基于自學(xué)習(xí)SOM和ARMA算法的數(shù)控機床滾動軸承健康預(yù)警研究

夏筱筠,林 滸

1(中國科學(xué)院大學(xué),北京 100049)2(中國科學(xué)院 沈陽計算技術(shù)研究所,沈陽 110168)

1 引 言

滾動軸承的狀態(tài)監(jiān)測與預(yù)測一直是機械故障預(yù)測技術(shù)的主要內(nèi)容之一.統(tǒng)計結(jié)果表明,包括數(shù)控機床在內(nèi)的旋轉(zhuǎn)機械中所發(fā)生的故障中,究其原因,約 30%與滾動軸承有關(guān).由于滾動軸承工作環(huán)境、工作狀態(tài)等的復(fù)雜性,難于通過建立數(shù)學(xué)模型的方式進行滾動軸承故障診斷與預(yù)警,并且在沒有相關(guān)專家經(jīng)驗、知識指導(dǎo)的情況下,研究如何充分利用歷史數(shù)據(jù),挖掘其中隱藏的知識,了解當(dāng)前設(shè)備的健康狀況及性能退化趨勢對實現(xiàn)機床的長期可靠運動是及其必要的.

目前,國內(nèi)外很多專家學(xué)者對滾動軸承的故障診斷已開展了相關(guān)研究,文獻(xiàn)[1]采用自組織網(wǎng)絡(luò)評價模型及支持向量機等實現(xiàn)形成混合智能預(yù)測模型,提高了軸承性能退化趨勢預(yù)測精度.文獻(xiàn)[2]提出一種基于小波能譜熵的滾動軸承故障預(yù)測特征提取方法,此外基于隱半馬爾可夫模型的滾動軸承故障預(yù)測方法,較準(zhǔn)確的實現(xiàn)對滾動軸承的故障預(yù)測.文獻(xiàn)[3]采用自適應(yīng)濾波算法實現(xiàn)了對所采集信號的降噪處理,提高了滾動軸承的故障診斷的可靠性.以上所取得的研究成果對實現(xiàn)滾動軸承的故障預(yù)警具有重要的參考價值,但大多的健康預(yù)警算法針對性較強,所采用的算法自學(xué)習(xí)能力不足,因此導(dǎo)致所采用算法的適用性、靈活性存在較大的局限性.為此,本文提出了采用基于自學(xué)習(xí)SOM和ARMA算法的數(shù)控機床滾動軸承健康預(yù)警研究以克服以上研究所存在的不足.

本文提出了基于狀態(tài)維修的滾動軸承故障診斷及預(yù)警的實現(xiàn)方案,該方案將滾動軸承的故障監(jiān)測與維護劃分為:狀態(tài)監(jiān)測、故障診斷以及決策維護等三部分內(nèi)容,本文以后兩部分內(nèi)容為研究重點,分別采用了具有自學(xué)習(xí)能力的SOM與ARMA算法進行滾動軸承的故障診斷及預(yù)警,并完成了相關(guān)仿真實驗,驗證了所采用的故障診斷及預(yù)測算法的可行性.

2 基于狀態(tài)維修的滾動軸承故障診斷和預(yù)警方案設(shè)計

如圖1所示,滾動軸承故障診斷與維護方法包含三部分內(nèi)容:狀態(tài)監(jiān)測、故障診斷以及決策維護,這也是預(yù)測與健康管理的基本內(nèi)容.通過對滾動軸承的信號采集、處理,挖掘信號特征,實現(xiàn)對滾動軸承狀態(tài)的實時監(jiān)測,結(jié)合歷史數(shù)據(jù)分析,辨識滾動軸承的故障特征.根據(jù)所辨識的故障特征,最終識別滾動軸承的故障模式及趨勢預(yù)判,包括對滾動軸承狀態(tài)的退化監(jiān)測以及故障模式診斷.結(jié)合后續(xù)的決策維護技術(shù),對被測部件實現(xiàn)一個閉環(huán)反饋監(jiān)控調(diào)節(jié).

圖1 滾動軸承故障診斷與維護方案示意圖Fig.1 Schematic diagram of fault diagnosis and maintenance of rolling bearing

信號特征挖掘及故障狀態(tài)模式識別是實現(xiàn)滾動軸承故障診斷及預(yù)警的基礎(chǔ),而特征挖據(jù)及識別的信號的獲取更是重中之重,它是后續(xù)進行系列處理的源頭,該部分的研究屬于信號處理學(xué)科的范疇,信號采集后,為了便于信號的分析,通常將信號在時域、頻域和時頻域等多個域內(nèi)進行組合處理,圍繞該部分內(nèi)容,國內(nèi)外專家學(xué)者展開了大量的研究工作.文獻(xiàn)[4]采用小波包分解方法進行信號處理,提取特征向量;采用模糊C均值聚類(FCM)實現(xiàn)對滾動軸承不同退化模式的識別.文獻(xiàn)[7]提出一種新的混合聚類算法,該算法利用三層前饋神經(jīng)網(wǎng)絡(luò)、點密度函數(shù)算法和聚類有效性指標(biāo)對FCM進行改進,提高了算法聚類性能.文獻(xiàn)[10]提出基于集成經(jīng)驗?zāi)B(tài)分解的希爾伯特黃變換診斷方法,實現(xiàn)故障特征的提取.

本文對信號特征挖掘及故障狀態(tài)模式識別采用小波包分解的方法實現(xiàn)對信號特征信息的采集,采用模糊C均值聚類(FCM)實現(xiàn)對不同退化模式的識別.對于該部分內(nèi)容的具體實現(xiàn)請參見文獻(xiàn)[4].

3 SOM和ARMA算法的理論基礎(chǔ)

高效的算法設(shè)計是實現(xiàn)智能化滾動軸承故障診斷及預(yù)警的關(guān)鍵問題之一.本課題采用具有自學(xué)習(xí)特點的SOM和ARMA算法,可以實現(xiàn)軸承故障的自動聚類及狀態(tài)趨勢的預(yù)測,如下分別對以上兩種算法進行相關(guān)的理論分析.

3.1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM神經(jīng)網(wǎng)絡(luò)為一種無導(dǎo)師神經(jīng)元網(wǎng)絡(luò).通過接受輸入向量P和輸入權(quán)重矩陣IW1,1,并產(chǎn)生具有S1維元素的向量n1.該距離值是由輸入向量和由輸入權(quán)重矩陣的行形成的,并且該距離值取負(fù)值,如式(1)所示.

(1)

通過上式中輸入向量P與權(quán)重向量之間的負(fù)距離來計算競爭層的凈輸入n1,進而通過競爭層確定神經(jīng)元的輸出a1,如果輸入向量P等于神經(jīng)元的權(quán)重向量時,則神經(jīng)元可以具有的最大凈輸入為0,對應(yīng)輸出該神經(jīng)元的最大值.

如圖2所示為SOM神經(jīng)網(wǎng)絡(luò)的架構(gòu),該架構(gòu)與競爭網(wǎng)絡(luò)架構(gòu)類似,但不包含競爭網(wǎng)絡(luò)所具有的偏差計算部分.此外,改變了迭代調(diào)整時競爭神經(jīng)網(wǎng)絡(luò)只有獲勝神經(jīng)元才具有權(quán)值調(diào)整的機會,而實現(xiàn)靠近獲勝神經(jīng)元的領(lǐng)域神經(jīng)元與獲勝神經(jīng)元一起進行權(quán)值更新,從而實現(xiàn)將各個神經(jīng)元進行分類,并通過特征映射圖呈現(xiàn)各類間的距離關(guān)系.

圖2 SOM網(wǎng)絡(luò)架構(gòu)示意圖Fig.2 Schematic diagram of SOM network architecture

3.2 SOM神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機制

SOM神經(jīng)網(wǎng)絡(luò)通過對歷史數(shù)據(jù)的學(xué)習(xí)以滿足對故障的分類及預(yù)警功能.設(shè)時間序列Y由在等時間間隔所測量的Yt觀測序列構(gòu)成的.可以將多步超前預(yù)報描述為基于Y的當(dāng)前和過去觀測值的H預(yù)測值序列的估計,其中H是大于1的整數(shù).SOM神經(jīng)網(wǎng)絡(luò)遵循迭代策略,每次迭代生成新的估計值,并使用先前預(yù)測值來估算下一個預(yù)測值.

如前所述,確定模型的選擇和組合,以滿足對測試樣本的多樣性水平的分辨效果為預(yù)測模型建立的目標(biāo),以及各分類間定量關(guān)系的描述.SOM神經(jīng)網(wǎng)絡(luò)采用“鏈接距離”來區(qū)分兩個神經(jīng)元的最小步數(shù),各類間的相互區(qū)分度是預(yù)測模型的主要指標(biāo)之一,如果各類間相互區(qū)分度不明顯,勢必造成較差的預(yù)測效果.

SOM神經(jīng)網(wǎng)絡(luò)采用輸入層與輸出層組織的二維陣列結(jié)構(gòu).圍繞優(yōu)勝神經(jīng)元的鄰域神經(jīng)元是由神經(jīng)元之間的鏈路距離來定義,較大的鏈路距離包含具有鏈路距離的鄰域.如圖3所示,具有鏈接距離為2的鄰域包含距離為1的鄰域,且這兩種鄰域中都包含在鏈路距離為3的鄰域內(nèi).SOM神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力通過使用特征向量對SOM進行訓(xùn)練實現(xiàn),訓(xùn)練誤差為數(shù)量為h的向量Re,該向量數(shù)h反映預(yù)測水平的高低,并且每個矢量表示預(yù)測步驟中相關(guān)的誤差.為了提高網(wǎng)絡(luò)的預(yù)測精度,將包含n個時間序列數(shù)據(jù)的樣本集劃分成兩組:訓(xùn)練集及測試數(shù)據(jù)集.

如下用示例說明,在SOM的自學(xué)習(xí)過程中,對樣本數(shù)據(jù)進行分類的顯示示例.假設(shè)其下一個4個期望值是y={1,1,1,1}的時間序列,即h=4.假設(shè)這個時間序列的唯一可能的值是0或1,有16種可能的估計.我們也可以假設(shè)有16種預(yù)測模型,每個預(yù)測模型產(chǎn)生這些估計之一Yi,i={1,2,…,16}.例如,特定模型A的預(yù)測是具有最好可能精度為輸入的特征矢量與權(quán)重矢量相同,此時神經(jīng)元具有最大輸出值a={1,1,1,1}.如圖4所示,訓(xùn)練了具有4行和4列的SOM,并用所有可能的代表性誤差訓(xùn)練1000迭代次數(shù),導(dǎo)致訓(xùn)練集中的每個代表性誤差聚集在不同的神經(jīng)元中.圖中每個神經(jīng)元被標(biāo)記為識別號和在括號中寫入的代表性誤差.神經(jīng)元顏色對應(yīng)于神經(jīng)元中的代表性誤差.字母A標(biāo)記的神經(jīng)元具有最好的形狀,字母W的神經(jīng)元具有最壞的預(yù)測.字母A的神經(jīng)元的一個鄰接鄰域用粗體線包圍.這個例子中通過顏色可以清楚地看到,誤差訓(xùn)練較小時,兩類是屬于同類的或比較近似的類,反之,誤差訓(xùn)練較大時,表明兩個類之間的距離是比較遠(yuǎn)的.

圖3 具有不同鏈路距離的SOM 鄰域示意圖Fig.3 Neighborhood diagram for SOM with different link distance

圖4 SOM預(yù)定義代表性誤差示意圖Fig.4 Pre-defined representative errors diagram for SOM

3.3 ARMA算法原理

ARMA 模型也稱為線性回歸預(yù)測模型,該模型由自回歸模型與滑動平均模型組合而成.對于n 階自回歸模型,記為 AR(n),該模型適用于均值為零的標(biāo)準(zhǔn)正態(tài)隨機信號的處理,設(shè){Xt}為所采集的時間序列,并且該時間序列與歷史序列間存在線性相關(guān)性.但如果所處理的信號不是標(biāo)準(zhǔn)的平穩(wěn)隨機信號,混入系統(tǒng)的噪聲信號,以上AR(n)就無能為力了,就需要采用滑動平均模型進行信號的噪聲過濾處理,對于m 階滑動平均模型,記為MA(m):

xt=at-θ1at-1-θ2at-2-…-θmat-m

(2)

若{xt}不僅受之前n步的各個取值{xt-1},{xt-2},…{xt-n}的影響,而且還與前m步的干擾{at-1},{at-2},…{at-n}相關(guān),利用時間序列的多元線性回歸及自相關(guān)處理,可得到通用的ARMA模型:

xt=φ1xt-1+φ2xt-2+…+φnxt-n-θ1at-1-θ2at-2-…-θmat-m+at

(3)

4 基于SOM和ARMA算法的滾動軸承健康預(yù)警設(shè)計

滾動軸承故障診斷和預(yù)警為結(jié)合滾動軸承運行歷史信息、故障庫所提供的信息等已知信息,針對當(dāng)前設(shè)備的故障特征,進行性能退化程度的判斷及故障預(yù)測.該部分的關(guān)鍵技術(shù)包括:信號特征挖掘及故障狀態(tài)的模式識別、故障診斷處理、故障預(yù)警處理等.

4.1 基于自組織特征映射網(wǎng)絡(luò)的故障診斷算法設(shè)計

針對設(shè)備的故障診斷方法,目前國內(nèi)外研究提出的方法主要包括支撐向量機(SVM)、貝葉斯信念網(wǎng)絡(luò)(BBN)、隱式馬爾可夫模型(HMM)分層聚類法,人工神經(jīng)網(wǎng)絡(luò)(ANN)等.根據(jù)各方法特點,滿足不同的使用要求.本文通過對以上方法優(yōu)缺點的比較,提出了采用自組織特征映射網(wǎng)絡(luò)進行滾動軸承的故障診斷.如圖5所示,為該設(shè)計方案的信號采集及處理流程.

圖5 滾動軸承信號采集及處理流程Fig.5 Signal acquisition and process control of rolling bearing

SOM網(wǎng)絡(luò)具有較強的自學(xué)習(xí)能力,實現(xiàn)獲勝神經(jīng)元及鄰域內(nèi)神經(jīng)元一起進行權(quán)值更新,根據(jù)自動識別出的輸入數(shù)據(jù)之間的近似度,利用“就近原則”,將近似的輸入就近配置在網(wǎng)絡(luò)單元上,因此該網(wǎng)絡(luò)可以實現(xiàn)對不同的輸入數(shù)據(jù)有選擇地進行反應(yīng)的能力,SOM學(xué)習(xí)算法的步驟如下:

1) SOM網(wǎng)絡(luò)的初始化

首先,進行輸入層與映射層之間的連接權(quán)值的初始化.由于算法的自學(xué)習(xí)特性,原則上可以初始化為隨機數(shù),但考慮到算法的計算效率,通常設(shè)定為較小的權(quán)值.然后,進行神經(jīng)元鄰域的初始化,以神經(jīng)元j為例,其鄰域記為Sj;領(lǐng)域的大小可以動態(tài)調(diào)整,初始值Sj(0)表示t=0的時刻鄰域的神經(jīng)元集合,Sj(t)表示t時刻鄰接神經(jīng)元的集合,并且鄰域的大小,當(dāng)時間增長時范圍不斷縮小,可以采用模擬退火算法實現(xiàn)該變化特點.

2) SOM神經(jīng)網(wǎng)絡(luò)的向量輸入

將輸入向量X=(x1,x2,x3,…,xm)T按照對應(yīng)的維度,賦值給各個輸入神經(jīng)元.

3) 確定輸入向量與權(quán)值向量間的廣義距離

距離的計算采用歐式距離的表示形式,以映射層的第j個神經(jīng)元的計算為例,其與輸入向量間的距離,計算如下:

(4)

4) 權(quán)值的學(xué)習(xí)

調(diào)整(3)中所確定的輸出神經(jīng)元j*及其鄰接神經(jīng)元的權(quán)值:

Δwij=wij(t+1)-wij(t)=η(t)(xi(t)-wij(t))

式中,η為常數(shù),其值大于0小于1,并且隨著時間變化η衰減為0.

5) 輸出ok的確定

(5)

式中,f(*)為輸出函數(shù),其輸出值為0～1,并且f(*)可以選擇為其他的非線性函數(shù).

6) 判斷是否滿足預(yù)設(shè)的要求

如果滿足設(shè)定的要求,算法結(jié)束;否則,返回步驟(2),繼續(xù)下一輪學(xué)習(xí).

4.2 基于差分變換的 ARMA 故障預(yù)警改進算法

目前,國內(nèi)外學(xué)者圍繞設(shè)備的故障預(yù)警開展了大量的研究,許多研究成果已取得良好的應(yīng)用效果,提出了包括Elman遞歸神經(jīng)網(wǎng)絡(luò)、模糊邏輯、匹配矩陣、軌跡相似性匹配、隨機濾波等預(yù)警方法.由于每種方法都有各自的優(yōu)缺點及適用范圍,不存在通用的預(yù)警方法,本文結(jié)合滾動軸承的特點,采用計算效率高的自適應(yīng) ARMA 算法進行故障預(yù)警.

根據(jù)ARMA 模型的特點,要求系統(tǒng)的輸入輸出信息為平穩(wěn)隨機序列.而在實際應(yīng)用中,隨機序列大多為非平穩(wěn)隨機序列,應(yīng)首先分析出其變化趨勢,然后采用采用時間序列方法進行擬合,滿足該方法預(yù)測功能.

通常的擬合方法為將序列根據(jù):yt=xt-xt-1差分,得到差分后的序列作為新的序列,如果差分后仍存在非平穩(wěn)隨機成分,可采用多次差分計算,最終得到平穩(wěn)的序列為止.對于滿足指數(shù)分布,余弦分布等的處理方法,與以上方法相同.

在自適應(yīng)定階階段,采用 AIC 信息準(zhǔn)則判定方法,即,利用最大似然函數(shù)估計值原則對模型的參數(shù)進行估計,由于ARMA模型的階數(shù)估計與參數(shù)估計互為條件,因此需要首先將ARMA(p,q)模型的一組階數(shù)取為固定值,然后利用ARMA(p,q)模型的自回歸逼近法確定白噪聲的估計方差,最后利用 AIC 價值函數(shù)進行計算:

AIC(k,j)=In(σ2(k,j))+2(k+j)/N

(6)

其中k為自回歸模型階數(shù),j為滑動平均模型階數(shù),σ2(k,j)為擬合殘差平方和,如式(6)所示.當(dāng)模型階數(shù)較小時,擬合殘差平方和變化幅度較大,對價值函數(shù)的計算結(jié)果影響較大,當(dāng)模型階數(shù)滿足一定的范圍要求時,擬合殘差平方和變化幅度較小,則對模型階數(shù)的取值影響較大.設(shè)定 ARMA 模型的階數(shù)最大值為 logN,則根據(jù)下式確定對應(yīng)的模型階數(shù):

(7)

5 實驗與結(jié)果分析

為測試算法的有效性,本文選擇the Center for Intelligent Maintenance Systems(IMS),University of Cincinnati.提供的NASA Bearing Data Set 進行測試.該數(shù)據(jù)由三組不同數(shù)據(jù)集構(gòu)成,數(shù)據(jù)由 NI DAQ Card 6062E 采集,該數(shù)據(jù)集表示三次測試過程,每次實驗采集不同滾動軸承從開始測試到軸承失效的整個退化過程.各數(shù)據(jù)集的每條記錄為時間長度 1 秒振動信號,每條記錄對應(yīng)的采集頻率為20千赫,每個樣本空間包含 的樣本數(shù)量為20480.每間隔10分鐘測試一條記錄.

如圖6所示,為表示方便,將三次實驗過程分別標(biāo)記為1#,2#,3#,此外,Bearing1,Bearing2,Bearing3,Bearing4分別對應(yīng)被測試的四個滾動軸承.如下采用測試1#與測試2#中的數(shù)據(jù)進行分析.

圖6 軸承實驗環(huán)境Fig.6 Experimental environment of bearing

測試1#中,共有 2156 組樣本數(shù)據(jù),測試 2# 中,共有 984 組樣本數(shù)據(jù).為便于測試,將以上樣本數(shù)據(jù)進行狀態(tài)標(biāo)識,該標(biāo)識將狀態(tài)劃分為退化態(tài)與穩(wěn)定態(tài)兩類,該實驗中由于已知測試結(jié)束為滾動軸承的失效狀態(tài),本文設(shè)定閾值10%用于區(qū)分兩個狀態(tài)類.

5.1 基于SOM的故障分類測試

由于滾動軸承性能退化過程較為復(fù)雜,且具有一定非線性、非平穩(wěn)性特點,為了全面體現(xiàn)故障特征,本文綜合考慮時域或頻域中多個特征參數(shù).所提取的時域特征參數(shù)包括:均值、均方根值、峰峰值、峰值、峰值因子、峭度、偏度、裕度;頻域特征參數(shù)包括:均方根值、峰值、峰值因子;時頻域特征參數(shù)包括:小波包節(jié)點能量.然后,采用主成分分析將線性相關(guān)的特征信息去除,最后,選擇均值、均方根值、峰峰值、峰值、頻率均方根值、小波包節(jié)點能量等六個特征參數(shù)進行故障類型的分類,輸出SOM進行訓(xùn)練.軸承工作狀態(tài)分為4種:正常狀態(tài)、內(nèi)圈故障、外圈故障、滾珠磨損故障等.本文采用的測試樣本數(shù)為35,如表1所示,經(jīng)樣本訓(xùn)練后,SOM的訓(xùn)練結(jié)果如圖7所示,圖中將測試結(jié)果劃分為4類,并顯示出各類的結(jié)果樣本數(shù),與測試樣本的比較結(jié)果如表1所示,測試結(jié)果表明訓(xùn)練樣本數(shù)與測試樣本數(shù)量一致.

表1 訓(xùn)練結(jié)果與測試樣本數(shù)量一致性比較
Table 1 Consistency comparison between the training results and the number of test samples

類1類2類3類4測試樣本數(shù)69812訓(xùn)練結(jié)果數(shù)4+1+11+1+2+2+2+15+2+18+4

SOM神經(jīng)網(wǎng)絡(luò)算法的診斷結(jié)果如圖8所示,圖中顏色的深淺代表各故障類型間誤差距離的大小,可以用來區(qū)分不同的故障類型.各類之間的顏色較深,類內(nèi)部各樣本間顏色較淺,根據(jù)實際測試結(jié)果,測試1#時,Bearing3 與 Bearing4 的失效模式分別為內(nèi)圈故障與滾珠磨損.測試2#時,Bearing1 的失效模式為外圈故障,該結(jié)果與SOM神經(jīng)網(wǎng)絡(luò)算法的診斷結(jié)果一致,說明采用SOM進行滾動軸承故障診斷是有效的.

圖7 SOM 訓(xùn)練結(jié)果示意圖Fig.7 Training results diagram for SOM圖8 采用SOM的故障診斷圖Fig.8 Fault diagnosis diagram with SOM

5.2 基于ARMA的故障預(yù)警測試

采用基于自適應(yīng) ARMA 的故障預(yù)警算法確定每采樣時的狀態(tài)與正常狀態(tài)間的距離偏離值及距離變化值,根據(jù)數(shù)值確定被測試軸承的退化值,如圖9所示為退化值的測試結(jié)果.

由圖 9(a)可以看出,對于2#Bearing1退化趨勢的測試結(jié)果為,當(dāng)采樣值取前500組時,軸承的退化值在0.1以下且變化不大,采樣值取大于500組時,退化值出現(xiàn)平穩(wěn)增大,在730組附近達(dá)到極值點,大于730組時,退化值先有小幅的降低然后快速增加,大于980組時,退化值的增加幅度更大直至軸承處于失效狀態(tài).

由圖 9(b)可以看出,對于1#Bearing3 的退化趨勢測試結(jié)果為,當(dāng)采樣值低于150 組時,退化值在0.05以下且變化幅度較小,150 組附近退化值發(fā)生突變,突變到穩(wěn)定值后并隨后保持,直到采樣組數(shù)取為1800附近,從1800組附近退化值產(chǎn)生第二次突變,隨后產(chǎn)生大幅波動直到軸承處于失效為止.

為驗證測試結(jié)果的合理性,以Bearing1、Bearing4為例,兩者所處的功能位置相同,此外,Bearing2、Bearing3 也處于同樣功能位置,根據(jù)日常經(jīng)驗判斷,處于相同故障位置的兩軸承的故障模式應(yīng)該存在相似性.從圖 9(a)與(d)可以看出兩者的退化曲線具有相似性,Bearing4 的故障時間延后,失效點時間位于984點后.從圖9(b)與(e)看出Bearing2、Bearing3之間的相似性,兩者同樣在150組附近出現(xiàn)退化值的突變,區(qū)別在于Bearing2 直到測試結(jié)束,沒有故障產(chǎn)生的趨勢,一直處于穩(wěn)定運行狀態(tài).圖9(c)與(f)為采用不同方向傳感器所采集的數(shù)據(jù)對Bearing4上的的退化值進行評估,結(jié)果表明兩者的退化曲線比較相似.

圖9 測試軸承故障預(yù)警曲線Fig.9 Test curve of fault early warning for bearing

基于以上分析,該測試結(jié)果驗證了自適應(yīng) ARMA 故障預(yù)警算法,得到的退化評估結(jié)果與實際的軸承退化過程一致.

5 結(jié) 語

滾動軸承的故障預(yù)警及故障診斷是當(dāng)前國內(nèi)外的研究熱點之一,實現(xiàn)對其可靠的故障診斷及預(yù)警,對減少生產(chǎn)上不必要的損失,進而提高裝備制造業(yè)的智能化水平具有重要的意義.本文基于狀態(tài)維修的策略,設(shè)計了滾動軸承故障診斷和預(yù)警的方案;利用自組織特征映射網(wǎng)絡(luò)實現(xiàn)滾動軸承的故障診斷,由于該算法所具有的自學(xué)習(xí)功能,從而提高了故障診斷的智能化水平.利用自適應(yīng) ARMA算法實現(xiàn)滾動軸承的故障預(yù)警,通過采用差分變換的方法,將 ARMA 算法應(yīng)用于非平穩(wěn)隨機序列,從而擴展了算法的應(yīng)用范圍.最后,實驗結(jié)果表明以上算法對于實現(xiàn)可靠的滾動軸承故障診斷及預(yù)警具有良好的應(yīng)用效果.