范樂賢,劉淑杰,張洪潮,2
(1.大連理工大學(xué)機(jī)械工程學(xué)院,遼寧 大連 116024;2.德克薩斯理工大學(xué)工業(yè)工程系,美國 德克薩斯 盧伯克 79409)
滾動(dòng)軸承是機(jī)械設(shè)備的關(guān)鍵部件之一,廣泛應(yīng)用于各種設(shè)備中,它的退化或失效將直接影響設(shè)備的性能和可靠性,這使得盡早檢測(cè)和預(yù)測(cè)任何類型的潛在異常和故障并實(shí)施實(shí)時(shí)容錯(cuò)操作以最小化性能降級(jí)和避免危險(xiǎn)情況成為必要[1]。RUL預(yù)測(cè)作為預(yù)后與健康管理的關(guān)鍵環(huán)節(jié),近年來有大量的學(xué)者研究。目前主流的RUL預(yù)測(cè)方法主要有三類:基于物理原理的方法、數(shù)據(jù)驅(qū)動(dòng)的方法和混合方法[2]。其中,有限的失效機(jī)理研究、復(fù)雜的物理模型和實(shí)時(shí)的參數(shù)估計(jì)方法限制了基于物理原理方法的進(jìn)一步應(yīng)用。數(shù)據(jù)驅(qū)動(dòng)方法可分為兩類:人工智能方法和基于退化趨勢(shì)的方法[2]。前者從大量同類設(shè)備的狀態(tài)監(jiān)測(cè)(condition monitoring,CM)數(shù)據(jù)中提取深層特征,使用智能算法學(xué)習(xí)深層特征和使用壽命之間聯(lián)系,進(jìn)一步實(shí)現(xiàn)RUL預(yù)測(cè)[3-4]。后者從監(jiān)測(cè)信號(hào)中提取健康指標(biāo)(Health Indicator,HI),根據(jù)服役環(huán)境、退化過程、專家知識(shí)和可用數(shù)據(jù)對(duì)退化趨勢(shì)進(jìn)行建模,實(shí)現(xiàn)對(duì)退化趨勢(shì)的預(yù)測(cè)[5-6],預(yù)測(cè)結(jié)果可以表示為隨機(jī)、概率或確定性變量,近年來基于退化趨勢(shì)的數(shù)據(jù)驅(qū)動(dòng)方法在滾動(dòng)軸承RUL預(yù)測(cè)中得到了廣泛的應(yīng)用。
隨著故障程度的發(fā)展,軸承的HI一般呈現(xiàn)出變化的退化趨勢(shì),單一的退化模型很難描述隨時(shí)間變化的退化過程。因此,有必要在RUL預(yù)測(cè)之前根據(jù)趨勢(shì)變化將退化過程劃分為不同階段并建立對(duì)應(yīng)的退化模型[7]。Lim等使用三個(gè)動(dòng)態(tài)模型描述軸承的三種退化過程,并通過貝葉斯算法計(jì)算不同模型的概率劃分退化階段[8]。Cui等用三個(gè)多項(xiàng)式函數(shù)表示軸承的正常、緩慢退化和加速退化,通過設(shè)置相對(duì)誤差閾值和計(jì)算狀態(tài)概率判斷退化階段[9]。Wang等將退化過程分為正常和退化階段,分別用不同的函數(shù)形式描述退化階段,并用基于3σ區(qū)間的檢驗(yàn)方法確定退化起始[10]。Ahmad等使用線性和二次動(dòng)態(tài)回歸模型描述健康指標(biāo)的兩種趨勢(shì),并用警報(bào)界限技術(shù)確定退化起始點(diǎn)[11]。此外,HI的退化趨勢(shì)不僅具備多階段的特點(diǎn),往往還受制作工藝、服役時(shí)間和工況環(huán)境等因素的影響,導(dǎo)致每個(gè)階段的退化路徑具備不確定性變化,因此對(duì)退化路徑不確定度進(jìn)行有效管理同樣是廣泛關(guān)注的問題。Hu等建立了退化速度隨運(yùn)行時(shí)間和外部因素變化的線性維納模型[12]。Lei等建立一種同時(shí)考慮退化時(shí)變性、個(gè)體差異性、非線性可變性和測(cè)量可變性四種不確定性源的隨機(jī)過程模型[13]。Wen等在冪函數(shù)模型中引入導(dǎo)致退化路徑不確定性的三種因素[14]。Gao等提出一種能夠擬合多級(jí)線性退化同時(shí)考慮個(gè)體差異的隨機(jī)模型[15]。
綜合以上基于退化趨勢(shì)的軸承RUL預(yù)測(cè)方法,可以發(fā)現(xiàn)考慮多階段退化和趨勢(shì)不確定性的預(yù)測(cè)方法是相互獨(dú)立的。然而,根據(jù)軸承的實(shí)際退化情況,HI趨勢(shì)是同時(shí)具備多階段和多種不確定性特征的綜合過程,目前還沒有將這兩種特征結(jié)合的預(yù)測(cè)方法。因此,本文提出一種能夠擬合多階段退化趨勢(shì),同時(shí)考慮趨勢(shì)多不確定性的RUL預(yù)測(cè)方法。
軸承時(shí)域振動(dòng)信號(hào)由隨機(jī)噪聲和周期性波動(dòng)組成。在振動(dòng)數(shù)據(jù)的時(shí)域分析中,可以提取具有良好演化趨勢(shì)的時(shí)域特征作為HI,而均方根(Root Mean Square,RMS)是具有良好上升趨勢(shì)特征的代表,因此本文采用RMS作為HI表示軸承的性能退化。根據(jù)文獻(xiàn)[7]的分析,軸承在全壽命周期會(huì)依次經(jīng)歷健康、緩慢退化和加速退化三個(gè)階段,如圖1所示。
圖1 滾動(dòng)軸承的退化過程
因此基于維納過程采用常數(shù)、線性和非線性形式描述三個(gè)階段HI的變化。即:
x(t)=x0+σB(t)
(1)
x(t)=x0+ηt+σB(t)
(2)
(3)
式中,η是漂移系數(shù),表示軸承的退化率;σ是擴(kuò)散系數(shù),表示同類軸承的共同特性;x0是每個(gè)階段的初始狀態(tài);Λ(t;θ)是非線性退化函數(shù),本文采用冪函數(shù)形式Λ(t;θ)=tθ。
y(t)=x(t)+ε
(4)
實(shí)際中,CM數(shù)據(jù)通常為離散形式Y(jié)1:k={y1,y2,…,yk}。同樣地,X1:k={x1,x2,…,xk}表示對(duì)應(yīng)CM數(shù)據(jù)的退化狀態(tài)。因此,基于上述多階段退化過程及不確定性的定義,建立具有三種不確定性的隨機(jī)退化模型。
常數(shù)模型:
(5)
式中,zk=[xk],A=[1],Q~N(0,σ2),H=[1],R~N(0,δ2)。
線性和非線性模型:
(6)
在工程應(yīng)用中,將軸承HI首次超過失效閾值的使用時(shí)間視為有效壽命是很自然的,則軸承RUL可以看作是當(dāng)前時(shí)間和首達(dá)時(shí)之間的時(shí)間間隔,其中,首達(dá)時(shí)是隨機(jī)過程首次達(dá)到某值的時(shí)刻。根據(jù)有效壽命定義和首達(dá)時(shí)的概念,tk時(shí)刻的RULLk表示如下:
Lk=inf{x(l+tk)≥ω|x(tx)<ω}
(7)
則上文提出的退化模型對(duì)應(yīng)的RUL的條件概率密度函數(shù)(Probability density function,PDF)為:
(8)
Γk=Π(lk+tk;θ)-Π(tk;θ),Π(t;θ)為HI退化形式。上式詳細(xì)證明參見文獻(xiàn)[18-19],此處省略。然而,利用上述分布在線預(yù)測(cè)RUL時(shí),不僅需要失效閾值ω,還需要估計(jì)狀態(tài)zk|k的期望、方差以及SSM中的相關(guān)參數(shù)。
然后構(gòu)造參數(shù)向量Θ的聯(lián)合似然函數(shù)關(guān)于CM數(shù)據(jù)集Y和狀態(tài)集Z的條件期望:
[(yi-Hzi|k)(yi-Hzi|k)T]}
(9)
(10)
假設(shè)(10)式中
(11)
SPC是一種利用數(shù)理統(tǒng)計(jì)控制過程和減少波動(dòng)的統(tǒng)計(jì)技術(shù),可以實(shí)現(xiàn)對(duì)過程進(jìn)行及時(shí)有效的調(diào)整和決策。由于退化過程的不穩(wěn)定性,CM數(shù)據(jù)偶爾會(huì)出現(xiàn)偏離正常范圍的“奇異值”,這種現(xiàn)象會(huì)對(duì)階段劃分產(chǎn)生一定的干擾,從而導(dǎo)致階段的錯(cuò)誤估計(jì)。為了準(zhǔn)確識(shí)別退化階段,避免“奇異值”引發(fā)階段錯(cuò)誤估計(jì),提出基于SPC的階段劃分方法,通過監(jiān)測(cè)殘差變化識(shí)別退化階段。
由于退化時(shí)變和測(cè)量噪聲等不確定性因素的存在,即使在同一階段內(nèi),退化狀態(tài)和HI也并不保持恒定,而是在一定范圍內(nèi)波動(dòng)。這里將殘差定義為退化狀態(tài)的期望E(x1:k)和HIY1:k之間的差值,即k=yk-E(xk)。通過對(duì)建立的退化模型分析可知,殘差k應(yīng)服從則使用EWMA控制圖監(jiān)測(cè)k的動(dòng)態(tài)變化,其上下控制限(Up/Low control limit,UCL/LCL)為:
(12)
式中,K為控制限寬度;λ為EWMA權(quán)重;μ為EWMA統(tǒng)計(jì)量的均值。
若Ei在控制限內(nèi),則認(rèn)為退化階段不發(fā)生變化是合理的。否則,有理由判斷退化階段發(fā)生改變。然而,僅用一個(gè)超過控制限的殘差進(jìn)行階段劃分仍然是不準(zhǔn)確的。因此,根據(jù)統(tǒng)計(jì)過程控制的判穩(wěn)準(zhǔn)則,計(jì)算不同控制限下的最小采樣次數(shù),如表1所示。
表1 不同控制限下滿足穩(wěn)定判據(jù)的最小采樣次數(shù)
圖2 軸承生命周期的振動(dòng)數(shù)據(jù)
為了驗(yàn)證該方法的有效性,本節(jié)給出一個(gè)滾動(dòng)軸承的實(shí)例,CM數(shù)據(jù)來自XJTU-SY軸承數(shù)據(jù)集[20]的Bearing3_1。圖2顯示出了所采集的全壽命振動(dòng)信號(hào),本文從500min開始對(duì)軸承進(jìn)行狀態(tài)監(jiān)測(cè),并使用相對(duì)法確定軸承失效閾值[20]。
在整個(gè)監(jiān)測(cè)過程中,從CM數(shù)據(jù)提取的RMS變化如圖3中的左小圖曲線所示。將提取的RMS帶入退化模型估計(jì)退化狀態(tài),結(jié)果如圖3所示。圖3左側(cè)子圖為t=1000~1500min的局部放大圖,圖3右側(cè)子圖為2300min后的局部放大圖。從數(shù)據(jù)的總體趨勢(shì)來看,前2300min軸承處于健康階段,估計(jì)狀態(tài)在一定范圍內(nèi)波動(dòng),沒有明顯的退化趨勢(shì)。2300min后,軸承進(jìn)入退化階段,估計(jì)狀態(tài)在2340~2450min間呈現(xiàn)線性退化趨勢(shì),在2450min后呈現(xiàn)非線性退化趨勢(shì)。當(dāng)軸承運(yùn)行到2490min時(shí),退化狀態(tài)首次達(dá)到失效閾值,其壽命被認(rèn)為終止。在500~2490min監(jiān)測(cè)期間共采集1990組CM數(shù)據(jù),使用提出的參數(shù)估計(jì)方法根據(jù)這些數(shù)據(jù)估計(jì)不同階段下的參數(shù)向量θ,如圖4所示。
圖3 基于RMS的狀態(tài)估計(jì)結(jié)果
使用提出的參數(shù)估計(jì)方法在每個(gè)CM點(diǎn)獲取參數(shù)向量θ。為保證模型參數(shù)預(yù)測(cè)精度,待處理數(shù)據(jù)累積到5組再進(jìn)行估計(jì),然后每次采樣新數(shù)據(jù)后更新估計(jì)結(jié)果。不同階段的估計(jì)結(jié)果如圖4所示,圖4(a)、圖4(b)、圖4(c)分別為健康階段、緩慢退化階段和加速退化階段的結(jié)果。從圖4(a)、圖4(b)可以看出,隨著CM數(shù)據(jù)的積累,模型參數(shù)可以快速收斂并保持穩(wěn)定。在每個(gè)階段結(jié)束時(shí)(t=2342min和t=2462min),模型參數(shù)都發(fā)生一定程度的變化,這與相應(yīng)時(shí)刻發(fā)生階段變化的實(shí)際情況一致。從圖4(c)可以看出,估計(jì)參數(shù)在一定范圍內(nèi)波動(dòng),這也符合加速退化階段內(nèi)軸承退化嚴(yán)重、運(yùn)行狀態(tài)不穩(wěn)定的實(shí)際情況。這些結(jié)果表明了本文提出的參數(shù)估計(jì)方法具有自適應(yīng)估計(jì)能力。
圖4 每個(gè)階段的參數(shù)估計(jì)過程
圖5 階段劃分結(jié)果
計(jì)算估計(jì)狀態(tài)和RMS的殘差,得到每個(gè)監(jiān)測(cè)點(diǎn)EWMA統(tǒng)計(jì)量Ei,結(jié)果如圖5實(shí)線所示,其中(a)、(b)分別表示健康階段和退化階段,虛線為控制限K=3求得的上下控制限。
圖5中的統(tǒng)計(jì)量Ei大部分在控制限內(nèi),少數(shù)(小圓圈)發(fā)生“越界”,由穩(wěn)定判據(jù)可知上述“越界點(diǎn)”是該階段內(nèi)的奇異值,表明建立的模型符合退化階段的實(shí)際情況。但在t=2342min和t=2462min后,短時(shí)間內(nèi)出現(xiàn)大量的“越界點(diǎn)”,相鄰“越界點(diǎn)”間的距離不足穩(wěn)定判據(jù)中規(guī)定的最小采樣次數(shù),此時(shí)有充分的理由認(rèn)為退化階段發(fā)生了變化。將改變點(diǎn)后的監(jiān)測(cè)數(shù)據(jù)帶入相應(yīng)的隨機(jī)退化模型中,統(tǒng)計(jì)量Ei又恢復(fù)到控制限內(nèi),說明所建模型又符合變化后的退化情況。上述現(xiàn)象表明,所提階段劃分方法可以有效劃分不同階段的監(jiān)測(cè)數(shù)據(jù),并及時(shí)確定階段變化點(diǎn)。
圖6 退化階段估計(jì)RUL的PDF
基于上述狀態(tài)、參數(shù)及階段估計(jì)結(jié)果,根據(jù)(8)式計(jì)算退化階段內(nèi)各監(jiān)測(cè)點(diǎn)的RUL分布,結(jié)果如圖6所示。在每個(gè)退化階段初期,由于缺少足夠的監(jiān)測(cè)數(shù)據(jù),估計(jì)參數(shù)不確定性較大。因此,PDF曲線多為“扁平”形狀,可能的RUL范圍較廣,但PDF分布仍覆蓋了真實(shí)的RUL。隨著監(jiān)測(cè)數(shù)據(jù)的積累,特別是在估計(jì)參數(shù)收斂后,PDF曲線越來越“尖銳”,可能的RUL范圍變窄,這表明預(yù)測(cè)結(jié)果的不確定性降低,可以為后續(xù)決策提供有效的信息。
以PDF最大值代表各時(shí)刻的預(yù)測(cè)RUL,預(yù)測(cè)結(jié)果如圖7所示。可以看出,退化初期CM數(shù)據(jù)較少,導(dǎo)致估計(jì)參數(shù)不確定性較大,預(yù)測(cè)結(jié)果誤差較大。隨著CM數(shù)據(jù)的不斷積累,估計(jì)參數(shù)逐漸收斂并接近真實(shí)值,RUL預(yù)測(cè)結(jié)果也逐漸趨于穩(wěn)定,預(yù)測(cè)精度上升。但此時(shí)根據(jù)CM數(shù)據(jù)只能判斷出軸承具有線性退化趨勢(shì),不能預(yù)測(cè)未來的非線性退化趨勢(shì)。因此只能預(yù)測(cè)緩慢退化對(duì)應(yīng)的RUL,如圖7(a)虛線所示,導(dǎo)致真實(shí)RUL和預(yù)測(cè)RUL有一定的差別。倘若只考慮軸承緩慢退化,即只考慮軸承線性退化部分,如文獻(xiàn)[9]。圖8中顯示了只考慮軸承線性退化時(shí),文獻(xiàn)[9]和本文預(yù)測(cè)的均方根誤差比較。
圖7 退化階段的預(yù)測(cè)RUL
可以看出,如果只考慮軸承線性退化部分,本文預(yù)測(cè)的均方根誤差與文獻(xiàn)[9]相比更小,表明該方法的預(yù)測(cè)精度比文獻(xiàn)[9]有所提高。此時(shí),文獻(xiàn)[9]認(rèn)為軸承失效,而根據(jù)“相對(duì)法”設(shè)定的失效閾值更接近真實(shí)失效閾值。因此,本文進(jìn)一步預(yù)測(cè)下一個(gè)時(shí)期的RUL,結(jié)果如圖7(b)所示??梢钥闯霎?dāng)軸承進(jìn)入最后的加速退化階段,由于退化階段不再發(fā)生變化,根據(jù)CM數(shù)據(jù)預(yù)測(cè)的退化趨勢(shì)即是最終趨勢(shì),因此預(yù)測(cè)精度大大提高,預(yù)測(cè)RUL皆在30%的誤差限度內(nèi)。隨著CM數(shù)據(jù)的積累,模型參數(shù)逐漸收斂,RUL預(yù)測(cè)也進(jìn)一步靠近真實(shí)值。這些結(jié)果表明,所提方法在預(yù)定失效閾值下,能夠預(yù)測(cè)全壽命周期內(nèi)的RUL。
圖8 只考慮軸承緩慢退化時(shí)預(yù)測(cè)RUL的均方根誤差
為了描述軸承健康指標(biāo)的退化趨勢(shì)同時(shí)具有多階段變化和多不確定性的特點(diǎn),本文提出一種新的隨機(jī)退化模型,該模型同時(shí)考慮個(gè)體差異性、退化時(shí)變性、測(cè)量可變性和多階段退化。為了準(zhǔn)確劃分退化階段,提出一種基于EWMA控制圖的階段劃分方法,用于自適應(yīng)切換退化模型。同時(shí),在缺少同類軸承先驗(yàn)信息的情況下利用基于EM算法的參數(shù)估計(jì)方法在線更新模型參數(shù)。最后,通過對(duì)仿真數(shù)據(jù)和XJTU-SY數(shù)據(jù)集的實(shí)證研究,驗(yàn)證該方法的有效性。結(jié)果表明,該方法能夠準(zhǔn)確劃分滾動(dòng)軸承的不同階段,并根據(jù)監(jiān)測(cè)數(shù)據(jù)提供不同退化階段的RUL預(yù)測(cè)。