭程度的度量，表示振动波形中是否有冲击或尖峭程度的；峭度指标对于冲击脉冲类故障比较敏感，特别在故障早期时，有明显的增加；峭度指标的计算公式如下：$Kurtosis=\frac{{\Sigma }_{k=1}^K{\left(x\right(k)-x_m)}^4}{{\mathrm{Kk}}_{std}^4}$式中符号说明如下：x(k)为信号序列，其中k＝1,2,3…K；K为所用信号序列数据点个数；x_m为信号均值，x_std为信号标准差，其中x_m和x_std的计算公式如下：$x_m=\frac{1}{K}\underset{K=1}{\overset{K}{\Sigma }}x\left(k\right)$$x_{std}=\sqrt{\frac{{\Sigma }_{k=1}^K{\left(x\right(k)-x_m)}^2}{K-1}}$分别计算振动信号均方根值和峭度指标，与亚健康判定阈值1进行比较，如果此两项特征参数有一项超过设定阈值即认为已出现轻微故障征兆，轴承进入亚健康状态；步骤三，判断是否出现故障征兆；当判定轴承进入亚健康状态后，减小振动信号的采样周期，启动高斯过程回归模型，进行故障预测，转入步骤四；当判定轴承工作正常，未进入亚健康状态时，保持当前状态，返回步骤二继续监控振动信号；步骤四，特征参数的计算和存储，并进行高斯过程回归模型的动态更新；分别计算振动信号均方根值和峭度指标，并将此两种特征参数分别进行存储；将当前时刻获得的特征参数与前几个时间段内获得的特征参数，整合为高斯过程回归模型输入向量，输入至该模型中；当有新采集的振动信号到达时，计算存储特征参数，并整合新的输入向量，更新高斯过程回归模型；步骤五，进行轴承的故障预测；应用高斯过程回归模型对输入向量采用高斯过程回归方法进行训练，进行振动信号的均方根值和峭度指标两种特征参数的趋势分析，得出故障预测结果和置信区间分布；两种参数表征不同类型的故障，所得预测结果应以两种特征参数进行预测所得结果的最小值为准。