(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111497828.9 (22)申请日 2021.12.09 (66)本国优先权数据 202110958608.5 2021.08.20 CN (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 崔玲丽　金瓯　王鑫　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 沈波 (51)Int.Cl. G06Q 10/04(2012.01) G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 119/04(2020.01) (54)发明名称 一种基于相似性匹配优化理论的滚动轴承 寿命预测方法 (57)摘要 本发明公开了一种基于相似性匹配优化理 论的滚动轴承寿命预测方法， 该方法首先提出通 过指数衰减函数与双指数函数模 型， 模拟轴承 退 化信号， 实现了样本字典集的扩充。 其次， 基于高 斯混合模型的Jensen ‑renyi散度健康指标， 实现 了滚动轴承振动信号退化演变趋势的提取。 再通 过对轴承 退化数据进行高斯函数拟合， 可以有效 降噪。 通过函数空间L2范数度量相似性， 基于遍 历查找字典集获取相似性并赋予对应权重， 最终 得到滚动轴承的剩余使用寿命预测结果。 通过对 轴承全生命周期信号的仿真分析， 验证了所提方 法的有效性。 实验数据分析结果也表明该方法可 以有效的预测滚动轴承剩余使用寿 命。 权利要求书3页 说明书7页 附图3页 CN 114154736 A 2022.03.08 CN 114154736 A 1.一种基于相似性匹配优化理论的滚动轴承寿命预测方法， 其特征在于： 获取轴承全 生命周期振动信号、 仿 真振动数据构建样本字典集、 对轴承振动信号进 行特征提取， 选取轴 承退化节段、 对退化数据进行高斯函数拟合得到退化趋势与函数参数， 计算函数空间L2范 数计算相似性， 继而计算不同样本对测试数据未来趋势的权重， 最终基于权重与样本剩余 寿命得出测试数据剩余使用寿命。 2.根据权利要求1所述的一种基于相似性匹配优化理论的滚动轴承寿命预测方法， 其 特征在于： 振动信号采集的步骤实施如下； 采用滚动轴承加速退化实验数据进行验证分析； 实验系统 由轴承实验台、 数据采集仪、 笔记本电脑组成； 其中一个轴 上安装了四个轴承； 通过摩擦带连接到轴 上的交流电机将转 速保持在2000转/分； 通过弹簧机构在轴和轴承上施加6000磅的径向载荷； Rexnord  ZA‑ 2115双列轴承安装在轴上； 在轴承座上安装了PCB  353B33高灵敏度石英ICP加速度计(每个 轴承[x轴和y轴]有两个加速度计； 所有故障均发生在轴承 超过设计寿命(超过1亿转)之后。 3.根据权利要求1所述的一种基于相似性匹配优化理论的滚动轴承寿命预测方法， 其 特征在于： 字典集构造的实施步骤如下； 设采集到的振动信号的时域表示 为x(t)， 根据其故障冲击特 征， 构建字典集； 轴承全生命轨迹信号分为两部分： 健康部分、 退化部分； 其中健康状态下的轴承信号主 要为环境噪声， 没有冲击信号； 轴承在故障阶段往往会伴随着故障冲击， 随着使用寿命的增 长， 故障冲击随之变大； 冲击的形式是以故障频率为基础的周期性脉冲， 脉冲的幅值为随机 改变； 轴承脉冲响应信号可表示 为： 式子中I表示脉冲数； J表示系统模态数； Aij是第i个脉冲时第j个系统频率的幅值， 具体 大小为[0,0.5]中的随机值； T是脉冲的理论周期； τi是理论周期与实际脉冲时间的差值； εj 是不同模态下对应的阻尼比； fdj是不同模态下对应的系统频率； 其中转速是2000rpm， 轴承故障频率为236.4Hz， 故障前后频率分量为2000Hz， 4000Hz； 不同模态下阻尼比为0.1， 0.0 5； 采样率 为3kHz； 每次采样长度为1s； 退化仿真信号由三部分组成： 振动响应信号、 环境噪声、 系统噪声； 环境噪声是机械设 备安装位置的固定尺寸噪声， 不会产生很大的变化； 系统噪声 是一种振动干扰， 它可能来自 于设备内部， 并随着轴承损坏程度的加重而增加； 因为轴承在退化过程中呈现非线性状态， 所以在仿真信号构建中采用双指数函数进行模拟退化趋势； 轴承全寿命仿真信号可表示 为： 式子中a1， a2是反映振动幅值变化的参数； b1， b2是反应轴承退化速率的参数； η1与η2是 环境噪声和系统噪声； 环境噪声与系统噪声取轴承健康状态下信噪比 ‑150db， λ反应系统噪 声随损坏程度增 加而增加的速率。 4.根据权利要求1所述的一种基于相似性匹配优化理论的滚动轴承寿命预测方法， 其权　利　要　求　书 1/3 页 2 CN 114154736 A 2特征在于： 振动信号特 征提取实施步骤如下； S3.1： 提取轴承各类传统时域、 频域健康指标作为高斯混合模型的分量； 特征集为X＝ (x1,x2,…xN)； S3.2： 利用从轴承健康状态下的信号样本中提取的特征向量对GMM模型进行训练； 计算 出最小BIC值， 选择最优GM M； 其中m为估计参数 数， N为观测数； S3.3： 将测试特征向量提供给最优GMM模型， 计算相应GMM分量的后验概率； z(x, μi, σi)， i＝1,2,……,M表示高斯密度分量； 其中μi和σi分别表示均值向量和协方差矩阵； 因此， 一个完整的GMM是由均值向量参数 化的μi协方差矩阵σi和混合权重wi,组成的λ＝(wi, μi, σi)； 上述公式中GMM的似然函数最大 化得到的参数τ 是使用最大似然估计(E M)算法求 解的； 为高斯混合模型： S3.4:对测试 特征向量相关的GM M‑PDs进行JRD的计算； J RD的计算公式如下: w1,w2,…wn是对应概率分布(PD)的权向量； Hα是离散概率分布f＝(f1,f2,…fn)时阶数为 α 的Renyi熵； 利用JRD的数学特性， 可以实现提取轴承的健康指标； 当估计了轴承整个寿命 期间的健康状况对应的PDs， 然后计算了JRD， 就可以评估退化程度； 当轴承保持健康状态 时， JRD测量值将接近于零， 一旦轴承发生 早期退化 就会增加。 5.根据权利要求1所述的一种基于相似性匹配优化理论的滚动轴承寿命预测方法， 其 特征在于： 计算测试 数据与样本 字典集的相似性 步骤如下： S4.1确定阈值T； 找到轴承全生命周期信号的退化起始点， 筛选出轴承的退化信息， 舍 弃轴承健康部分信号； S4.2根据阈值T得到轴承测试数据与样本数据的退化部分， 对退化部分进行高斯函数 拟合， 保留信号的退化趋势， 消除局部波动带来的干扰误差； f(x)为高斯拟合函数， a1,b1,c1 为拟合参数； S4.3将测试数据与样本数的拟合函数放置在同一定义域下， 计算二者函数空间L2范数；权　利　要　求　书 2/3 页 3 CN 114154736 A 3