先进制造技术

本发明涉及基于EEMD能量熵的滚动轴承运行状态评估方法，包括：采集轴承全寿命振动数据；计算得到轴承的全寿命时域特征值；将不同时间段的轴承振动信号分解成模态分量，计算EEMD能量熵；计算得到轴承的全寿命的综合指标值；利用时域特征值、模态分量能量熵和综合指标值构建数据集；利用数据集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的参数；采集待检测轴承的振动信号，计算时域特征值和模态分量能量熵，并输入轴承寿命预测模型，根据模型输出的综合指标值对待检测轴承进行运行状态评估。本发明利用时域指标和时频域特征指标提取得到综合指标值，利用混沌粒子群算法搜索确定最优的模型参数，得到预测精度高的轴承寿命预测模型。

旋转机械在关系国计民生的行业如航天航空、军工事业和石油工业等中应用非常广泛。滚动轴承在旋转机械里面是一种极易损坏或故障的元件。相关数据表明，大约有三分之一的旋转机械失效是由滚动轴承发生失效而引起的；在电机的故障中；原由是轴承故障失效的大概有五分之二；在我国部分动车中，所有用过的滚动轴承都要经过检测，其中约有三分之一的滚动轴承是要调换的，否则很容易引起不可逆的严重事故发生。以上事实表明，为保证设备的稳定和有效工作，采取相应的监测手段和故障诊断手段是非常必要的，对保证人员安全减少经济损失更是具有实际意义。

滚动轴承在旋转机械中充当着实现传动以及连接功能的角色，其运行状态与设备系统的安全运行有着直接的关联。因此，需要有效的故障分析与诊断方法对其进行健康监测。近年来，基于机器学习的故障诊断方法被广泛应用在机械零部件的运行状态评估及性能退化趋势预测。例如，于广滨等构造出一种基于信息最小二乘生成对抗网络，结合优化算法与Softmax分类器可提高滚动轴承的寿命预测准确率。王奉涛等从轴承振动数据中提取各项指标并构造退化特征参数集，搭建长短期记忆网络预测模型并利用所得特征参数集实现轴承运行状态的精准识别。王玉静等通过快速傅里叶变换和卷积神经网络构造轴承的性能退化特征向量集，并改进深度森林模型，利用优化的模型和性能特征向量进行剩余寿命预测。曾大懿等利用并行多通道网络和长短时记忆网络搭建了一种新的轴承寿命预测模型并实现轴承剩余寿命的精准预测。

相比现有技术，本发明的有益效果包括：

1)本发明利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，确定最优的回归型支持向量机的惩罚系数以及核函数的参数，得到预测精度高的轴承寿命预测模型，实现了滚动轴承的状态评估和寿命预测，对运行轴承进行实时健康监测，识别出轴承异常，避免或减少设备故障带来的损失；

2)本发明计算集合经验模态分解的模态分量的能量熵，作为轴承振动信号的时频域特征输入轴承寿命预测模型，提高了轴承寿命的预测精度；

3)本发明利用核主成分分析法从轴承振动信号的时域特征指标和模态分量能量熵中提取得到轴承振动信号的综合指标值，实现了轴承振动信号特征参数的有效挖掘，轴承振动信号的综合指标值避免数据冗余，有利于轴承寿命的精确预测；

4)本发明提出的混沌粒子群算法对回归型支持向量机的参数寻优效果优于粒子群算法、网格搜索算法和遗传算法，混沌粒子群算法确定最优参数的轴承寿命预测模型的预测精度高；

5)本发明的轴承剩余寿命预测方法易于实现、实施，且易于推广应用到其它旋转机械设备，用于机械设备的健康监测，应用前景好。