基于自组织映射与受限玻尔兹曼机的滚动轴承健康评估方法
详细信息 查看官网全文
摘要
机械设备在运行过程中,因工况复杂、过载等原因引起的性能退化及失效时有发生。滚动轴承作为机械结构的薄弱环节之一,除了要承受能量转换零部件传递给基础的交变载荷,还要承受工况波动引起的随机载荷,因此容易发生损伤失效。传统的基于信号特征提取的故障识别方法,有特征选取随机不确定性,故障特征不明显的缺点,不能准确的表达轴承的性能状态。为此,开展基于信号多域特征提取的滚动轴承动态健康评估方法的研究,具有重要的理论及现实意义。本文针对Rexnord ZA-2115双排滚子轴承加速寿命实验数据开展动态健康评估方法的研究。方法首先对轴承从正常工况,经历性能退化,最终损伤失效的监测数据,按时间先后在等时间间隔的监测数据中选取特定时长的样本数据,共取2156段监测数据并形成2156个样本数据集。其次,从2156组样本数据中分别提取谱峭度、信息熵等31个对机械性能退化敏感的状态特征量,并通过选取最优特征筛选特征,形成2156列8维滚动轴承性能退化特征向量。将这8个特征向量作为自组织映射网络(Self-organizing map,SOM)的输入进行无监督聚类,形成分别表征滚动轴承1-4级健康度的4个模式序列。其中,每组特征向量都与被映射到某一级健康度的模式序列相对应。以SOM中的2156列特征向量和4个模式序列分别作为受限玻尔兹曼机(Rectricted Boltzmann Machine,RBM)的输入和输出,训练得到输入和输出间的非线性映射关系。随机选取一组已知健康度的样本数据作为测试数据输入RBM模型,得到该测试数据的预测健康度,并将其与实际健康度对比,测试训练所得网络模型的准确性。本文所述健康评估方法能对海量原始监测数据进行高度压缩,形成性能退化敏感特征向量,用于训练健康评估网络,且输入节点数合理,能够满足动态健康评估的实时性需求。此外,本方法将滚动轴承在整个寿命周期内的健康度分级,量化了轴承的健康程度,而不是简单地判定轴承属于正常或故障两个状态,为滚动轴承健康评估提供了量化参考。双排滚子轴承加速寿命数据分析结果表明,实验前期采集数据形成的健康度高于后期采集数据健康度,且动态预测所得健康度具有连续衰减的特点。基于SOM和RBM的网络训练模型能够准确、实时地对滚动轴承健康状态进行动态评估。
引文