基于數(shù)據(jù)驅(qū)動的回轉(zhuǎn)支承性能退化評估方法

封 楊，黃筱調(diào)，洪榮晶，陳 捷

基于數(shù)據(jù)驅(qū)動的回轉(zhuǎn)支承性能退化評估方法

封 楊，黃筱調(diào)，洪榮晶，陳 捷

(南京工業(yè)大學(xué)機械與動力工程學(xué)院，江蘇南京，210009)

為解決工程機械中大型回轉(zhuǎn)支承工作環(huán)境惡劣，但可靠性要求較高的問題，提出一種基于集合經(jīng)驗?zāi)B(tài)分解?主成分分析(ensemble empiricalmode decomposition-principle componentanalysis，EEMD-PCA)的振動信號降噪和性能退化過程評估方法。結(jié)合EEMD和PCA各自優(yōu)勢自適應(yīng)地選擇全壽命振動信號中最能反映回轉(zhuǎn)支承性能退化趨勢的成分進(jìn)行重構(gòu)以實現(xiàn)降噪，提出以PCA模型中的統(tǒng)計量連續(xù)平方預(yù)測誤差(continuessquare prediction error，C-SPE)作為回轉(zhuǎn)支承的性能退化特征，建立回轉(zhuǎn)支承性能退化模型。利用自制的回轉(zhuǎn)支承性能試驗臺對型號為QNA-730-22的回轉(zhuǎn)支承進(jìn)行全壽命疲勞試驗。研究結(jié)果表明，該方法具有較好的降噪效果，建立的性能退化模型準(zhǔn)確地反映出不同階段回轉(zhuǎn)支承的性能特征，為企業(yè)的主動維護(hù)提供了數(shù)據(jù)支撐，從而進(jìn)一步提高了回轉(zhuǎn)支承的運行可靠性。

回轉(zhuǎn)支承；性能退化模型；EEMD-PCA；數(shù)據(jù)融合

機械設(shè)備在長期的服役過程中其性能會逐漸衰退直至發(fā)生嚴(yán)重故障導(dǎo)致失效，在這一過程中，設(shè)備通常會經(jīng)歷多個性能退化狀態(tài)[1]。大型回轉(zhuǎn)支承作為核心回轉(zhuǎn)連接件常用于風(fēng)力發(fā)電機、挖掘機、起重機等大重型設(shè)備中，一旦出現(xiàn)突然的斷齒、卡死甚至內(nèi)外圈滑落，便會引起嚴(yán)重的設(shè)備故障，導(dǎo)致巨大的損失。因此，建立回轉(zhuǎn)支承性能退化模型，以便在不同時段判斷回轉(zhuǎn)支承性能退化的程度，對制定有效的主動維護(hù)或更換策略有重要的意義。設(shè)備退化模型的建立通常包含2部分工作：信號降噪與特征提取。大型回轉(zhuǎn)支承轉(zhuǎn)速很低，且工作背景噪聲大，各部件產(chǎn)生的非平穩(wěn)隨機信號中的故障通過頻率[2]可低至1Hz以下，這導(dǎo)致其振動信號的信噪比很低，一般的降噪方法很難達(dá)到理想效果[3]。對此，MATEJ等[4?5]提出了基于EEMD-MSPCA的降噪方法，先計算出信號的各個經(jīng)驗?zāi)B(tài)函數(shù)(intrinsicmode function，IMF)，然后確定相關(guān)閾值對其濾波，再選擇合適的IMF進(jìn)行信號重構(gòu)，獲得了較好的降噪效果，但是其降噪效果取決于閾值計算和IMF選擇過程中的經(jīng)驗參數(shù)，而實際應(yīng)用中很難確定這些參數(shù)的最優(yōu)選擇。與之類似，YU等[6?7]先用EMD分解信號，然后用PCA選取IMF主元，再分別利用自組織映射和Savitzky–Golay自適應(yīng)濾波處理降維后的特征向量，以分別實現(xiàn)性能退化趨勢建立和噪聲頻譜能量分析，但是回轉(zhuǎn)支承振動信號多被噪聲淹沒，其EMD分解后的前幾階IMF中多為噪聲成分且能量較高，直接使用PCA會誤選這些IMF分量。賈峰等[8]結(jié)合EMD和多重分形去趨勢法(MFDFA)去除振動信號的趨勢項，然后使用SVM實現(xiàn)軸承的故障診斷。潘玉娜等[9?10]分別使用支持向量描述(SVDD)和模糊c均值研究了軸承性能退化的評估方法。但是以上2種方法研究對象都是小型軸承且未考慮信號降噪[1]。武兵等[11?13]在研究設(shè)備壽命預(yù)測模型時使用了信號的時域、頻域、時頻域等特征作為設(shè)備性能退化趨勢的特征向量，得到了較為可靠的性能退化模型。但考慮到大型回轉(zhuǎn)支承直徑可達(dá)800～5 000mm，通常會采集多維不同位置的振動數(shù)據(jù)[4?5]，如果按照文獻(xiàn)[11?13]中的方法直接處理，會帶來維數(shù)過多的問題。據(jù)此，本文作者提出一種融合了EEMD和PCA的回轉(zhuǎn)支承性能退化過程評估方法，針對回轉(zhuǎn)支承全壽命振動加速度數(shù)據(jù)，先進(jìn)行信號分段，然后用EEMD將各段信號分解成多個IMF，再利用PCA比較各個IMF在回轉(zhuǎn)支承整個壽命周期中的變化趨勢，選取最能反映回轉(zhuǎn)支承性能退化的部分IMF分量進(jìn)行信號重構(gòu)以實現(xiàn)降噪。最后再次運用PCA，對4組正交分布的加速度傳感器的重構(gòu)信號進(jìn)行處理，提出以連續(xù)平方預(yù)測誤差(continuessquareprediction error，C-SPE)反映4組信號在整個壽命周期中的變化趨勢，實現(xiàn)數(shù)據(jù)的融合和降維。

1 集合經(jīng)驗?zāi)B(tài)分解(EEMD)和主成分分析(PCA)

1.1 集合經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解(EMD)非常適用于分析非平穩(wěn)信號，將一組信號分解成多個IMF，不同的IMF代表此信號在同一時間序列上不同的頻域范圍。然而，非平穩(wěn)信號中的非線性成分會導(dǎo)致在同一IMF中出現(xiàn)多個頻帶，這種現(xiàn)象被稱為“模態(tài)混疊效應(yīng)”。為解決此問題，WU等[14]提出了EEMD方法，在原信號中多次加入高斯白噪聲并進(jìn)行EMD，最后取多個IMF的均值為EEMD的結(jié)果。對于一組信號x(t)，EEMD步驟如下。

步驟1)生成隨機白噪聲n(t)，令其幅值水平為α，將其加入原信號，生成新的序列y(t)：

步驟2)使用EMD將y(t)分解成一組IMF，第h (h∈[1,H])個IMF用fh(t)表示。

步驟3)將步驟1)和2)重復(fù)I次，總共生成I組IMF，設(shè)第i(i≤I)次EMD后的第h個IMF用(t)表示；

步驟4)以ch(t)表示信號經(jīng)由EEMD后生成的第h階IMF，則

曹沖鋒等[15]將EEMD應(yīng)用于大型旋轉(zhuǎn)機械非平穩(wěn)振動信號，達(dá)到了較好的降噪效果。因此，可將EEMD作為回轉(zhuǎn)支承振動信號的前置處理方法。需要注意的是，使用EEMD時，噪聲水平α和重復(fù)次數(shù)I需要確定，陳忠等[16]指出，噪聲水平α常取0.01～0.50，重復(fù)次數(shù)I可取100～200次。因為在相同的噪聲水平下，α的變化并不能顯著影響計算結(jié)果，而I的過分增大不僅不能改善計算結(jié)果，而且易使計算異常緩慢。因此，令α=0.2，I=100較為合適。

1.2 主成分分析

主成分分析(PCA)主要用于處理多變量多樣本的試驗監(jiān)測數(shù)據(jù)，近年來被廣泛使用。通過降維處理，將多維數(shù)據(jù)矩陣投影到主元子空間和殘差子空間中，從而用互不相關(guān)的幾個主元代表所有變量的變化情況。

設(shè)矩陣X(m×n)是歸一化后的信號矩陣，其中m為每個變量的樣本數(shù)，n為變量的個數(shù)，對X進(jìn)行PCA后可得：

其中，tj為m×1的向量，表示第j個主元；pj為n×1的向量，表示第j個載荷向量；E為殘差矩陣，多為隨機噪聲。令主元矩陣為T(m×r)，載荷矩陣為P(n×r)，則X亦可表示為

因此，X在殘差子空間上投影為

為判斷監(jiān)測過程的運行情況，Hotelling-T2統(tǒng)計、平方預(yù)測誤差(SPE)和貢獻(xiàn)圖常用來反映新測數(shù)據(jù)的變化情況。研究表明，SPE能夠更顯著地體現(xiàn)出新測數(shù)據(jù)與基準(zhǔn)數(shù)據(jù)(正常數(shù)據(jù))間的差異[17]。SPE計算公式為

式中：SPE為平均預(yù)測誤差。

為判斷新測數(shù)據(jù)是否出現(xiàn)異常，SPE的閾值Qα計算如下：

其中：αc為置信度為α的標(biāo)準(zhǔn)正態(tài)分布的統(tǒng)計值；的協(xié)方差矩陣的第j個特征值。

對于向量 ESP，若僅有少量數(shù)據(jù)大于其控制閾值Qα，則認(rèn)為過程運行正常，反之，則認(rèn)為運行過程可能較正常情況有所變化，因此，將回轉(zhuǎn)支承整個壽命周期的數(shù)據(jù)與正常數(shù)據(jù)進(jìn)行對比，將不同時期的SPE連接起來得到連續(xù)SPE(C-SPE)，既能反映出回轉(zhuǎn)支承性能退化過程，又能達(dá)到數(shù)據(jù)降維的目的。

2 基于EEMD-PCA的回轉(zhuǎn)支承性能退化模型

2.1 基于EEMD-PCA的非平穩(wěn)信號降噪方法

EEMD作為純數(shù)字驅(qū)動的信號分解方法，對非平穩(wěn)信號的分解有很強的自適應(yīng)性，在文獻(xiàn)[4?7,15]中都得到了較好的結(jié)果。然而，在處理回轉(zhuǎn)支承振動信號時，現(xiàn)有的方法中[4?5]最佳的過程參數(shù)難以確定，而類似文獻(xiàn)[6?7]中的方法又會誤選包含高頻噪聲的IMF。為解決這一問題，本文結(jié)合EEMD和PCA各自優(yōu)勢提出了一種回轉(zhuǎn)支承振動信號自適應(yīng)降噪方法，針對全壽命試驗數(shù)據(jù)，利用PCA在狀態(tài)監(jiān)測中區(qū)分不同數(shù)據(jù)差異，以SPE為指標(biāo)定量地分析了各個IMF在整個回轉(zhuǎn)支承壽命周期中的變化趨勢，自適應(yīng)地選擇合適的IMF進(jìn)行信號降噪和重構(gòu)，如圖1所示。

具體步驟如下。

步驟1)對回轉(zhuǎn)支承進(jìn)行疲勞壽命試驗，獲取其整個試驗周期的多組振動信號監(jiān)測數(shù)據(jù)，取其中某一組信號a，等間隔分成K段，每段取N個數(shù)，第k (k∈(1,K])段信號用ak表示。

圖1 EEMD-PCA算法流程圖Fig.1 Flow chartof proposed EEMD-PCA

步驟2)每段信號進(jìn)行EEMD，設(shè)每次EEMD后產(chǎn)生H個經(jīng)驗?zāi)B(tài)函數(shù)，則信號ak產(chǎn)生的所有經(jīng)驗?zāi)B(tài)函數(shù)為Fhk(h∈[1,H])。

步驟3)將每段信號產(chǎn)生的經(jīng)驗?zāi)B(tài)函數(shù)Fhk拆分成矩陣Chk，矩陣的維數(shù)可任意確定，但是為保證PCA的有效性，建議列數(shù)不小于3。

步驟4)將第k段信號的第h個IMF矩陣Chk與第1段信號的第h個IMF矩陣Ch1進(jìn)行PCA，得到平方預(yù)測誤差ESP,hk，若ESP,hk顯著大于PCA產(chǎn)生的SPE閾值，則表示相對于正常信號(第1段信號)的第h階IMF，第k段信號的第h階IMF隨著時間的推移產(chǎn)生了較大的異常；反之，則結(jié)論相反。為量化這一比較過程，取ESP,hk均值并減去SPE閾值，差值可稱為ERR，計為ERR,hk。顯然，ERR,hk越大，表明第k段信號中第h階IMF越能表現(xiàn)信號的變化趨勢(即設(shè)備性能的退化趨勢)。

步驟5)由于白噪聲的均勻性，包含大量噪聲的高頻段IMF在不同時段不會有太大變化，因此，其ERR較小，而包含低頻有效信息的IMF在不同時段會有較大變化。因此，對于某一確定的k，由式(2)～(4)得到H個誤差，將其從大到小排列后，可選取占比超過80%的幾個較大的誤差對應(yīng)的IMF進(jìn)行信號重構(gòu)，而高頻噪聲由于較小的誤差會被自動舍去，達(dá)到降噪的效果。

步驟6)由于性能退化過程中的隨機性，比如不同時期回轉(zhuǎn)支承產(chǎn)生故障的部件會有所不同，這會導(dǎo)致不同時段的信號ak重構(gòu)所需的IMF會有所不同。為統(tǒng)一信號在所有時間段重構(gòu)所需的IMF，對所有K組選擇的IMF序列進(jìn)行統(tǒng)計分析，選擇其中權(quán)值最大的幾個IMF用于整個壽命周期的信號重構(gòu)，得到重構(gòu)信號aR。

步驟7)對其余的加速度信號重復(fù)步驟2)～6)的操作，得到所有監(jiān)測振動信號的重構(gòu)信號，完成信號的降噪和重構(gòu)。

需要指出的是：現(xiàn)有降噪方法多是針對幾秒甚至更短時長的信號進(jìn)行處理，而本方法針對全壽命振動信號，能夠更準(zhǔn)確地從信號中提取出最能反映回轉(zhuǎn)支承性能退化過程的成分，從而達(dá)到更佳的降噪效果。此外，由以上步驟可知，本方法可根據(jù)原始信號特征自適應(yīng)地調(diào)整信號分段、PCA建模、ERR計算和排序以及IMF選擇過程中的參數(shù)，整個降噪過程無需人工干預(yù)，克服了現(xiàn)有方法中需要人為確定部分經(jīng)驗參數(shù)的問題。

2.2 回轉(zhuǎn)支承性能退化模型的建立

設(shè)備性能退化模型的建立一般包括振動信號時域、頻域和時頻域的特征提取方法，武兵等[11,13,18]用以上多種方法處理一組振動信號，選擇能夠較好地反映性能退化過程的指標(biāo)作為退化特征。然而，仔細(xì)觀察可以發(fā)現(xiàn)，同一組信號的大多數(shù)時域、頻域和時頻域特征趨勢非常接近，因此，選取1～2個具有代表性的特征即可。此外，工程機械中的大型回轉(zhuǎn)支承直徑通常為400～5 000mm，僅以1組振動信號的變化情況來反映整個回轉(zhuǎn)支承的性能狀態(tài)并不妥當(dāng)。據(jù)此，本文利用PCA對多組正交的加速度信號進(jìn)行對比分析，以C-SPE指標(biāo)作為回轉(zhuǎn)支承性能退化參數(shù)，實現(xiàn)多維數(shù)據(jù)的融合和降維，建立回轉(zhuǎn)支承性能退化模型。

具體而言，對于試驗過程中采集的4組振動信號aⅠ，aⅡ，aⅢ和aⅣ，首先將其降噪和重構(gòu)，然后按照一定時長將各信號分解成Q段，將各自的第q(q∈[1,Q]))段信號組成矩陣Aq，則

將Aq逐個與A1進(jìn)行PCA，通過其SPE反映出第q組數(shù)據(jù)與第1組之間的差異，差異越大，則表明回轉(zhuǎn)支承的性能退化越嚴(yán)重。接著，將Q組SPE組合起來得到C-SPE，用以反映全壽命試驗過程中4組振動信號相對正常信號的變化趨勢，最后以C-SPE的相關(guān)時域特征建立回轉(zhuǎn)支承性能退化模型。

3 實驗驗證

3.1大型回轉(zhuǎn)支承全壽命實驗

為驗證本文所提方法，采用如圖2所示回轉(zhuǎn)支承試驗臺對型號為QNA-730-22的內(nèi)齒式回轉(zhuǎn)支承進(jìn)行全壽命周期的疲勞試驗，圖2中G1，G2和G3為3個雙向液壓油缸，其中在G1和G2上施加的力的方向相反，大小不同，從而組合產(chǎn)生軸向力和傾覆力，在G3上產(chǎn)生徑向力。由某公司YC60-8挖掘機參數(shù)計算可得，此回轉(zhuǎn)支承極限載荷為軸向力96 kN，傾覆力240 kN·m。對此回轉(zhuǎn)支承施以極限載荷，并以4 r/m in的轉(zhuǎn)速進(jìn)行了11d的滿載荷疲勞壽命試驗。試驗過程中采用4個型號為Kistler-8395A010、響應(yīng)頻率為0～1 000Hz的加速度傳感器，以2 kHz的采樣率記錄回轉(zhuǎn)支承的徑向振動信號，傳感器安裝位置如圖3所示。需要指出的是，4組加速度傳感器在盡可能多地收集回轉(zhuǎn)支承運行狀態(tài)數(shù)據(jù)的同時，兩兩相位差90°的安裝方式也一定程度上避免了振動數(shù)據(jù)冗余。此外，試驗中還使用溫度、扭矩、噪聲傳感器分別記錄了潤滑脂溫度、驅(qū)動力矩以及背景噪聲，以輔助判斷回轉(zhuǎn)支承的運行狀態(tài)。

圖2 工程機械回轉(zhuǎn)支承綜合性能試驗臺Fig.2 Test rig forslew ing bearings

圖3 加速度傳感器位置示意圖Fig.3 Distribution of four acceleration transducers

溫度和扭矩的變化趨勢如圖4(a)和4(b)所示。試驗初期，回轉(zhuǎn)支承初始磨合，潤滑脂溫度和驅(qū)動力矩持續(xù)上升；6 000轉(zhuǎn)后溫度和扭矩趨于平衡，而溫度隨著晝夜溫差波動；運行7 d后，回轉(zhuǎn)支承達(dá)到國家標(biāo)準(zhǔn)要求的30 000轉(zhuǎn)[19]，此時，出現(xiàn)了一根螺栓的疲勞斷裂，為了研究回轉(zhuǎn)支承在其壽命達(dá)到國家標(biāo)準(zhǔn)時的狀態(tài)，進(jìn)行了拆機，發(fā)現(xiàn)軟帶附近滾道由于疲勞出現(xiàn)了整體小幅滑移，如圖5(a)所示，但這并不影響回轉(zhuǎn)支承運行，因此，再次裝機，更換了失效的螺栓并加注了潤滑脂后繼續(xù)試驗，此時，由于停機冷卻且潤滑條件改善，溫度和驅(qū)動力矩均大幅度下降；但第9天后，潤滑脂溫度和驅(qū)動力矩均急劇上升，至第11天試驗結(jié)束時，回轉(zhuǎn)支承已經(jīng)完全失效卡死，定圈滾道出現(xiàn)了嚴(yán)重的疲勞剝落，部分滾珠甚至產(chǎn)生了疲勞斷裂，如圖5(b)和5(c)所示。

由軸承部件故障通過頻率經(jīng)驗公式[2]可得，被試回轉(zhuǎn)支承最低的故障頻率為0.34Hz，文獻(xiàn)[20]指出，用于分析的振動信號的時長不能低于最低故障頻率的倒數(shù)。此外，在連續(xù)的疲勞壽命試驗中，深夜的振動數(shù)據(jù)受環(huán)境溫度的干擾少。據(jù)此，為確保所取振動信號中包含盡量多的信息，11 d試驗中每個傳感器取每天深夜3 s的(即6 144個樣本)數(shù)據(jù)進(jìn)行降噪重構(gòu)并建立回轉(zhuǎn)支承的退化模型。

圖4 試驗過程中溫度和驅(qū)動力矩的變化Fig.4 Changes of both temperatureand driven torque during whole test

圖5 疲勞受損的回轉(zhuǎn)支承部件Fig.5 Damaged slew ing bearing parts

3.2 大型回轉(zhuǎn)支承退化過程評估

3.2.1 信號降噪與重構(gòu)

所選取的加速度原始信號如圖6所示。從圖6可以看出：試驗過程中各個加速度信號幅值總體呈增大趨勢，但是信號的細(xì)節(jié)被高頻的噪聲所覆蓋。

圖6 壽命周期加速度a1～a4原始信號Fig.6 Raw life cycle vibration signals

對于加速度a1，取每天的6 144個樣本進(jìn)行EEMD分解，將得到的13個IMF分量組成當(dāng)天的IMF矩陣，共計算出11個IMF矩陣，以第5天為例進(jìn)行具體分析，其EEMD分解結(jié)果如圖7(a)和圖7(b)所示。

將第5天的第1階IMF拆分成三維矩陣M51，同時將第1天第1階IMF拆分成三維矩陣M11，將M51與M11進(jìn)行PCA，以M11為基礎(chǔ)樣本得到M51的平方預(yù)測誤差向量ESP,51，求其均值并減去閥值αQ，得到其差值ERR,51。重復(fù)以上步驟，計算出第5天13階IMF各自的誤差，最終確定用第6，8，9，10，11，12階IMF重構(gòu)第5天的a1信號。據(jù)此對每天的a1信號進(jìn)行相同處理，最終選擇序列為5，6，8，11，12的IMF重構(gòu)出整個壽命周期的振動信號a1。重復(fù)以上步驟，即可獲得4組加速度全壽命周期信號的重構(gòu)信號，如圖8(b)所示。為進(jìn)行對比驗證，同時采用了MATEJ等[4?5]提出的EEMD-MSPCA進(jìn)行降噪，結(jié)果如圖8(a)所示。

由圖8(a)可以看出：EEMD-MSPCA重構(gòu)信號高頻的白噪聲有所削弱，但由于IMF過濾時最優(yōu)閾值難以獲得，重構(gòu)的信號仍然被大量噪聲淹沒；而圖8(b)中重構(gòu)后的加速度信號背景噪聲大大降低，清晰地展現(xiàn)了信號的變化情況，在試驗中后期可以觀察到明顯的周期性沖擊。對各自的4個加速度重構(gòu)信號進(jìn)一步處理，將每天的加速度矩陣與第1天的加速度矩陣進(jìn)行PCA，最終得到各自的C-SPE，如圖9所示。

從圖9(a)可知：EEMD-MSPCA重構(gòu)信號得到的C-SPE中，第2天和第3天由于噪聲能量較大導(dǎo)致C-SPE幅值過高，第4天以后呈穩(wěn)定增長趨勢，但并未體現(xiàn)出回轉(zhuǎn)支承失效前期特征幅值陡增的過程；而本文提出的方法噪聲消除更徹底，圖9(b)中C-SPE在試驗初期幅值較小，中期平緩增長，后期急劇升高，符合設(shè)備退化過程中信號特征變化的一般趨勢。

3.2.2 大型回轉(zhuǎn)支承性能退化模型

首先，按照董紹江等[13]的方法，分別計算降噪信號a1～a4的均方根(RMS)如圖10所示。從圖10可以看出，不同位置的加速度變化趨勢總體符合設(shè)備性能退化過程，第3～9天基本平衡，9 d后幅值迅速提高直至失效，但是前3天區(qū)別明顯，這主要是由于不同位置不同的滾道幾何誤差、工藝、載荷所導(dǎo)致滾珠與滾道磨合過程存在差異。由此可見，多個與位置互相垂直的加速度傳感器安裝在大型回轉(zhuǎn)支承上能夠提供更多的有效數(shù)據(jù)，相比常見的單組加速度分析，多維加速度能夠更全面地解釋大型回轉(zhuǎn)支承的整體性能退化過程。

圖7 加速度a1第5天信號EEMD分解結(jié)果Fig.7 IMF 1?13of a1on the fifth experimentday

圖8 EEMD-MSPCA和EEMD-PCA重構(gòu)信號對比Fig.8 Reconstructed signalsof EEMD-MSPCA and EEMD-PCAmethods

圖9 不同方法C-SPE變化趨勢對比Fig.9 C-SPEof differentmethods

圖10 加速度a1～a4的均方根Fig.10 RMSof a1～a4

圖11 C-SPE均方根Fig.11 RMSof C-SPE

然而，單組振動信號常見的時域、頻域、時頻域特征可達(dá)30多個，若直接用于處理多維加速度信號，則過多維數(shù)的特征會引起后續(xù)壽命預(yù)測研究中由于過擬合而導(dǎo)致模型精度降低以及耗時過長的問題。因此，進(jìn)一步研究C-SPE對回轉(zhuǎn)支承整體性能退化過程的評估能力，計算其均方根如圖11所示。從圖11可以看出，C-SPE的均方根在試驗周期中保持持續(xù)增長趨勢，第1～2天為磨合期，幅值小幅增長，第2～6天為滾道與滾珠均勻磨損期，幅值總體較為平穩(wěn)，達(dá)到國家標(biāo)準(zhǔn)要求的壽命后，在第7～9天進(jìn)入快速磨損期，然后幅值上升趨勢陡增，進(jìn)入快速失效期直至完全失效，這一過程與試驗觀察及過程中其他各項測試參數(shù)的分析結(jié)果一致。因此，C-SPE及其均方根代替多維加速度數(shù)據(jù)作為此回轉(zhuǎn)支承的性能退化模型，既能準(zhǔn)確地評估回轉(zhuǎn)支承的整體性能退化過程，又大幅降低了反映回轉(zhuǎn)支承性能特征所需的維數(shù)。

4 結(jié)論

1)針對回轉(zhuǎn)支承低頻高噪的非平穩(wěn)振動信號提出了一種基于EEMD-PCA的自適應(yīng)降噪方法，相比常用的EEMD-MSPCA具有更好的降噪效果，可以應(yīng)用到回轉(zhuǎn)支承及類似設(shè)備產(chǎn)生的非平穩(wěn)信號中。

2)利用PCA的C-SPE融合多個加速度傳感器信息以全面反映回轉(zhuǎn)支承的性能退化過程，解決了以往使用單組加速度信號信息量不足的問題。該方法建立的回轉(zhuǎn)支承性能退化模型能夠準(zhǔn)確地評估試驗過程中回轉(zhuǎn)支承性能退化過程，符合試驗觀察。

3)建立的回轉(zhuǎn)支承性能退化模型能夠為企業(yè)主動維護(hù)規(guī)劃提供有利的數(shù)據(jù)支撐，同時為后續(xù)的壽命預(yù)測研究提供了基礎(chǔ)。

[1]潘玉娜.滾動軸承的性能退化特征提取及評估方法研究[D].上海:上海交通大學(xué)機械與動力工程學(xué)院,2011:1?3.

PAN Yuna.Study on feature extraction and assessmentmethod of rolling element bearing performance degradation[D]. Shanghai:Shanghai Jiao Tong University.School of Mechanical Engineering,2011:1?3.

[2]萬書亭,呂路勇,何玉靈.基于提升模式非抽樣小波變換的滾動軸承故障診斷方法研究[J].振動與沖擊,2009,28(1): 170?173.

WAN Shuting,LüLuyong,HE Yuling.Fault diagnosismethod of rolling bearing based on undecimated wavelet transformation of lifetime[J].Journal of Vibration and Shock,2009,28(1): 170?173.

[3]張慧芳,陳捷.大型回轉(zhuǎn)支承故障信號處理方法綜述[J].機械設(shè)計與制造,2012,3(3):216?218.

ZHANG Huifang,CHEN Jie.Research on signal processing method of large slew ing bearings[J].M achinery Design& M anufacture,2012,3(3):216?218.

[4]MATEJ Z,SAMO Z,IVAN P.M ultivariate and multiscale monitoring of large-size low-speed bearings using ensemble empiricalmode decomposition method combined w ith principal component analysis[J].Mechanical Systems and Signal Processing,2010,24(4):1049?1067.

[5]MATEJ Z,SAMO Z,IVAN P.Non-linear multivariate and multiscalemonitoring and signal denoising strategy using kernel principal componentanalysis combined w ith ensemble empirical mode decompositionmethod[J].Mechanical Systems and Signal Processing,2011,25(7):2631?2653.

[6]YU Zhang,CHRIS B,YANG Zhijing,et al.M achine fault detection by signal denoising—with application to industrial gas turbines[J].M easurement,2014,58:230?240.

[7]LU Chen,YUAN Hang,TANG Youning.Bearing performance degradation assessment and prediction based on EMD and PCA-SOM[J].Journal of Vibroengineering,2014,16: 1387?1396.

[8]賈峰,武兵,熊曉燕,等.基于EMD與多重分形去趨勢法的軸承智能診斷方法[J].中南大學(xué)學(xué)報(自然科學(xué)版),2015, 46(2):491?497.

JIA Feng,WU Bing,XIONG Xiaoyan,et al.Intelligent diagnosis of bearing based on EMD and multifractal detrended fluctuation analysis[J].Journal of Central South University (Science and Technology),2015,46(2):491?497.

[9]潘玉娜,陳進(jìn).結(jié)合循環(huán)平穩(wěn)和支持向量數(shù)據(jù)描述的軸承性能退化評估研究[J].機械科學(xué)與技術(shù),2009(4):442?445.

PAN Yunna,CHEN Jin.Assessment of bearing performance degradation by cyclostationarity analysis and SVDD[J]. M echanical Science and Technology for Aerospace Engineering, 2009(4):442?445.

[10]潘玉娜,陳進(jìn),李興林.基于模糊c-均值的設(shè)備性能退化評估方法[J].上海交通大學(xué)學(xué)報,2009,43(11):1794?1797.

PAN Yunna,CHEN Jin,LI Xinglin.Fuzzy c-means basedequipment performance degradation assessment[J].Journal of Shanghai Jiaotong University,2009,43(11):1794?1797.

[11]武兵,林健,熊曉燕.基于支持向量回歸的多參數(shù)設(shè)備故障預(yù)測方法[J].振動、測試與診斷,2012,32(5):791?795.

WU Bing,LIN Jian,XIONG Xiaoyan.Equipment fault prediction method based on multi-variable SVM[J].Journal of Vibration,Measurement&Diagnosis,2012,32(5):791?795.

[12]鞠華,沈長青,黃偉國,等.基于支持向量回歸的軸承故障定量診斷應(yīng)用[J].振動、測試與診斷,2014,34(4):767-771.

JU Hua,SHEN Changqing,HUANGWeiguo,etal.Quantitative diagnosis of bearing fault based on support vector regression[J]. Journal of Vibration,M easurement&Diagnosis,2014,34(4): 767?771.

[13]董紹江.基于優(yōu)化支持向量機的空間滾動軸承壽命預(yù)測方法研究[D].重慶:重慶大學(xué)機械工程學(xué)院,2012:41?60.

DONG Shaojiang.Research on space bearing life prediction method based on optim ized support vector machine[D]. Chongqing:Chongqing University.School of M echanical Engineering,2012:41?60.

[14]WU Z,HUANG N E.Ensemble empiricalmode decomposition: a noise-assisted data analysis method[J].Advances in Adaptive DataAnalysis,2009,1(1):1?41.

[15]曹沖鋒,楊世錫,楊將新.大型旋轉(zhuǎn)機械非平穩(wěn)振動信號的

EEMD降噪方法[J].振動與沖擊,2009,28(9):33?38. CAO Chongfeng,YANG Shixi,YANG Jiangxin.De-noising method for non-stationary vibration signals of large rotating machineries based on ensemble empiricalmode decomposition [J].Journalof Vibration and Shock,2009,28(9):33?38.

[16]陳忠,符和超.基于EEMD方法的永磁同步電機電磁噪聲診斷[J].振動與沖擊,2013,32(20):124?128.

CHEN Zhong,FU Hechao.Electromagnetic noise diagnosis for a permanent magnet synchronous motor based on EEMD[J]. Journalof Vibration and Shock,2013,32(20):124?128.

[17]許麗,張進(jìn)明,張廣明,等.基于PCA的滾動軸承故障檢測方法[J].計算機仿真,2010,27(6):325?329.

XU Li,ZHANG Jinming,ZHANG Guangm ing,et al.A method of rolling bearing fault detection based on PCA[J].Computer Simulation,2010,27(6):325?329.

[18]申中杰,陳雪峰,何正嘉.基于相對特征和多變量支持向量機的滾動軸承剩余壽命預(yù)測[J].機械工程學(xué)報,2013,49(2): 183?189.

SHEN Zhongjie,CHEN Xuefeng,HE Zhengjia,et al.Remaining life predictionsof rolling bearing based on relative features and multivariable support vector machine[J].Journal of M echanical Engineering,2013,49(2):183?189.

[19]JB/T 2300—1999,回轉(zhuǎn)支承[S]. JB/T 2300—1999,Slew ing bearing[S].

[20]WAHYU C,PRABUONO B K,ANH K T,et al.Condition monitoring of naturally damaged slow speed slew ing bearing based on ensemble empiricalmode decomposition[J].Journal of Mechanical Science and Technology,2013,27(8):2253?2262.

(編輯 趙俊)

Am ulti-dimensional data-drivenm ethod for large-size slew ing bearingsperformance degradation assessment

FENGYang,HUANG Xiaodiao,HONG Rongjing,CHEN Jie

(School of Mechanicaland Power Engineering,Nanjing Tech University,Nanjing 210009,China)

A large-size slew ing bearing is usually used in extremely heavy load conditions,and its reliability plays a critical role in machinery performances.Therefore,an ensemble em pirical mode decomposition-principle com ponent analysis(EEMD-PCA)based de-noising and performance degradation assessmentmethod was proposed.Firstly,an improved EEMD-PCA basedmethodwas conducted on life cycle vibration signals of slew ing bearings for de-noising and reconstruction.Afterwards,the reconstructed signalswere processed by the PCA,and continues square prediction error (C-SPE)w as introduced to represent the performance degradation feature for performance degradation model establishment.The results show that the proposed method isbetter in unstable signal de-noising than the EEMD-MSPCA, and the established performance degradationmodel can accurately explain the slew ing bearing performance degradation process,which helps enterprises to achieve activemaintenances,and provides a potential for further research such as slew ing bearing prognostics.

slew ing bearing;performance degradationmodel;EEMD-PCA;data fusion

TP206.3

A

1672?7207(2017)03?0684?10

10.11817/j.issn.1672-7207.2017.03.017

2016?03?06；

2016?06?12

國家自然科學(xué)基金資助項目(51375222,51105191)(Projects(51375222,51105191)supported by the National Natural Science Foundation of China)

黃筱調(diào)，教授，從事先進(jìn)數(shù)控理論、設(shè)備健康監(jiān)測研究；E-mail:njgdhxd@yeah.net