（机械工程专业论文）基于hsmm的滚动轴承故障预测技术.pdf

国防科技大学研究生院硕十学位论文 摘要 滚动轴承是旋转机械设备中最常见的部件之一，其运行状态的好坏直接影响 到整个设备的工作性能。由于受到载荷、安装、润滑等因素的影响，滚动轴承在 工作过程中故障率较高。因此，如何实现对滚动轴承故障的有效预测，对于尽早 发现旋转机械设备的故障苗头，减少或杜绝重大事故的发生以及降低维修成本具 有重要意义。 本文针对滚动轴承的故障预测问题，在分析其故障机理和演化规律的基础上， 开展了基于隐半马尔可夫模型( h i d d e ns e m i m a r k o vm o d e l s ，h s m m ) 的滚动轴 承故障预测技术研究。论文主要内容包括： ( 1 ) 滚动轴承的故障机理分析与故障演化建模 系统地分析了滚动轴承的故障演化机理。在对滚动轴承j 下常状态和故障状态 的特征频率进行分析的基础上，建立了基于隐半马尔可夫模型的滚动轴承故障演 化趋势模型，对滚动轴承全寿命过程中各个退化状态的驻留时间和状态转移概率 进行了合理描述。 ( 2 ) 基于小波能谱熵的滚动轴承故障预测特征提取方法 针对滚动轴承故障预测特征信息提取难的问题，提出了基于小波能谱熵的滚 动轴承故障预测特征提取方法。验证结果表明，该方法所提取的小波能谱熵评判 指标，可以较好地描述滚动轴承的全寿命过程中的故障演化趋势。 ( 3 ) 基于隐半马尔可夫模型的滚动轴承故障预测方法 针对隐半马尔可夫模型算法中存在的参数设置不确定性、多样本训练下溢等 问题，深入研究了隐半马尔可夫模型的改进算法。在此基础上，提出了以小波能 谱熵为预测特征信息的隐半马尔可夫模型故障预测方法。 ( 4 ) 实验方案设计与实验验证 以滚动轴承实验台为对象，设计了故障预测的实验方案，并通过实验验证了 本文所研究的基于隐半马尔可夫模型的滚动轴承故障预测方法，结果表明，该方 法可以较准确的实现对滚动轴承的故障预测，具有良好的可行性和有效性。 主题词：滚动轴承隐半马尔可夫模型故障预测小波能谱熵 第i 页 国防科技大学研究生院硕十学位论文 a b s t r a c t r o l l i n ge l e m e n tb e a r i n g sa r eo fp a r a m o u n ti m p o r t a n c et o a l m o s ta l lr o t a t i n g m a c h i n e r y a sac o n s e q u e n c eo ft h e i ri m p o r t a n c ea n dw i d es p r e a du s e ，r o l l i n ge l e m e n t b e a t i n gf a i l u r ei so n eo ft h ef o r e m o s tc a u s e so fb r e a k d o w n si nr o t a t i n gm a c h i n e r y t h e r ea r es e v e r a lr e a s o n st h a tab e 撕n gf a i l s ，s u c ha si m p r o p e rl u b r i c a t i o na n d m o u n t i n g ，i n v e r s ee n v i r o n m e n t ，o v e r l o a d ，f a t i g u e ，e r e s ot h ef a u l tp r o g n o s t i c so f r o l l i n ge l e m e n tb e a r i n g s i s i m p o r t a n tt o d e t e c tt h ei n c i p i e n tf a u l t s ，t oo p t i m i z e m a i n t e n a n c es c h e d u l i n g ，t oa v o i dc a t a s t r o p h i cf a i l u r e ，t oe x t e n dm a c h i n e r yl i f ea n dt o r e d u c ec o s t s t h ep u r p o s eo ft h er e s e a r c hi sa i m i n gt os o l v et h ep r o b l e mo ff a u l tp r o g n o s t i c so f r o l l i n ge l e m e n tb e a t i n g s 1 1 1 em e c h a n i s m so ft h ef a u l t sa n dt h et r e n d so ff a i l u r ep r o c e s s a r ea n a l y z e ds y s t e m a t i c a l l y h e n c eaf a u l tp r o g n o s t i cm e t h o do fr o l l i n ge l e m e n t b e a r i n g sb a s e do nt h eh i d d e ns e m i m a r k o vm o d e l s ( h s m m ) i ss t u d i e di nt h i st h e s i s n em a i nc o n t e n t so ft h er e s e a r c ha r ea sf o l l o w s 1 1 1 1 em e c h a n i s mo ft h ef a u l t so fr o l l i n ge l e m e n tb e a t i n g si sa n a l y z e da n dt h e m o d e lo ff a i l u r ep r o c e s st r e n di sb u i l t f i r s t l y , t h em e c h a n i s mo ft h ef a u l t so fr o l l i n ge l e m e n tb e a r i n g si sa n a l y z e d s y s t e m a t i c a l l y s e c o n d l y ah i d d e ns e m i m a r k o vm o d e lw h i c hd e s c r i b l e st h ef a i l u r e p r o c e s st r e n do fr o l l i n ge l e m e n tb e a r i n g si sb u i l t f i n a l l y , t h ed e s c r i p t i o no ft h es t a t e d u r a t i o na n dt h es t a t et r a n s i t i o na l lt h el i f et i m ea r eo b t a i n e d 2 ap r o g n o s t i cf e a t u r ei n f o r m a t i o ne x t r a c t i o ns c h e m eb a s e do nw a v e l e te n e r g y e n t r o p yo fr o l l i n ge l e m e n tb e a r i n g si sp r o p o s e d a p r o g n o s t i cf e a t u r ei n f o r m a t i o ne x t r a c t i o ns c h e m ei sp r o p o s e db a s e do nw a v e l e t e n e r g ye n t r o p yi no r d e rt os o l v et h ep r o b l e mo ft h ed i f f i c u l t yt oe x t r a c tap r o g n o s t i c f e a t u r ei n f o r m a t i o no fr o l l i n ge l e m e n tb e a r i n g a c c o r d i n gt ot h et e s tr e s u l t ，t h ef a i l u r e p r o c e s so fr o l l i n ge l e m e n tb e a t i n g sa l lt h el i f ec a nb ed e s c r i b l e dt h r o u g ht h ef e a t u r e e x t r a c t i o nm e t h o d 3 af a u l tp r o g n o s t i cm e t h o do fr o l l i n ge l e m e n tb e a r i n g sb a s e do nh s m mi s s t u d i e d i no r d e rt os o l v et h ep r o b l e ms u c ha st h eu n c e t a i n t yo fp a r a m e t e rs e t t i n g ，a v o i d i n g u n d e r f l o wd u et ot h em u l t i - s a m p l e st r a i n i n g ，am o d i f i e da l g o r i t h mo fh s m mi ss t u d i e d i nd e t a i l b a s e do nt h ea b o v er e s e a r c h s ，af a u l tp r o g n o s t i cm e t h o do fr o l l i n ge l e m e n t b e a r i n g sb a s e do nh s m mi ss t u d i e dt h r o u g ht a k i n gt h ew a v e l e te n e r g ye n t r o p yo f v i b e r a t i o na st h ep r o g n o s t i cf e a t u r ei n f o r m a t i o n 4 e x p e r i m e n ta n dv a l i d a t i o n a ne x p e r i m e n t a lp l a no fr o l l i n ge l e m e n tb e a r i n g si sd e s i g n e d ，a n dt h ef a u l t p r o g n o s t i ct e c h n o l o g yo fr o l l i n ge l e m e n tb e a r i n g sb a s e d o nh s m mi sv a l i d a t e d 第i i i 页 国防科技人学研究生院硕十学位论文 e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sp r o p o s e dm e t h o di se f f e c t i v ea n dp r a c t i c a b l et o p r o g n o s t i c a t ef a u l ta n dt h er e m a i n i n gl i f eo fr o l l i n ge l e m e n tb e a r i n g s k e yw o r d s ：r o l l i n ge l e m e n tb e a r i n g s hi d d e ns e m i m a r k o vm o d e l sf a u l t p r o g n o s t i c s w a v e l e te n e r g ye n t r o p y 第i v 页 国防科技入学研究生院硕十学位论文 表目录 表3 1 四种状态的小波能谱熵的比较2 5 表4 1 一个连续混合高斯h s m m 的基本元素组合2 8 表4 2 输出概率密度函数中的参数描述2 8 表4 3 状态持续时间概率密度函数中的参数描述2 8 表5 1 状念持续时间的均值和方差5 2 表5 2 五种状态各1 0 组样本的测试结果5 3 表5 3 五个状态的持续时间单元的均值和方差。5 7 表5 4 五个状态的持续时间单元5 8 第1 i i 页 国防科技大学研究生院硕十学位论文 图1 1 图2 1 图2 2 图2 3 图2 4 图3 1 图3 2 图3 3 图3 4 图3 5 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图5 1 图5 2 图5 3 图5 4 图5 5 图5 6 图5 7 图5 8 图5 9 图5 1 0 图5 1 l 图5 1 2 图5 1 3 图目录 课题研究思路7 滚动轴承的几何特征9 滚动体轴承套圈横截面简化图与径向弯曲振动振型示意图1 l 观察序列随小波能谱熵的变化趋势1 6 基于h s m m 建模的部件预测模型1 7 三层小波包的分解结构2 3 小波能谱熵提取过程2 3 各频率成分信号的小波包分解与能量分布2 4 四种退化状态的小波能谱熵的变化情况2 5 小波能谱熵描述的滚动轴承故障演化趋势2 6 h s m m 组成示意图2 8 分段k 均值算法流程图3 5 h s m m 的训练流程图3 7 基于h s m m 的故障预测的总体思路。4 0 基于h s m m 的故障状态识别流程4 2 基于h s m m 的故障预测流程4 3 轴承实验台整体图4 5 轴承故障信号的两个测点布置4 6 小波能谱熵随观察序列的变化趋势4 7 滚动轴承振动信号的特征提取示意图4 8 五个状态的h s m m 训练曲线5 0 正常状态模型中第一个隐状态中三个高斯混合成分的混合权系数5 l 正常状态模型中第一个隐状态中三个高斯混合成分的均值5 l j 下常状态模型中第一个隐状态中三个高斯混合成分的协方差5 2 1 0 组测试数据的似然概率对数值的比较一5 3 全寿命数据的训练曲线5 5 全寿命模型第一个隐状态中三个高斯混合成分的混合权系数5 6 全寿命模型第一个隐状态中三个高斯混合成分的均值5 7 全寿命模型第一个隐状态中三个高斯混合成分的协方差5 7 第1 v 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文题目：基王旦墨婴鲍速边塾丞筮瞳亟型遗苤 学雠文储鲐兽盟狙帆砌扩锄月夕日 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使用学位论文的规定。本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密学位论文在解密后适用本授权书。) 学位论文题目 学位论文作者 储特刻醛各舻嘲卅，月印 国防科技大学研究生院硕十学位论文 第一章绪论 本论文研究工作来源于“十一五”部委级预先研究项目的课题。论文针对滚 动轴承工况恶劣，故障预测难的问题，在分析滚动轴承失效机理和故障演化规律 的基础上，深入研究基于h s m m 的滚动轴承故障预测方法。 1 1 课题研究背景及意义 近年来，随着装备维修理论和相关技术的发展，基于状态的维修和预先维修 等维修技术j 下在迅速发展，使得有关装备维修的观念正在发生深刻的变化。由于 事后维修和计划维修很难预防灾难性的故障，而且常常引起不必要的停机、存在 引入维修损坏的风险。这两种传统的维修方式正在向视情维修( c o n d i t i o nb a s e d m a i n t e n a n c e ，c b m ) 和预先维修的方式转变。与以上两种维修策略不同，视情维修 是面向设备实际状态和发展趋势的维修方式。视情维修的基本思想是根据对设备 当前和将来状态的正确和可靠的预测来安排维修活动。因此对设备当前状态的描 述，以及对下一时段状态的预测是实现视情维修的基础，这也正是故障预测技术 要着力解决的问题。故障预测技术使得设备维护人员可以预知故障的发生，从而 采取一系列维修或预防的措施，而不必等到故障真正发生之后再做出反应。从一 系列公开发表的资料和文献来看【l 捌，故障预测技术已经成为国内外科学技术研究 中的一个热点问题，正受到越来越多的关注，并在发达国家军队的一些重要武器 装备( 如美军的f 3 5 飞机等) 中得以深入研究并推广应用，现在已经取得重要的 进展，并收到了显著的效益。 在运输车辆、舰船、飞机等大量动力传动装备中，都广泛的存在着包含滚动 轴承的旋转部件。滚动轴承在正常工作条件下，由于受到载荷、安装、润滑、润 滑状态等因素的影响，运转一段时间后将会产生各种类型的失效。所以，滚动轴 承是旋转机械中较为薄弱的环节。在装备实际应用中，滚动轴承故障也导致了一 些重大事故的发生。如某型导弹发射车的动力与传动装置，由于没有科学的故障 预测措施，发生了轴承突然破损加剧而导致传动失效的事故，严重影响了该型装 备的机动性和战备完好性。因此，急需有针对性地对动力传动装备开展滚动轴承 故障预测技术研究。 目前，针对机械部件故障预测的研究工作已经开始实施并取得了一些进展， 如基于模型、基于知识和基于数据的故障预测方法【4 】。然而，由于实际工程应用通 常要求对象系统的数学模型具有较高的精度，而针对复杂的动态系统通常难以建 立精确的数学模型，因此基于模型的故障预测技术的实际应用范围和效果受到一 第l 页 国防科技人学研究生院硕+ 学位论文 定的限制；另外，由于基于知识的故障预测技术本身史适合于定性推理而不太适 合于定量计算，其实际应用也受到了限制。因此，基于数据的故障预测方法如神 经网络、h m m 和h s m m 受到了广泛的关注。 h s m m 是一种能够通过可观测数据很好地描述真实空间统计特性的随机模 型，具有良好建模和分析能力，并能合理的描述滚动轴承故障的演化趋势。因此， 本文以滚动轴承为对象，利用h s m m 的建模方法对滚动轴承的故障演化趋势进行 建模，在此基础上，开展基于h s m m 的滚动轴承故障预测技术的研究。 1 2 国内外研究现状 1 2 1 机械设备故障预测技术的研究现状 机械设备故障预测技术是一项年轻的技术，是一门既有基础理论，又有广泛 实际应用背景的j 下在不断完善和发展的交叉型应用学科。特别是近几年来，设备 故障预测技术已发展成为集数学、物理、力学、化学、电子技术、计算机技术、 信息处理、人工智能等各种现代科学技术于一体的较为完整的新兴边缘综合学科。 该学科以设备的管理、状态监测和故障诊断与预测为内容，以建立新的维修体制 为目标，在欧美、日本以不同形式获得推广，成为国际上一大热门学科。 从机械设备故障预测技术的起源与发展来看，其目的应是“保障机械设备长 期安全、满负荷运行”【5 j 。它是依据设备在运行过程中，伴随故障必然产生的振动、 噪声、温度、压力等物理参数的变化来判断和识别设备的工作状态和故障，对故 障的危害进行早期预报、判别，防患于未然，做到预知维修，保证设备安全、稳 定、长周期、满负荷优质运行，避免“过剩维修 造成的不经济、不合理现象。 故障预测技术能实现高新技术动力传动装备的实时全寿命状态监测和预测，可有 效提高其精确、快捷维修的能力，有效延长其服役寿命，保持和充分发挥装备的 战斗力。 从公开发表的资料来看【i 6 ，国外正在全面启动一系列与故障预测技术相关的 研究活动。洛克希德马丁公司在美国国防部的支持下以联合攻击战斗机( j o i n t s t r i k ef i g h t e r , j s f ) 为背景提出了预测和健康管理技术( p r o g n o s t i c sa n dh e a l t h m a n a g e m e n t ，p h m ) 的概念，其中故障预测技术被作为实现这一全新概念的核心支 持技术，得到了前所未有的关注。此外，美国国防部、空军等军事部门等单位也 开展了类似的研究工作，并取得了相当的进展。国内对于故障预测技术的研究目 前正处于刚刚起步阶段，对于其主要的研究工作是实现对设备故障的早期发现和 进行有效预防，还没有上升到设备视情维修所要求的剩余寿命预测的阶段。 关于故障预测实现方法的分类，目前尚不统一。从实际研究中应用较广泛的 第2 页 国防科技人学研究生院硕十学何论文 理论、方法和技术路线来看，主要可以分为：基于模型的故障预测技术( m o d e lb a s e d a p p r o a c h ) 、基于知识的故障预测技术( k n o w l e d g eb a s e da p p r o a c h ) 、基于数据的 故障预测技术( d a t ad r i v e na p p r o a c h ) 三大类。 ( 1 ) 基于模型的故障预测技术 应用基于模型的故障预测技术的前提条件是己知对象系统的数学模型，这些 模型通常是由一定领域的专家给出，经过大量的数据验证，通常比较精确。l i a n g 8 1 等人首先在对对象系统进行振动信号响应分析和故障机理分析基础上，建立了系 统可观测变量与故障特征变量之间的模型关系。通过使用递推最d , - 乘( r e c u r s i v e l e a s ts q u a r e ，r l s ) 算法在线调整模型的参数，从而估计系统未来某时刻故障特征 的变化情况。文献 9 】提出了一种非线性统计模型，该模型可对机械材料的裂纹进 行建模，并通过使用广义卡尔曼滤波器而不是解前向k o l m o g o r o v 方程的方法，来 在线估计系统当前的故障情况以及预测系统的剩余使用寿命。基于模型的故障预 测技术具有深入对象系统本质的性质和实时故障预测的优点。并且，对象系统的 故障特征通常与模型参数紧密联系，随着对设备故障演化机理理解的逐步深入， 模型可以被逐渐修正来提高其预测精度。但是，实际工程应用中通常要求对象系 统的数学模型具有较高的精度，而针对复杂的动态系统通常难以建立精确的数学 模型，因此基于模型的故障预测技术的实际应用范围受到一定限制。 ( 2 ) 基于知识的故障预测技术。 在实际工程应用中，常常无法获得对象精确的数学模型，大大限制了基于模 型的故障预测方法的使用范围。而基于知识的方法不需要对象的精确数学模型， 因此是一种很有生命力的方法。基于知识的故障预测技术最典型的两种应用形式 是：专家系统和模糊逻辑。故障诊断是专家系统的一个传统应用领域，而近些年 来专家系统也被应用于故障预测技术的研究中。c a s s a n d i 认是一种故障预测专 家系统，它被用来在线监测和评估工业设备的工作和健康状况【1 0 1 。p r o m i s e 系统 能实时生成关于设备故障的发生及其严重程度的信息，预报将来的一段时间内会 检测到的以及可能产生的故障的相关情况【l 1 。专家系统在故障预测技术研究中的 应用还表现为与其他技术手段的结合，例如与神经网络技术的结合【l2 j 等。然而， 专家系统也存在其自身难以克服的缺陷。如知识获取的“瓶颈”问题。一方面， 由于专家知识有一定的局限性；另一方面，规则化表述专家知识也存在相当大的 难度。两者造成了专家系统知识库的不完备，表现为当遇到一个没有相关规则与 之对应的新故障现象时，系统就显得无能为力。模糊逻辑提供了表达和处理模糊 概念的机制，由于具有处理不确定性信息的能力，模糊理论和模糊逻辑为解决故 障预测的问题提供了重要的理论方法和现实工具。模糊逻辑往往以与其他技术相 结合的一种方式应用于故障预测研究中。文献 1 3 1 0 0 作者介绍了一种基于动态模糊 第3 页 国防科技人学研究生院硕十学位论文 评判与专家系统推理相结合的故障预测方法，并且将该方法应用于火炮故障预测 的实例中。模糊预测系统的最大特点是其模糊规则库可以直接利用专家知识构造， 因而能够充分利用、有效处理专家的语言知识和经验，而且一个适当设计的模糊 逻辑系统可以在任意精度上逼近某个给定的非线性函数。由于模糊预测系统目前 尚处于研究阶段，有些问题还需着重解决。在模糊预测系统中，由于静态知识库 无法反映设备零部件的失效过程，使得故障预测系统的知识表达不具有时间参数， 没有实时控制的特性，从而削弱了方法的实用性。另外，还需要深入研究动态知 识库的建造技术【l4 1 。基于知识的故障预测技术的最大优势是能够充分利用对象系 统有关领域专家的知识和经验。但是，由于基于知识的故障预测技术本身更适合 于定性推理而不太适合于定量计算，因而限制了其实际应用。 ( 3 ) 基于数据的故障预测技术 在研究许多实际的故障预测问题时，建立描述复杂设备工作情况的数学模型 是不经济甚至是不可能的，同时领域专家的经验知识又无法进行有效的表达，导 致设备工作的历史数据成为了解设备性能下降的主要手段甚至是唯一手段。因此， 本文采用基于数据的故障预测技术来展开滚动轴承故障预测技术的研究。目前， 基于数据的故障预测技术的典型代表是：神经网络、隐马尔可夫模型( h i d d e n m a r k o vm o d e l ，h m m ) 、隐半马尔可夫模型( h i d d e ns e m i m a r k o vm o d e l ，h s m m ) 等。 1 2 2 基于数据的故障预测技术的研究现状 人工神经网络是基于数据故障预测技术的典型代表。近几年来，人工神经网 络理论的研究取得了很大的进展，其应用研究几乎渗透到了各个领域。神经网络 技术应用于轴承故障预测研究的实例可以举出很多：z h a n g l l 5 j 等人利用自组织神经 网络进行故障发展的多变量趋势跟踪，从而预测轴承系统的剩余使用寿命。t s e 1 6 】 等人使用了回归神经网络( r e c u r r e n tn e u r a ln e t w o r k s ，r n n ) 预测设备工作状态的 发展趋势。神经网络在故障预测研究中还经常与其他技术结合，衍生出了多种特 殊形式的神经网络结构，诸如小波神经网络( w a v e l e tn e u r a ln e t w o r k s ，w n n ) 、模 糊神经网络( f u z z y n e u r a ln e t w o r k s ，f n n ) 等，这些特殊的神经网络既继承了传 统神经网络结构的优势，又在一定程度上克服了其不足之处，因而在故障预测研 究中取得了很好的应用效果。w a n g i i7 j 等人使用了一种动态小波神经网络，在传感 器检测数据的基础上，建立了对象系统故障特征随时间的演变模型，进而预测机 械轴承剩余寿命。该方法首先使用具有不同裂纹程度轴承的振动信号数据训练小 波神经网络模型，然后再将该模型应用于轴承裂纹演变过程的故障预测。他们通 过所获得的实验数据证明了使用动态小波神经网络的预测效果要好于使用a r 模 第4 页 国防科技人学研究生院硕十学位论文 型，并且还给出了评价故障预测系统性能指标的标准。w a n g 18 1 等人分别采用叫归 神经网络和模糊神经网络对旋转机械故障预测的问题进行了研究，并对两者的预 测结果进行了比较。作者指出在对模糊神经网络进行适当训练的条件下，其故障 预测结果要优于采用回归神经网络的预测结果。 目前，除人工神经网络以外，其它各种针对轴承的故障预测方法也层出不穷。 上海交通大学的李富j - 1 1 9 j 等根据相关分析和小波阈值降噪理论，提出了小波域相 关滤波法的机械设备早期故障预测技术，并以滚动轴承为对象，验证了该方法的 有效性。大连海事大学的邓士娟【2 0 】将支持向量机算法也应用于轴承的寿命预测中， 该方法根据现场采集到的轴承的振动信号，经过分析处理后，采用支持向量分类 机和支持向量回归机两种方法来预测轴承的寿命，大大降低了轴承疲劳寿命试验 的费用。北京交通大学的薛子云【2 1 1 研究了时间序列模型中的a r 模型和灰色模型 m g m 模型，并提出了将组合预报模型应用到滚动轴承的故障预测中，以适应滚动 轴承故障特征参数的变化兼具趋势性与波动性的特点。武汉科技大学的刘源洞【2 2 l 通过对滚动轴承进行有限元分析，并对其进行静力学计算，考察其基本应变、应 力规律，最终实现了对滚动轴承的故障预测。 最近，在语音信号处理和手写字的识别上，h m m 变得越来越流行而且取得了 一定的效果。主要有两个原因：首先，这个模型具有丰富的数学结构和坚实的理 论基础；其次，这个模型已经有许多成功的应用。相比纯粹的黑盒子建模方法如 人工神经网络( 主要用在高级诊断模型) 而言，h m m 更容易解释模型。然而， h m m 仍然存在固有的局限性。例如，h m m 假设状态驻留按照指数分布，这种指 数分布函数使得h m m 不能对语句的暂态结构和手写字的分段结构提供合理解释。 许多学者为了改进算法已经进行大量的技术研究。l j o l i e 和l e v i n s o n 在语音识 别中使用连续的变量驻留h m m ，他们把显性驻留同标准的h m m 相比较，结果表 明不正确的驻留模型使判别错误的概率增加了5 0 。 由于振动信号和语音信号之间的相似性【2 3 1 ，以及h m m 在语音识别领域中具 有良好的应用效果，人们很自然的将h m m 引入故障识别的研究领域中，特别是 应用于对机械系统的故障预测。q i u t m 等人研究了机械系统故障预测中的早期微小 故障的发现与识别问题，提出了三种基于h m m 的识别算法，并对三种算法应用 效果进行了分析比较。b a r u a h l 2 5 等人将h m m 应用于金属切割机的故障诊断和预 测问题的研究中。通过使用h m m 对传感器检测信号建模，评估对象当前的健康 状态，从而预测其剩余使用寿命。h m m 之所以得到了广泛的应用，是因为这种模 型既反映了对象的随机性，又反映了对象的潜在基本结构，便于利用被研究对象 的直观先验知识。另外，h m m 具有严格的数学结构，算法易于硬件实现。但是 h m m 也存在着不足之处：首先，h m m 是一种模式识别方法，强调的是其分类能 第5 页 国防科技大学研究生院硕十学位论文 力，但缺乏对故障本身的描述信息，而且对模型的学习参数不能够完全恰当的解 释；其次，h m m 的初始模型的选取仍是一个悬而未决的问题，仅是凭经验选取； 最后，h m m 对于隐藏状态的物理意义不能给出恰如其分的解释。 h s m m 是h m m 的种扩展模型，在已定义的h m m 的结构上加入了时间组 成部分。与h m m 相比，h s m m 具有两大优点：( 1 ) h s m m 克服了因马尔可夫链 的假设造成h m m 建模所具有的局限性。在解决现实问题中，h s m m 提供更好的 建模能力和分析能力，因此，h s m m 改进了诊断能力，在故障诊断中具有更好的 分类精度，提高了诊断的准确性；( 2 ) h s m m 可以直接进行预测。因此h s m m 与 h m m 相比，更适合于机械设备的状态识别与故障预测。文献2 6 ，2 7 ，2 8 】中介绍了 h s m m 已经成功应用到了对液压泵、u h 6 0 a 黑鹰直升机的传动装置的故障预测 中。 滚动轴承是各种旋转机械中应用最为广泛的一种通用机械部件，它们在旋转 机械中起着关键的作用，旋转机械的故障3 0 是由滚动轴承的故障引起的，其运 行状态的正常与否直接影响整机的性能。滚动轴承在实际工作中受到载荷、安装、 润滑、润滑状态等因素的影响，目f j i 现有的故障机理分析方法和演化规律的分析 方法不能合理的描述滚动轴承运行状态( 即滚动轴承从正常状态运行到出现小故 障，再到真正的故障状态甚至更严重的灾变故障) 的演化趋势。同时，由于h s m m 的应用还处在初级阶段，滚动轴承工况的复杂性导致了h s m m 训练算法中各个参 数的设置具有不确定性，如何针对滚动轴承的复杂工况提出有效的模型参数设置 还需要进行深入的研究。同h m m 一样，由于h s m m 算法是基于概率论的模型训 练算法，算法中还存在着多样本训练以及下溢问题。本文主要从这几个方面入手， 针对h s m m 的部分算法以及算法中存在的问题提出了相应的改进措施，在此基础 上，进步丌展了基于h s m m 的滚动轴承故障预测技术研究。 1 3 研究内容及组成 1 3 1 主要研究内容及研究思路 滚动轴承的故障机理分析是预测特征提取方法的基础，只有对滚动轴承故障 机理进行详细、全面的分析，才能合理有效的提取出滚动轴承的预测特征，建立 有效的预测特征向量集。同时，对当前状态进行正确识别才能保证对故障的正确 预测，所以在建立特征向量集后必须实现对当前状态的识别，并最终实现滚动轴 承的故障预测。因此，本课题研究的主要内容可以分为滚动轴承的故障机理分析、 预测特征提取方法、退化状态识别方法以及故障预测方法四个方面。具体研究思 路如图1 1 所示。 第6 页 国防科技人学研究生院硕+ 学位论文 r 一夏手一) - l 一- ；：鬈豸嘉鬟盏霞蠢黼关技术的r - 话论 一- 嘉完滞取战陴坝硼彳口犬j 爻小时 1 。 一7 一 1 3 2 论文组织安排 图1 1 课题研究思路 本论文结构安排如下： 第一章，总结了课题研究的目的及意义，综述了滚动轴承的状态识别技术和 故障预测技术的发展概况，并分析了当前的研究需求，明确了本文的研究对象、 内容以及技术路线。 第二章，分析并总结了滚动轴承的主要故障模式、产生机理、表现特征及其 影响等，利用h s m m 的建模方法对滚动轴承的全寿命趋势进行了描述，论证了基 于h s m m 的滚动轴承故障演化趋势建模方法的有效性。 第三章，简单介绍了小波能谱熵的相关概念和基本理论，研究了基于小波能 谱熵的故障预测特征提取方法，以滚动轴承为例，验证了该方法的有效性。 第四章，介绍了h s m m 的基本理论和算法，针对实际应用中存在的主要问题， 提出了相应的改进措施，在此基础上，深入研究了基于h s m m 的滚动轴承退化状 态识别方法和故障预测方法。 第五章，验证了基于h s m m 的滚动轴承故障预测方法的有效性。通过实验验 证了本文所研究的基于小波能谱熵的滚动轴承预测特征提取方法和基于h s m m 的 第7 页 国防科技大学研究生院硕+ 学位论文 故障预测力法。 第六章，总结与展望。对本文的研究工作进行了总结和概括，并展望了基于 h s m m 的滚动轴承故障预测技术的发展方向。 第8 页 国防科技人学研究生院硕十学位论文 第二章滚动轴承的故障演化机理分析 2 1 概述 滚动轴承是旋转机械的主要部件之一。它具有效率高、摩擦阻力小、装配较 为方便、润滑易于实现等优点，广泛应用于中、小型机械【2 9 】。 滚动轴承在正常工作条件下，由于受到载荷、安装、润滑状态等因素的影响， 运转一段时间后将会产生各种类型的失效。因此滚动轴承是旋转机械中较为薄弱 的环节。滚动轴承产生失效的初始阶段，由于失效程度较为轻微，往往不易被人 们发现。只有当失效发展到明显过热、强烈振动或滚动噪声足够大时才会被人们 发现。由于发现不及时往往引起设备停机或设备损坏，造成生产上不应有的损失。 滚动轴承失效形式较多，可能的故障种类有磨损、疲劳剥落、腐蚀、塑性变形、 断裂、胶合、保持架损坏等。从实践中可知，滚动轴承的故障大部分可归结为表 面的劣化，进而使振动加剧。这些故障引起的振动特征表现在振动信号中存在着 冲击脉冲。在时域中，冲击使信号的均值、方差等发生变化；在频域中，信号高 频成分明显增多，信号的能量分布发生变化。 滚动轴承的状态监测与预测一直是机械故障预测技术的主要内容。据统计， 约3 0 的旋转机械故障是由于滚动轴承的损坏引起的。由于滚动轴承的振动信号 能比较明显的表征故障特征，很多轴承的状态监测和故障预测的方法都是建立在 对振动信号的分析基础上的。因此，本章主要从滚动轴承振动信号的特征分析入 手，通过h s m m 的建模方法描述滚动轴承的故障演化趋势。 2 2 滚动轴承振动信号的基本特征 2 2 1 滚动轴承的基本结构 图2 1 滚动轴承的几何特征 滚动轴承的典型结构如图2 1 所示，它由内圈、外圈、滚动体和保持架四部分 第9 页 国防科技大学研究生院硕十学位论文 组成。内圈、外圈分别与轴颈及轴承座装配在一起。在大多数情况下外圈小动， 而内圈随轴回转。滚动体是滚动轴承的核心元件，它使相对运动表面间的滑动摩 擦变为滚动摩擦。滚动体的形式有球形、圆柱形、锥柱形和鼓形等等。滚动体可 在内、外圈滚道上进行滚动。图2 1 所示滚动轴承的几何参数主要有： ( 1 ) 轴承节圆直径d ：轴承滚动体中心所在的圆的直径； ( 2 ) 滚动体直径d ：滚动体的平均直径； ( 3 ) 内圈滚道平均半径，l ： ( 4 ) 外圈滚道平均半径，_ 2 ； ( 5 ) 接触角a ：滚动体受力方向与内外滚道垂直线的夹角； ( 6 ) 滚动体个数z ：滚珠或滚针的数目。 2 2 2 滚动轴承的特征频率 为分析轴承各部分运动参数，先做如下假设： ( 1 ) 滚道与滚动体问无相对滑动； ( 2 ) 承受径向、轴向载荷时各部分无变形； ( 3 ) 内圈滚道回转频率为万； ( 4 ) 外圈滚道回转频率为f o , ( 5 ) 保持架回转频率为( 即滚动体公转频率为万) 。 则滚动轴承工作时各点的转动速度如下： ( 1 ) 内滚道上一点的速度为： k = 2 x r , f , = x f , ( d - d c o s c r ) ( 2 ) 外滚道上一点的速度为： z o = 2 ，r r 2 f o = - f o ( d + d c o s t z ) ( 3 ) 保持架上一点速度为： 圪= 寺( “+ z o ) = 万z d 由此可得保持架的旋转频率( 即滚动体的公转频率) 为： f c - - 一2 x l d - ( k + v o ) = 三 ( 一丢c 。s 口) ，+ ( - + 吾c 。s 口l 单个滚动体在外滚道上的通过频率，即保持架相对外圈的回转频率为： 厶= i 五+ z i = 扣一z l ( 一丢c 。s 口) 单个滚动体在内滚道上的通过频率，即保持架相对内圈的回转频率为： 第1 0 页 d 动 筇 q $ q q q q q 厶= ”l = 扣一无i ( 1 + 丢c 。s 口) ( 2 6 ) 从固定在保持架上的动坐标来看，滚动体与内圈作无滑动滚动，它的回转频 率之比与d 2 r l 成反比。由此可得滚动体相对于保持架的回转频率( 即滚动体的自 转频率，滚动体通过内滚道或外滚道的频率) 丘为： 尝丑d = 堂d 唑旦d ( 1 _ 立d 叫 ( 2 1 7 ) 厶 l 、7 丘= 虿1 了d i z z i j ，一( 丢) 2c 。s 2 口l c 2 8 ， 根据滚动轴承的实际- r f f - n 况，定义滚动轴承内、外圈的相对转动频率为 f r = f - f o 。一般情况下，滚动轴承外圈固定，内圈转动，即伊o ，f , = f - f o = f r ，同时考 虑滚动轴承有z 个滚动体，则滚动轴承的特征频率如下： ( 1 ) 滚动体在外圈滚道上的通过频率孤为： 巩= 烈一丢c o s 口) z ( 2 9 ) ( 2 ) 滚动体在内圈滚道上的通过频率玩为： z f , c = 柳+ 扣口) z 亿 ( 3 ) 滚动体在保持架上通过频率( 即滚动体自转频率石f ) 为： 厶= 外( 争“k 亿 ( 4 ) 保持架的旋转频率( 即滚动体的公转频率) 为： z = 抖丢c o s 口k 亿协 2 - 2 t 3 滚动轴承的固有振动频率 山 殇勿一目l - 扬钐 图2 2 滚动体轴承套圈横截面简化图与径向弯曲振动振型示意图 滚动轴承在运行过程中，由于滚动体与内圈或外圈冲击而产生振动，这时的 第1 l 页 国防科技大学研究生院硕十学位论文 振动为轴承各部分的凼自频率。 ( 1 ) 内、外圈的固有振动频率 固有振动中，内、外圈的振动表现最明显，如图2 2 所示为滚动轴承的振动示 意图。计算内圈及外圈的固有振动频率时，