基于EMD的灰色模型的疲劳剩余寿命预测方法研究

　　引　言

　　故障预测是状态基维修中的一项关键技术,是近年来机械故障诊断学研究重点之一。目前,机械故障预测技术常分为三类:基于失效模型的预测方法、基 于概率统计的预测方法和基于数据驱动预测方法[1]。基于失效模型的预测方法是根据如裂纹扩展等机械产品物理失效机理进行预测的方法[2, 3];基于概率统计的预测方法是在某生存概率下估计产品的统计寿命,如著名的L-P公式即属此列[4, 5];数据驱动预测方法是最近研究较多的预测方法,主要是利用一些数据处理方法对机械产品全寿命周期各阶段的状态数据进行分析,提取能够刻画设备退化过程 的特征量,通过预测模型预测特征量的变化趋势并以此来估计设备的剩余寿命。最常用的设备状态数据为振动信号,振动信号常用的退化特征量有时域特征指标、频 域特征指标、最小量化误差等[1, 6～9]。

　　机械系统的振动信号多为非线性非平稳信号,常规信号分析方法对线性平稳信号进行分析才有意义,这就使得难以根据原始振动信号的退化特征量预测设 备寿命。因此,必须寻求一种能够有效地从非线性非平稳信号中提取具有实际物理意义的特征信号的方法,才能有效地预测机械系统的剩余寿命。目前常用的数据处 理方法有小波变换、经验模态分解(Em-pirical Mode Decomposition, EMD)等。必须在选择合适的小波基函数时,小波变换才能有效地分解信号,况且分解获得的信号实际物理意义不明显。EMD是一种自适应信号分解方法,分解 出来的本征模态函数(Intrinsic Mode Function, IMF)具有实际的物理意义。

　　机械系统振动信号常用的性能衰退指标有时域上的均方根值(Root Mean Square, RMS),峭度等和频域上的故障特征频率及其前6个谐波的均值[10,11]。本文首先提出改进的EMD方法并对全寿命周期各阶段振动信号进行分解,使得 故障频率落在某IMF中,将全寿命周期各阶段含故障的IMF的RMS或峭度作为设备退化特征量,形成退化特征量序列,根据该序列训练灰色模型。根据经验确 定机械产品失效对应的退化特征量阈值,最后通过训练好的灰色模型预测退化特征量的变化趋势,确定退化特征量达到退化特征量阈值的时间,以此预测机械产品的 疲劳剩余寿命。

　　1　改进的EMD方法和灰色模型

　　1.1　改进的EMD方法

　　EMD方法是美国宇航局Norden E Huang于1998年提出的一种非线性非平稳信号分析方法[6],它将信号分解成一系列IMF之和。EMD方法具有较好的自适应性,分解结果依赖于信号 本身,消除了人为因素,并可得到较高的时频分辨率,具有良好的时频聚集性,适合非线性非平稳信号的分析。但同时EMD也存在模态混迭、边界飞逸等问题,制 约着EMD分解结果的有效性,并会增多IMF数量,因此必须对EMD方法进行改进以避免上述问题的发生。改进后的算法如下: