本技术涉及滚动轴承状态预测，特别是涉及一种变工况下数模融合驱动的滚动轴承健康状态预测预警方法及系统。
背景技术：
1、滚动轴承被称为“工业的关节”，也是最易损伤的部件之一，其运行状态决定着整机的安全性能。在大型的旋转机械故障中，大约40％的重大故障是由轴承缺陷引起的。对轴承进行准确的剩余寿命预测，可以及时掌握设备的运行状况以及剩余工作时间，防止因意外故障导致的重大经济损失和人员伤亡。在实际工业现场中，滚动轴承往往不是在恒定工况下运行，从而会影响轴承的退化过程，使得特征与滚动轴承的健康状态之间的映射变得复杂，导致剩余寿命难以准确预测。
2、在滚动轴承剩余寿命预测的研究中，大多都是基于恒定工况进行的。剩余寿命预测方法主要分为模型驱动的剩余寿命预测和数据驱动的剩余寿命预测。对于模型驱动而言，模型能否准确的反映系统对于预测效果具有决定性作用。然而，该方法需要对设备的退化机理具有充分的认知，需考虑外部多种因素的耦合，这使得实际应用中许多设备的失效物理模型都难以确定。对于数据驱动的剩余寿命预测，其无需模型控制，直接从设备历史运行数据中提取相关特征并学习系统退化行为，进而预测剩余寿命。然而此方法的准确度往往依赖大量的历史失效样本，而实际却很难获取，而且预测过程的可解释性差。
3、由于变工况下滚动轴承适合的退化模型会有所不同，而且，构建的单一模型也无法适用于整个寿命周期。所以，传统的用于滚动轴承的寿命预测方法无法准确预测变工况下滚动轴承的剩余使用寿命。
技术实现思路
1、本技术的目的是提供一种变工况下数模融合驱动的滚动轴承健康状态预测预警方法及系统，可实现滚动轴承变工况下健康状态的精准预测。
2、为实现上述目的，本技术提供了如下方案：
3、第一方面，本技术提供了一种变工况下数模融合驱动的滚动轴承健康状态预测预警方法，包括以下步骤：
4、获取滚动轴承在运行工况下的原始运行数据，并以初始条件相差小为原则，对原始运行数据的样本点进行筛选，得到筛选后的原始运行数据。
5、针对筛选后的原始运行数据，分别提取得到若干个时域特征和时频域特征，并求出各特征的斜率进行累积变换，以形成原始特征集。
6、对原始特征集中的各特征的斜率进行基线转换，并在不改变退化趋势的前提下对基线转换后的各特征的斜率进行平滑处理，得到候选特征集。
7、在候选特征集中选择与故障发展高度相关的优选特征，并对优选特征进行降维融合，得到融合健康指标。
8、根据经验模型选择多个退化模型建立滚动轴承退化模型库，并基于滚动轴承退化模型库和融合健康指标，确定滚动轴承的首次退化时间。
9、基于首次退化时间，采用时变粒子滤波算法和滚动轴承退化模型库，根据滚动轴承实测运行数据进行滚动轴承健康状态的预测，得到滚动轴承健康状态预测结果；时变粒子滤波算法用于根据一预设长度的滑动窗口内的滚动轴承实测运行数据，从滚动轴承退化模型库中选择最优的退化模型进行预测。
10、根据滚动轴承健康状态预测结果和预设预警阈值，进行滚动轴承健康状态预警。
11、可选地，原始运行数据包括滚动轴承在运行工况下的工况数据和滚动轴承上各个检测位置在运行工况下的加速度检测数据；滚动轴承在运行工况下的工况数据包括：温度、转速和负载。
12、以初始条件相差小为原则，对原始运行数据的样本点进行筛选，得到筛选后的原始运行数据，具体为：通过分析滚动轴承的初始状况，筛选初始条件相差小的样本点，得到筛选后的原始运行数据。
13、可选地，时域特征包括：绝对平均幅值、均方根、最大值、峰值、方差、方根幅值、偏斜度、峭度系数、波形指标、峰值指标、裕度指标和脉冲指标；时频域特征为通过小波包变换对筛选后的原始运行数据进行分解，得到的若干个小波包系数。
14、求出各特征的斜率进行累积变换，以形成原始特征集，具体包括以下步骤：
15、针对若干个时域特征和时频域特征，使用差分法计算相邻样本点之间的差异来估计各特征的斜率。
16、通过对各特征的斜率进行累积变换，以形成原始特征集，实现对数据整体信息的挖掘。
17、可选地，累积变换包括以下步骤：
18、选取滚动轴承在正常状态下的一段特征序列，求取该段特征序列的平均值作为标准值。
19、根据标准值以及各特征的斜率，计算各特征的累积指标。
20、可选地，根据下式计算特征序列的平均值：
21、
22、其中，fnor为特征序列的平均值，m为特征序列的起始索引，n为特征序列的样本点总数，f(i)为特征序列的第i个特征值。
23、根据下式计算特征的累积指标：
24、
25、其中，cfn表示第n个特征的累积指标。
26、可选地，根据下式对特征的斜率进行基线转换：
27、
28、其中，为tk时刻的基线观测值，yk为tk时刻的特征的斜率，sk为tk时刻的转速，sb为基线速度，a和b均为基线转换参数。
29、根据下式，确定基线转换参数：
30、
31、其中，yi为ti时刻的特征的斜率，si为ti时刻的转速，为在基线速度下在ti时刻的插值。
32、可选地，在候选特征集中选择与故障发展高度相关的优选特征，具体为：将时间相关性和单调性的线性组合作为综合评价指标，在候选特征集中选择与故障发展高度相关的优选特征。
33、根据下式计算特征的综合评价指标：
34、w＝mon(x)+corr(x,t)。
35、其中，w为特征的综合评价指标，mon()为单调性函数，corr()为时间相关性函数，x为特征序列，t为时间。
36、可选地，对优选特征进行降维融合，得到融合健康指标，具体包括以下步骤：
37、采用z-score标准化方法对优选特征进行处理，得到时间序列集。
38、通过核主成分分析法，对时间序列集进行降维融合，得到融合健康指标。
39、可选地，滚动轴承退化模型库中的退化模型包括：幂函数退化模型、指数函数退化模型和对数函数退化模型。
40、基于首次退化时间，采用时变粒子滤波算法和滚动轴承退化模型库，根据滚动轴承实测运行数据进行滚动轴承健康状态的预测，具体包括以下步骤：
41、在基于首次退化时间监测到滚动轴承开始退化时，采用时变粒子滤波算法设置一个预设长度的滑动窗口在滚动轴承实测运行数据中截取得到片段数据。
42、分别采用幂函数退化模型、指数函数退化模型和对数函数退化模型对窗口下的数据进行拟合并确定最优的退化模型；最优的退化模型用于根据片段数据进行预设时间段内滚动轴承健康状态的预测。
43、第二方面，本技术提供了一种变工况下数模融合驱动的滚动轴承健康状态预测预警系统，用于实现如前文所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，所述变工况下数模融合驱动的滚动轴承健康状态预测预警系统包括以下模块：
44、原始运行数据获取模块，用于获取滚动轴承在运行工况下的原始运行数据。
45、原始运行数据筛选模块，用于以初始条件相差小为原则，对所述原始运行数据的样本点进行筛选，得到筛选后的原始运行数据。
46、特征提取及累积变换模块，用于针对所述筛选后的原始运行数据，分别提取得到若干个时域特征和时频域特征，并求出各特征的斜率进行累积变换，以形成原始特征集。
47、基线转换及平滑处理模块，用于对所述原始特征集中的各特征的斜率进行基线转换，并在不改变退化趋势的前提下对基线转换后的各特征的斜率进行平滑处理，得到候选特征集。
48、特征优选及降维融合模块，用于在所述候选特征集中选择与故障发展高度相关的优选特征，并对所述优选特征进行降维融合，得到融合健康指标。
49、首次退化时间确定模块，用于根据经验模型选择多个退化模型建立滚动轴承退化模型库，并基于所述滚动轴承退化模型库和所述融合健康指标，确定滚动轴承的首次退化时间。
50、滚动轴承健康状态预测模块，用于基于所述首次退化时间，采用时变粒子滤波算法和所述滚动轴承退化模型库，根据滚动轴承实测运行数据进行滚动轴承健康状态的预测，得到滚动轴承健康状态预测结果；所述时变粒子滤波算法用于根据一预设长度的滑动窗口内的滚动轴承实测运行数据，从所述滚动轴承退化模型库中选择最优的退化模型进行预测。
51、滚动轴承健康状态预警模块，用于根据滚动轴承健康状态预测结果和预设预警阈值，进行滚动轴承健康状态预警。
52、根据本技术提供的具体实施例，本技术公开了以下技术效果：
53、本技术提供了一种变工况下数模融合驱动的滚动轴承健康状态预测预警方法及系统，所述方法中，在获取滚动轴承在运行工况下的原始运行数据后，以初始条件相差小为原则，对原始运行数据的样本点进行筛选，避免数据差异性；之后分别提取得到若干个时域特征和时频域特征，并求出各特征的斜率进行累积变换，以形成原始特征集，在不改变退化趋势的前提下先对原始特征集中的各特征的斜率进行基线转换，再进行平滑处理，得到候选特征集；在候选特征集中选择与故障发展高度相关的优选特征，并对优选特征进行降维融合，得到融合健康指标；随后根据经验模型选择多个退化模型建立滚动轴承退化模型库，并基于滚动轴承退化模型库和融合健康指标，确定滚动轴承的首次退化时间；即可基于首次退化时间在判断滚动轴承发生退化风险时，采用时变粒子滤波算法和滚动轴承退化模型库，根据滚动轴承实测运行数据和预设预警阈值进行滚动轴承健康状态的预测以及预警；本技术上述方案在一方面，从轴承损伤累积的角度进行考虑，通过对原始特征进行累积变换实现挖掘数据整体信息的目的，并基于基线转换和平滑处理针对工况变化引发的特征观测值过大波动进行了消除；另一方面，建立了基于经验模型建立了滚动轴承退化模型库，并采用时变粒子滤波算法根据轴承动态劣化情况自适应优选退化模型，实现了滚动轴承变工况下的健康状态精准预测预警。
1.一种变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，包括：
2.根据权利要求1所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，所述原始运行数据包括滚动轴承在运行工况下的工况数据和滚动轴承上各个检测位置在运行工况下的加速度检测数据；滚动轴承在运行工况下的工况数据包括：温度、转速和负载；
3.根据权利要求1所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，所述时域特征包括：绝对平均幅值、均方根、最大值、峰值、方差、方根幅值、偏斜度、峭度系数、波形指标、峰值指标、裕度指标和脉冲指标；所述时频域特征为通过小波包变换对所述筛选后的原始运行数据进行分解，得到的若干个小波包系数；
4.根据权利要求3所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，所述累积变换包括以下步骤：
5.根据权利要求4所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，根据下式计算特征序列的平均值：
6.根据权利要求1所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，根据下式对特征的斜率进行基线转换：
7.根据权利要求1所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，在所述候选特征集中选择与故障发展高度相关的优选特征，具体为：将时间相关性和单调性的线性组合作为综合评价指标，在所述候选特征集中选择与故障发展高度相关的优选特征；
8.根据权利要求7所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，对所述优选特征进行降维融合，得到融合健康指标，具体包括：
9.根据权利要求1所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，其特征在于，所述滚动轴承退化模型库中的退化模型包括：幂函数退化模型、指数函数退化模型和对数函数退化模型；
10.一种变工况下数模融合驱动的滚动轴承健康状态预测预警系统，其特征在于，用于实现如权利要求1-9任一项所述的变工况下数模融合驱动的滚动轴承健康状态预测预警方法，所述变工况下数模融合驱动的滚动轴承健康状态预测预警系统包括：
