轴承2017年3期
ISSN1000-3762
CN41 1148/TH
Bearing 2017, No. 3
5055
DOI:10.19533/j. issn1000 3762.2017.03.014
基于模糊C均值的转盘轴承剩余寿命预测
李媛媛"，陈捷"，洪荣晶"，黄筱调"，伍笑秋
（1.南京工业大学机械与动力工程学院，南京211816;2.重庆长安福特汽车有限公司，重庆404100）摘要：针对大型转盘轴承信号微弱、特征难以提取的特点，提出了一种基于模糊C均值的剩余寿命预测方法。该方法提取了时域的均方根、偏斜度指标及时频域的小波包能量摘作为特征向量，组成特征矩阵输入到模糊C 均值模型中进行寿命状态识别，并将待测状态隶属于正常状态的程度作为指标来反映转盘轴承性能退化的过
程。通过对某型号转盘轴承进行的全寿命疲劳试验表明，该方法有效、可行，具有一定的工程意义。关键词：转盘轴承；剩余寿命预测；模糊C均值；聚类算法
中图分类号：TH133.33：TN911
文献标志码：B
文章编号：10003762(2017)03005006
ResidualLifePredicationofSlewingBearingBasedonFuzzyC-Means
Li Yuanyuan', Chen Jie',Hong Rongjing',Huang Xiaodiao',Wu Xiaoqiu”
(1. College of Mechanical and Power Engineering, Nanjing Tech University, Nanjing 211816, China;2, Chongging
Changan Ford Automobile Co. , Lid. , Chongqing 404100, China)
Abstract: The residual life prediction based on fuzzy C means (FCM) algorithm is proposed to deal with the weak fault feature of large slewing bearing. Firstly, root mean square (RMS) and skewness in time domain, and wavelet packet energy entropy in time frequency domain are extracted to make the composition of feature matrix. Then, the matrix is input into the intelligent evaluation model of FCM to identify the state of the slewing bearing. Also, the sub-jection to normal state is computed as the degradation index, At last, an experiment on the full life test of slewing bear ing is conducted to validate the model, which verifies the feasibility of this method and has great significance in engi-neeringpractices
Key words: slewing bearing;residual life predication;fuzzy C means;clustering algorithm
转盘轴承广泛应用于各种大型设备，其运行状态直接影响设备的使用寿命，一且失效很容易引发重大事故，造成巨大损失，而且维修难度也较大]。因此，需要对转盘轴承的运行状态进行准确的评估，及时发现潜在问题，以便对设备进行良好的管理和维护。
近年来，转盘轴承的剩余寿命预测已成为国内外学者研究的热点，提取能够反映转盘轴承寿命状态的特征向量并建立合理的预测模型是对转盘轴承进行状态预测的关键。文献[2]利用时域
收稿日期：2016-06-06；修回日期：2016-10-19
基金项目：国家自然科学基金项目（51375222）；2014年度高校“青蓝工程”中青年学术带头人
作者简介：李媛媛（1992一），女，硕士研究生，研究方向为
机械制造及自动化，E-mail：408881600@qq.com。万方数据
指标均方根的变化作为特征向量反映轴承的磨损程度。文献[31从时域和频域对转盘轴承的振动信号进行特征提取，并验证该方法可有效预测轴承的剩余寿命。文献[4]在均方根的基础上，提出了一种改进的相对均方根指标，用来表征轴承的性能退化趋势。文献[5]利用神经网络建立了寿命预测模型，分别用失效数据和截止数据对模型进行训练，最终实现了对轴承寿命的有效预测。文献[6]利用最小二乘支持向量机建立了轴承的寿命预测模型，并通过试验表明该模型具有较好的预测精度。文献[7]利用粒子群算法优化支持向量机的内部参数，并建立退化趋势模型，以有效实现对轴承的寿命预测。
上述模型在轴承的寿命预测中应用广泛，但对于低转速、大直径的转盘轴承很难达到理想效果。针对上述问题，尝试从多个域提取轴承振动