目前,关于滚动轴承的剩余使用寿命预测RUL预测方法可分两大类,即: 基于模型的RUL预测方法和基于数据驱动的RUL预测方法。
基于模型的RUL预测方法主要是根据设备的失效机理来建立模型。比如通过提取车轮滚动轴承振动信号的均方根值和峰度时域特征,采用比例风险模型来评价铁路车轮滚动轴承的可靠性;比如利用主元分析法获得威布尔比例风险模型的协变量,预测滚动轴承的RUL。
基于模型的RUL预测方法很大程度上依赖于专家知识和人为经验,建立的预测模型通常具有较弱的泛化能力。同时在复杂的机械系统中,滚动轴承的性能退化机理较为复杂,很难建立准确的机理模型。而数据 驱动的RUL预测方法利用深度学习技术,从获取的设备数据中探索机械部件的退化过程,并构建神经网络来实现设备故障诊断或寿命预测,因此,数据驱动的 滚动轴承RUL预测方法更适用于复杂的机械系统。
本项目在MATLAB环境下采用指数退化模型进行风力发电机轴承剩余使用寿命预测。
程序运行环境为MATLAB R2021B,执行指数退化模型的风力发电机轴承剩余使用寿命预测。
l=round(length(ewt{1})/2);
rec=cell(size(ewt));
for k=1:length(ewt)
ewt{k}=[ewt{k}(l-1:-1:1);ewt{k};ewt{k}(end:-1:end-l+1)];
rec{k}=zeros(length(ewt{1}),1);
rec{k}=real(ifft(fft(ewt{k}).*mfb{k}));
rec{k}=rec{k}(l:end-l);
end
结果如下:
代码见评论区。
代码见评论区。