基于振动信号分析的滚动轴承寿命预测方法研究

doi:10.3969/j.issn.1674-1951.2021.05.006

华电技术 ›› 2021, Vol. 43 ›› Issue (5): 36-44.doi: 10.3969/j.issn.1674-1951.2021.05.006

基于振动信号分析的滚动轴承寿命预测方法研究

谈智玲¹(), 陈才明¹(), 徐胜朝¹(), 吴志宏²(), 宋寅²(), 王朋飞³()

1.湖北华电襄阳发电有限公司,湖北襄阳 441000
2.襄阳五二五泵业有限公司,湖北襄阳 441004
3.武汉理工大学机电工程学院,武汉 430070

收稿日期:2021-01-20 修回日期:2021-04-10 出版日期:2021-05-25 发布日期:2021-05-18
作者简介:谈智玲（1973—）,男,湖北孝感人,工程师,从事发电及环保工艺系统设施管理等方面的工作（E-mail：xydctzl@163.com）。
陈才明（1971—）,男,湖北红安人,高级工程师,从事发电及环保工艺系统设施管理等方面的工作（E-mail：xyfdccm@163.com）。
徐胜朝（1972—）,男,安徽安庆人,工程师,从事发电及环保工艺系统设施管理等方面的工作（E-mail：xscxf@163.com）。
吴志宏（1974—）,男,湖北潜江人,正高级工程师,从事通用机械泵行业产品研发及工艺技术管理等方面的工作（E-mail：wuzhih@yeah.net）。
宋寅（1986—）,男,湖北襄阳人,工程师,从事通用机械泵行业产品研发及工艺技术管理等方面的工作（E-mail：82006465@qq.com）。
王朋飞（1995—）,男,河南漯河人,在读硕士研究生,从事工业物联网等方面的研究（E-mail：1033314493@qq.com）。
基金资助:
国家重点研发计划项目(2019YFB1707200);基于工业互联网平台的生产线数字孪生系统项目(TC19084DY)

Research on service life prediction on rolling bearings based on vibration signal analysis

TAN Zhiling¹(), CHEN Caiming¹(), XU Shengchao¹(), WU Zhihong²(), SONG Yin²(), WANG Pengfei³()

1. Hubei Xiangyang Power Generation Company Limited,Xiangyang 441000,China
2. Xiangyang Wuerwu Pump Industry Company Limited,Xiangyang 441004,China
3. School of Mechanical and Electrical Engineering,Wuhan University of Technology,Wuhan 430070,China

Received:2021-01-20 Revised:2021-04-10 Online:2021-05-25 Published:2021-05-18

摘要/Abstract

摘要：

滚动轴承剩余寿命预测问题具有多类别、多特征的复杂特性,传统的基于力学和概率统计的预测方法运用在工程实践中都较为困难。研究了基于振动信号分析的滚动轴承寿命预测方法。首先,将采集到的振动信号进行时域、频域和基于小波包样本熵的时频域特征提取;其次,通过皮尔逊相关分析筛选出与轴承寿命相关度较大的特征,作为轴承寿命预测的样本集;然后,把选择的特征参数作为输入,对改进后的粒子群优化算法-广义回归神经网络（PSO-GRNN）模型进行训练,构建轴承寿命预测模型;最后,将模型与反向传播（BP）神经网络模型和PSO-GRNN模型进行对比,试验证明电机滚动轴承寿命预测模型具备更强的稳定性和更高的精度。

Abstract:

The prediction on residual life of rolling bearings is complex because of the multiple categories and multiple features.It is difficult to apply traditional prediction methods based on mechanics and probability statistics on engineering practices.In the following study,the service life of a rolling bearing was predicted based on vibration signal analysis.Firstly,feature extraction in time and frequency domains was made on the collected vibration signals and wavelet packet sample entropy.Then,the features with high correlation to the bearing's life span were selected by Pearson correlation analysis as the sample set of bearing life prediction.The selected characteristic parameters were taken as the inputs training the improved particle swarm optimization-General Regression Neural Network（PSO-GRNN） model to construct the bearing life prediction model.Comparing the results made by this bearing life prediction model,back propagation（BP） Neural Network model and PSO-GRNN model,the proposed model is verified to be more stable and accurate.

Key words: feature extraction, correlation analysis, GRNN, particle swarm optimization algorithm, BP Neural Network, rolling bearing, life prediction

中图分类号:

TH133.33：TK323

谈智玲, 陈才明, 徐胜朝, 吴志宏, 宋寅, 王朋飞. 基于振动信号分析的滚动轴承寿命预测方法研究[J]. 华电技术, 2021, 43(5): 36-44.

TAN Zhiling, CHEN Caiming, XU Shengchao, WU Zhihong, SONG Yin, WANG Pengfei. Research on service life prediction on rolling bearings based on vibration signal analysis[J]. Huadian Technology, 2021, 43(5): 36-44.

图/表 14

图1

图2

图3

图4

图5

图6

图7

图8

图9

表1

图10

图11

图12

表2

参考文献 16

[1]	沈长青. 旋转机械设备关键部件故障诊断与预测方法研究[D]. 合肥:中国科学技术大学, 2014.
[2]	张小丽, 陈雪峰, 李兵, 等. 机械重大装备寿命预测综述[J]. 机械工程学报, 2011,47(11):100-116.
	ZHANG Xiaoli, CHEN Xuefeng, LI Bing, et al. Review of life prediction for mechanical major equipments[J]. Journal of Mechanical Engineering, 2011,47(11):100-116.
[3]	PARIS P C, ERDOGAN F. A critical analysis of crack propagation laws[J]. Journal of Basic Engineering, 1963,85(4):528-534. doi: 10.1115/1.3656900
[4]	ANDREIKIV O E, LESIV R M, LEVYTS'KA N M. Crack growth in structural materials under the combined action of fatigue and creep (review)[J]. Materials Science, 2009,45(1):1-17. doi: 10.1007/s11003-009-9160-0
[5]	MAKKONEN M. Predicting the total fatigue life in metals[J]. International Journal of Fatigue, 2009,31(7):1163-1175. doi: 10.1016/j.ijfatigue.2008.12.008
[6]	TALLIAN T. Weibull distribution of rolling contact fatigue life and deviations therefrom[J]. ASLE Trans, 1962,5(5):183-196. doi: 10.1080/05698196208972465
[7]	ZHAO Y X, LIANG H. Modeling of the probabilistic fatigue S-N curves using the two parameter Weibull distribution[J]. Journal of Mechanical Engineering, 2015,51(20):208-212. doi: 10.3901/JME.2015.20.208
[8]	唐云冰, 高德平, 罗贵火. 航空发动机高速滚珠轴承力学特性分析与研究[J]. 航空动力学报, 2006(2):354-360.
	TANG Yunbing, GAO Deping, LUO Guihuo. Research of aero-engine high-speed ball bearing[J]. Journal of Aerospace Power, 2006(2):354-360.
[9]	LU C, CHEN J, HONG R, et al. Degradation trend estimation of slewing bearing based on LSSVM model[J]. Mechanical Systems & Signal Processing, 2016, 76-77:353-366.
[10]	CHOI S, PAZOUKI E, BAEK J, et al. Iterative condition monitoring and fault diagnosis scheme of electric motor for harsh industrial application[J]. IEEE Transactions on Industrial Electronics, 2015,62(3):1760-1769. doi: 10.1109/TIE.2014.2361112
[11]	邱晓梅, 隋文涛, 王峰, 等. 基于相关系数和BP神经网络的轴承剩余寿命预测[J]. 组合机床与自动化加工技术, 2019(4):63-65.
	QIU Xiaomei, SUI Wentao, WANG Feng, et al. Remaining life prediction of bearing based on correlation coefficient and BP neural network[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2019(4):63-65.
[12]	张永建, 孙燕芳, 邢龙超. 基于小波包分解的滚动轴承故障诊断方法的研究[J]. 煤矿机械, 2014,35(5):256-258.
	ZHANG Yongjian, SUN Yanfang, XING Longchao. Research of rolling bearing fault diagnosis based on wavelet-packet decomposition method[J]. Coal Mine Machinery, 2014,35(5):256-258.
[13]	何勇, 张祥金, 姚宗辰. 改进样本熵最优小波包阈值选择算法在信号降噪中的应用[J]. 兵器装备工程学报, 2019,40(3):149-154.
	HE Yong, ZHANG Xiangjin, YAO Zongchen. Improved optimal threshold selection algorithm applied to denoising[J]. Journal of Ordnance Equipment Engineering, 2019,40(3):149-154.
[14]	车远宏, 贾雍, 汤卓, 等. 皮尔逊相关系数在风电功率组合预测中的应用[J]. 广西电力, 2016,39(3):50-53.
	CHE Yuanhong, JIA Yong, TANG Zhuo, et al. Application of pearson correlation coefficient in wind power combination prediction[J]. Guangxi Electric Power, 2016,39(3):50-53.
[15]	张成龙, 郑凯, 刘杰. 基于小波包能量谱和改进FOA-GRNN的轴承寿命预测[J]. 组合机床与自动化加工技术, 2020(7):73-76,80.
	ZHANG Chenlong, ZHENG Kai, LIU Jie. Prediction method of bearing remaining useful life based on wavelet packet energy spectrum and improved FOA-GRNN[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2020(7):73-76,80.
[16]	金亚军, 张丹, 隋文涛, 等. 基于粒子群优化神经网络的滚动轴承剩余寿命预测[J]. 组合机床与自动化加工技术, 2020(8):64-66,70.
	JIN Yajun, ZHANG Dan, SUI Wentao, et al. Prediction of rolling bearing residual life based on particle swarm optimization and neural network[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2020(8):64-66,70.

工况	转速/(r·min^-1)	载荷/kN
1	2 100	12
2	2 250	11
3	2 400	10

工况	BP神经网络模型	PSO-GRNN模型	改进后的PSO-GRNN模型
1	6.08	4.77	2.31
2	6.75	4.61	2.19
3	5.84	5.08	2.01

基于振动信号分析的滚动轴承寿命预测方法研究

Research on service life prediction on rolling bearings based on vibration signal analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王鑫, 陈祖翠, 卞在平, 王业耀, 吴育苗. 基于粒子群优化算法的智慧微电网风光储容量优化配置[J]. 综合智慧能源, 2022, 44(6): 52-58.
[2]	杜欣烨, 王建喜, 孙永辉, 何逸, 吴鹏鹏, 周伟. 计及海水淡化制氢的微电网混合储能优化规划[J]. 综合智慧能源, 2022, 44(5): 49-55.
[3]	廖敏乐, 黄重阳, 戴承承, 李化林, 樊高松. 基于时间序列和BP神经网络的电能替代潜力分析方法[J]. 综合智慧能源, 2022, 44(3): 38-43.
[4]	李勇琦, 雷旗开, 王浩, 华思聪. 基于BP神经网络的梯次利用电池健康状态诊断[J]. 华电技术, 2021, 43(7): 42-46.
[5]	曹喜果, 张永涛, 李雅恬. 基于IQGA-GRNN模型的SCR脱硝出口NO_x质量浓度预测方法[J]. 华电技术, 2021, 43(5): 9-14.
[6]	赵鑫, 郑文禹, 侯智华, 陈衡, 徐钢. 基于粒子群优化算法的多能互补系统经济调度研究[J]. 华电技术, 2021, 43(4): 14-20.
[7]	苏宇, 周川, 王强钢. 基于物联网的台区线损指标闭环管控[J]. 华电技术, 2021, 43(1): 19-23.
[8]	姜寅，任荭葳，陈凯，朱长江. 基于BP神经网络的风电系统控制器I/O硬件故障自诊断方法[J]. 华电技术, 2020, 42(5): 55-60.
[9]	曹建宗 1，林宸雨 2，陈文通 1，刘琦 2，周权 2，要亚坤 1，樊帅军 2，马彩妮 2，马双忱 2*. 现代预测和优化算法在脱硫系统运行中的应用[J]. 华电技术, 2020, 42(3): 59-66.
[10]	孙书刚，朱昱，钱兵，李小武，倪红军. 基于遗传算法的涂层转接工艺优化[J]. 华电技术, 2020, 42(2): 72-75.
[11]	韩义, 张奇月, 王研凯, 于英利, 付旭晨, 荣俊, 段伦博. 基于BP神经网络的300 MW循环流化床机组出力预测[J]. 华电技术, 2020, 42(12): 1-6.
[12]	黄绍伟. 自适应调频模式分解在轴承故障诊断中的应用[J]. 华电技术, 2020, 42(1): 54-57.
[13]	芮晓明，胡鑫. 滚动轴承全寿命数据监测分析及特征提取[J]. 华电技术, 2018, 40(8): 5-10.
[14]	刘文渊. 浙江北仑电厂KPAV100型减速机齿轮损坏原因及扩容改造[J]. 华电技术, 2016, 38(7): 47-50.
[15]	张骞，李太周，姚俊威，赵小伟. 基于BP神经网络的通用门式起重机金属结构安全评价[J]. 华电技术, 2014, 36(3): 24-28.