一种基于轴承剩余寿命预测的状态维修优化决策方法.pdfVIP

一种基于轴承剩余寿命预测的状态维修优化决策方法

徐廷学;张众

【摘要】Aimingattheproblemofpreviousstudiesthatthekeylinkof

conditionbasedmaintenance-residuallifepredictionalwayskeeps

changeless,putforwardisaneuralnetworkdegradationpredictionmodel

whichcombinedBayesmethodtopredicttheresiduallifedistributionof

bearingdynamicay.Theverificationresultsindicatetheveracityofthe

model.Basedontheupdatedposteriorresiduallifedistribution,

establishedisthemodelofminimumexpenseratiotomaintainand

optimizeabearingwiththesolutiontotheoptimalreplacementtimeof

thebearing.%针对以往研究中状态维修的关键环节,剩余寿命预测不能更新的问题,

提出一种融合贝叶斯方法的神经网络退化预测模型,实现利用实时传感信号动态预

测轴承的剩余寿命分布.检验结果表明,该模型对轴承的剩余寿命预测比较精确.基于

更新的剩余寿命分布,建立了以费用率最小为目标的轴承状态维修优化决策模型,求

解得到最优的轴承预防性更换时间.

【期刊名称】《火炮发射与控制学报》

【年(卷),期】2017(038)002

【总页数】6页(P78-83)

【关键词】工业工程学;神经网络;贝叶斯方法;振动频谱;剩余寿命分布;维修决策

【作者】徐廷学;张众

【作者单位】海军航空工程学院,山东烟台264000;海军航空工程学院,山东烟台

264000

【正文语种】中文

【中图分类】TJ07

随着武器装备集成度不断提高，复杂性不断增加，装备维护成本也相应提高[1]。

其中由于突发故障带来的维修费用和停机损失在装备维护成本中占到相当大的比例。

传统的事后维修和定时维修都不能很好地应对突发故障带来的非计划维修，易造成

“过维修”和“欠维修”等问题[2]。基于状态的维修(CBM)决策技术是在检测、

评估设备状态的基础上，选择合理的维护方式，以最小期望费用率、最高可用度为

目标，进行最优维护策略的制定[3]。CBM决策在制定维修策略时综合考虑了系统

运行状态和个体差异，能实施更加“精确”的维修，有效提高维修资源利用率，

提高装备完好率和可用度[4]。

实施CBM的关键是对装备状态进行准确评估。而剩余寿命(residualusefullife，

RUL)是反映装备状态的综合指标，可作为维修决策的重要依据。目前关于剩余寿

命预测已有很多研究方法，然而大部分方法预测的剩余寿命是固定不变的，不能基

于在线监测信息进行动态的调整。针对这一问题，笔者提出了一种新的预测方法，

将神经网络模型与贝叶斯方法结合，得到可更新的剩余寿命分布，在此基础上建立

并求解了以期望费用率最低为目标的轴承状态维修优化决策模型。

笔者以一组相同的推力滚珠轴承作为样本，研究其退化过程。对轴承的振动信号进

行监测，作为退化传感信息的来源。由于监测轴承的成本较低，因而能进行大量的

试验，从而确保了验证试验结果的可信性。

1.1轴承的退化过程

不断运行的轴承会在滚道上产生碎片。滚动体反复通过这些碎片将激发特殊的失效

振动频率，同时频率对应的幅值也会随着轴承的失效过程的推移而不断增大[5]。

因此可将这种幅频上的增长提取出来，作为轴承的退化信号。

该退化信号由失效频率及其前6个谐波分量对应的平均幅值组成，平均幅值随轴

承运行时间变化的趋势如图1所示。碎片的产生带来退化信号中平均幅值的突增，

该时间点称为失效时刻。当振动幅值上升至一个事先确定的故障阈值(设量为

Arms=0.03V)时，可判明轴承故障。

1.2加速退化试验

由于轴承的退化是个较为缓慢的过程。为获得轴承退化、失效和故障数据，考虑对

轴承进行加速退化试验。试验中轴承将承受超出额定负载的应力，加速其退化过程，

达到