基于油液光谱数据融合的湿式离合器剩余寿命预测
[刘勇1 
, 张江2 , 熊涔博3, * , 董懿3, * , 季文龙4 , 徐峰4 , 沈剑2 ]
, 张江, 董懿, 季文龙引用本文
刘勇, 张江, 熊涔博, 董懿, 季文龙, 徐峰, 沈剑. 基于油液光谱数据融合的湿式离合器剩余寿命预测[J]. 光谱学与光谱分析, 2023,43(4): 1314-1319.
LIU Yong, ZHANG Jiang, XIONG Cen-bo, DONG Yi, JI Wen-long, XU Feng, SHEN Jian. Residual Life Prediction of Wet Clutch Based on Oil Spectrum Data Fusion[J]. Spectroscopy and Spectral Analysis, 2023,43(4): 1314-1319.
Doi:10.3964/j.issn.1000-0593(2023)04-1314-06
Permissions
LIU Yong, ZHANG Jiang, XIONG Cen-bo, DONG Yi, JI Wen-long, XU Feng, SHEN Jian. Residual Life Prediction of Wet Clutch Based on Oil Spectrum Data Fusion[J]. Spectroscopy and Spectral Analysis, 2023,43(4): 1314-1319.
Doi:10.3964/j.issn.1000-0593(2023)04-1314-06
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于油液光谱数据融合的湿式离合器剩余寿命预测
作者简介: 刘 勇, 1980年生, 中北大学能源与动力工程学院副教授 e-mail: 20030057@nuc.edu.cn
摘要
针对湿式离合器油液监测数据具有来源分散、 数据量大及时间轴不稳定等问题, 对光谱分析得到的多数据进行融合, 利用维纳过程的预测实时性和预测准确的优点, 建立模型开展离合器剩余寿命预测研究。 首先, 通过排列熵加权证据融合方法对离合器寿命试验获得的指示元素进行融合, 构建健康指数; 其次, 结合维纳过程建立退化模型并通过极大似然法对模型中的参数进行估计; 再次, 根据历史退化数据对参数进行更新得到离合器剩余寿命预测模型; 最后, 将预测模型与实例进行对比, 得到利用融合多元素的健康指数建立的维纳过程预测模型预测准确性相比单指示元素预测有了很大提升, 其预测点更接近试验值。 通过观察也发现, 湿式离合器运行50~60 h左右时, 预测点有了明显的变化, 而同样在220~230 h时, 预测点有了明显的偏差, 在240 h左右又重新接近试验值, 其突变点对应了离合器磨损的三个阶段, 即初期磨损, 正常磨损和剧烈磨损。 研究结果表明, 融合油液光谱数据结合维纳过程建立的预测模型用于湿式离合器的剩余寿命预测, 具有预测实时性强且预测精度高的优点, 而通过预测结果和试验值对比发现, 湿式离合器磨损状态的不同对预测结果也有一定的影响, 尤其磨损状态转变点对预测结果的影响更大。
关键词:
维纳过程; 湿式离合器; 加权证据融合; 健康指数; 剩余寿命预测
中图分类号:U46312
文献标志码:A
Residual Life Prediction of Wet Clutch Based on Oil Spectrum Data Fusion
Abstract
Aiming at the problems of oil monitoring data of wet clutch, such as scattered sources, a large amount of data and unstable time axis, the multi-data obtained from the spectral analysis are fused. Using the advantages of real-time prediction and accurate prediction of the Wiener process, a model is established to predict the remaining life of the clutch. Firstly, the indicator elements obtained from the clutch life test are fused by permutation entropy weighted evidence fusion method to construct the health index; Secondly, combined with the Wiener process, the degradation model is established, and the parameters in the model are estimated by the maximum likelihood method; Thirdly, the residual life prediction model of the clutch is obtained by updating the parameters according to the historical degradation data; Finally, by comparing the prediction model with an example, it is found that the prediction accuracy of the Wiener process prediction model based on the health index of multi-element fusion is greatly improved compared with the single indicator element prediction. Its prediction point is closer to the experimental value. Through observation, it is also found that when the wet clutch operates for about 50 to 60 h, the prediction point has an obvious change, while the prediction point has an obvious deviation from 220 to 230 h, and it is close to the test value again at about 240 h. The mutation point corresponds to the three stages of clutch wear: initial wear, normal wear and severe wear. The research results show that the prediction model based on oil spectrum data and the Wiener process has the advantages of strong real-time prediction and high prediction accuracy for the remaining life of the wet clutch. The comparison between the prediction results and the test values shows that the different wear states of wet clutch also have a certain impact on the prediction results, especially the wear state transition point has a greater impact on the prediction results.
Keyword:
Wiener process; Wet clutch; Weighted evidence fusion; Health index; Residual life prediction
引言
湿式离合器是综合传动装置的核心部件[1], 其健康状况的监测与剩余寿命预测逐渐成为研究热点。 目前在设备健康状况研究方面, 胡亚威等[2]对风机齿轮箱进行状态监测采用的方法是通过物联网技术建立专家技术库; 金晓航等[3]融合稀疏自编码器和深度学习网络分析预测功率与实际功率之间的残差进行风机组的状态监测; 李东东等[4]通过似然学习机学习算法建立计算模型来对风电机组齿轮箱进行状态监测, 谷玉波等[5]则建立基于Gamma退化过程的状态空间模型来得出产品剩余寿命的分布函数和概率密度函数。 借鉴这些学者的研究方法展开对湿式离合器的状态监测。
但是由于振动信号混叠、 传动装置空间封闭等问题, 使得油液光谱数据成为其状态监测的主要参数[6]。 闫书法等[7]已结合油液光谱数据提出一种考虑系统随机劣化和数据不确定测量的综合传动装置劣化过程建模方法。 张全德等[8]将油液光谱数据挖掘技术应用于航空发动机磨损评估取得很好的效果, 饶冬飞等[9]利用油液光谱分析中的Cu元素建立退化轨道模型实现综合传动装置可靠性评估。 尽管可以使用单个元素的油液光谱数据建立传动装置的退化模型, 但可能会导致对退化程度的低估或高估[10]。 Xue等[11]对离合器进行了台架试验, 以获得不同转速下每种类型的振动信号。 通过比较不同分类器在有熵和无熵情况下的精度, 可以识别摩擦部件的屈曲状态, 然后判断离合器状态。 Zhao等[12]为地将摩擦副改性为不同的接触比, 并研究了热屈曲对铜基湿式离合器摩擦学特性的影响。 研究发现, 随着接触比的减小, 输出转矩的振动变得更加强烈, 这也加剧了湿式离合器的失效。 李乐等[13]应用多源数据融合方法建立了基于PSO-BP神经网络的湿摩擦元件损伤预测模型。 转速和接头油压作为模型的输入参数, 提取的摩擦片周向温度梯度、 Fe和Cu元素的浓度变化率以及摩擦片的表面粗糙度变化率作为模型的输出参数。
以上对湿式离合器寿命评估的研究还不完善, 还有许多问题有待解决。 例如, 在现场道路试验等不利条件下获得的油分析数据不可避免地包含测量不确定性, 这将影响退化状态的估计, 并导致不准确的退化失效建模和寿命评估; 多源和多维石油分析数据之间存在相关性。 单独使用某个元件的油谱数据来监测湿式离合器的健康状况是不合理的, 这将导致不准确的退化失效建模和寿命评估。 本文基于湿式离合器的油液光谱分析数据, 考虑来自各磨损零部件的多源油液光谱数据, 采用融合多源光谱数据的健康指数构建方法, 作为退化模型的性能指标, 并通过维纳过程建立剩余寿命预测模型, 对湿式离合器进行剩余寿命预测。
1 维纳模型
由于湿式离合器的油液光谱数据表现出非严格单调递增的特征, 故可以利用维纳过程进行建模分析, 模型的表达式[3]如式(1)所示
式(1)中, X(t)为t时刻的性能指标, μ 为漂移系数, σ 为扩散系数, B(t)为标准维纳过程。
利用维纳过程分析的退化过程{X(t), t≥ 0}, 具有如下性质。
(1)X(0)=0; (2){X(t), t≥ 0}具有平稳独立增量; (3)任意时刻间的增量服从正态分布, 即X(t+Δ t)-X(t)~N(μ Δ t, σ 2Δ t)。
根据维纳过程的定义, 增量Δ X(t)服从正态分布, 令Δ t=1, 其概率密度函数[3]可表示为
随机过程模型中的维纳过程具有优良的统计特性(符合维纳过程的装备性能指标首次达到失效的时间分布具有服从逆高斯分布的特点), 是目前应用较为广泛的一种装备剩余寿命预测方法。
2 健康指数构建
为解决原始油液光谱数据难以准确表征磨损退化程度的问题, 采用基于加权平均的健康指数构建方法。
2.1 健康指数构建算法
加权平均方法是融合多维时间序列数据的常用方法, 因此, 使用线性加权平均函数融合多源多维的油液光谱数据, 具体融合形式[10]为
式(3)中, W为权重系数; dj与Xi, j分别表示融合得到的健康指数和油液光谱数据i在监测时刻j时的数值。
由式(3)可知, 构建得到的健康指数是所有退化数据的加权平均值, 并使用向量W衡量每个退化数据的相对重要性。
2.2 融合权重系数
健康指数构建的关键是确定权重系数W的数值, 即确定监测数据的可信度。 在装备退化建模与寿命评估研究中, 具有明显退化趋势的状态监测数据是与装备退化与故障失效相关的, 而其他数据则可能不相关。 排列熵算法能够有效放大时间序列的微弱变化, 且计算简单、 实时性高[10]。
(1)对一组长度为N的时间序列X进行相空间重构, 得到矩阵Y为[6]
式(4)中, m为嵌入维数, t为延迟时间, K=N-(m-1)t, 矩阵Y中的每一行都是一个重构分量, 共有K个重构分量。
(2)将每一个重构分量按照升序重新排列, 得到向量中各元素位置的列索引构成一组符号序列。
M维相空间映射不同的符号序列共有m!种。
(3)使用排列熵分配融合过程的权重系数。 当维数n≥ 2时的排列熵表示为
排列熵H(n)的值表示比较油液光谱数据序列的n个连续值时所包含的信息。 因此, 排列熵通常用于表示时间序列数据的单调趋势程度。 式(7)中的排列熵常用来度量时间序列数据的增加或减小趋势[10]。
式(7)中, p表示n=2时时间序列的单调概率。
依据排列熵数值的相对比重, 计算得到各个退化数据在数据融合时的权重。 计算公式如式(8)[6]所示。
${{W}_{i}}=\frac{1-H}{N-\overset{N}{\mathop{\mathop{\sum }_{i=1}}}\,{{H}_{i}}}$(8)
由式(8)可知, 每个状态监测数据的融合权重系数由排列熵衡量数据的退化趋势确定的。 如果状态监测数据表现出更大的退化趋势, 则该状态监测数据对装备健康状态的影响更大[14]。
3 维纳过程预测模型建立
3.1 参数估计
该模型包括偏移系数和扩散系数, 并且两个系数之间存在相关性, 因此难以直接估计。 对于具有固定漂移参数的维纳过程最大似然估计是最常用的参数估计方法, 如果使用最大似然估计来估计参数, 可以取得良好的效果, 并且易于计算[15]。
由维纳过程的性质可知性能指标增量服从正态分布[4], 即
根据正态分布公式可知Δ X的概率密度函数为[3]
$f(\Delta x|\eta ,\sigma )=\frac{1}{\sigma \sqrt{2\pi \Delta t}}\text{exp}\left( -\frac{{{\left( \Delta x-\eta \Delta t \right)}\ \ ^{2}}}{2{{\sigma }^{2}} \Delta t}\ \ \right)$(10)
利用极大似然估计法可以估计出漂移系数η k和扩散系数σ k
$\text{L}\left( \text{ }\!\!\eta\!\!\text{ },\text{ }\!\!\sigma\!\!\text{ } \right)=\overset{n}{\mathop{\underset{i=1}{\mathop \prod }\,}}\,f\left( \text{ }\!\!\Delta\!\!\text{ }{{X}_{i}} \right)$(11)
$\left\{ \begin{array}{* {35}{l}} \hat{\eta}=\frac{1}{n}\overset{n}{\mathop{\underset{i=1}{\mathop \sum }\, }}\, \frac{\Delta {{X}_{i}}}{\Delta{{t}_{i}}} \\ \hat \sigma={{\left[ \frac{1}{n}\overset{n}{\mathop{\underset{i=1}{\mathop \sum }\, }}\, \frac{{{(\Delta{{X}_{i}}-\hat{\eta} \Delta{{t}_{i}})}^{2}}}{\Delta{{t}_{i}}} \right]}^{\frac{1}{2}}} \\ \end{array} \right. $ (12)
3.2 湿式离合器剩余寿命预测模型构建
湿式离合器健康指数的阈值确定后, 在健康指数超过判断阈值时, 则判定该湿式离合器失效, 即[5]
式(13)中, T为失效时间, X(t)为性能指标的函数, ω 为阈值。
逆高斯分布描述了达到固定距离所需的时间分布, 通常用于建立预测模型。 根据得到的Cu、 Pb元素的阈值以及光谱分析初值, 在参数估计中确定η 、 σ 后, 就可以得到性能指标的边缘概率密度函数。
式(14)中, η 为漂移系数, σ 为扩散系数, ω 为阈值, X0为初始浓度。
4 实例验证
通过图1所示台架进行离合器加速寿命试验, 试验流程如下:
 | 图1 离合器全寿命试验台Fig.1 Clutch life test bench |
(1)设备上电并完成回油后, 取初始油样;
(2)在摩擦片半径方向上布置铂电阻传感器并监测摩擦片温度的变化情况;
(3)离合器接合并监测摩擦片温度的变化情况; 钢片温度超170 ℃, 分离并关闭回油泵, 包箱蓄油;
(4)包箱液面达到2/3, 打开回油泵。 待钢片温度稳定, 包箱内无油液残留, 开始下一次接合;
(5)重复(3)、 (4), 分别进行多接合工况下的正交试验, 直到发现摩擦片与钢片明显变形;
(6)冷却后继续试验。 接合每3 h, 在精滤入口处进行油液取样, 做好记录;
(7)直至离合器损坏, 取出摩擦片与钢片, 清洗、 称重;
(8)油样采用振荡预处理, 振荡时间10 min, 之后进行光谱分析。
并将实验获取的油液进行光谱分析得到光谱分析数据, 经过数据预处理后得到如图2所示。
 | 图2 湿式离合器油液光谱数据Fig.2 Spectrum data of wet clutch fluid |
湿式离合器加速寿命试验中的油液光谱数据的金属元素主要为Fe、 Cu、 Pb和Mn, 由于Fe元素在其他实验器件(如离合器包箱、 精滤器等)中存在广泛性, 最后选择采用元素为Cu、 Pb、 Mn。
根据式(5)— 式(8)计算得到的排列熵和权重系数如表1所示。
 | 表1 退化数据的排列熵 Table 1 Permutation entropy of degraded data |
通过式(2)得到健康指数如图3所示, 并且所得到的健康指数增量统计直方图如图4所示, 符合正态分布, 表明可以用维纳过程进行退化模型的构建。
 | 图3 融合后的健康指数图Fig.3 Health index after fusion |
 | 图4 健康指数增量统计直方图Fig.4 Statistical histogram of health index increment |
由式(9)— 式(12)利用极大似然法进行参数估计(见表2), 得到部分的漂移系数和扩散系数, 选择Pb作为对比。
| 表2 参数估计表 Table 2 Parameter estimation |
根据式(13)构建得到基于维纳过程的湿式离合器的剩余寿命预测模型(只给出对应时刻的预测结果)(见图5)。
 | 图5 以健康指数为指标的预测模型Fig.5 Wiener model with health index as index |
通过对多组同工况试验过程中任意时刻的点进行剩余寿命预测, 结果如图6所示。
 | 图6 随机点的剩余寿命预测结果Fig.6 Residual life prediction results of random points |
图6表明两种不同指标的预测模型随着油液数据的累积, 不断接近试验值; 以健康指数为指标的预测模型比以单元素为指标的预测模型更早与试验剩余寿命重合, 且预测值更加接近试验值。
通过图6发现在湿式离合器运行50~60 h左右时, 预测点有了明显的变化, 而同样在220~230 h时, 预测点有了明显的偏差, 在240 h左右又重新接近试验值。 结合健康指数折线图可以将湿式离合器的磨损状态分为初期磨损、 正常磨损以及剧烈磨损三个阶段, 在离合器部件初期磨损阶段, 摩擦副接触点粘着严重, 因此磨损率较大, 故初期预测会低于试验值, 在状态转变时故预测点会有明显变化, 在正常磨损到剧烈磨损转变时, 摩擦副磨损率会急剧增大, 故预测点也出现了明显变化, 如图7所示。
 | 图7 健康指数磨损状态图Fig.7 Health index wear state diagram |
5 结论
将油液光谱数据湿式离合器的特征元素进行融合来构建健康指数, 开展湿式离合器的剩余寿命预测, 建立了湿式离合器剩余寿命的维纳过程预测模型, 通过与试验值对比分析, 得到的主要结论如下:
(1)采用Cu、 Pb和Mn作为特征元素, 通过线性加权平均函数构建健康指数, 并结合逆高斯过程, 建立基于维纳过程的剩余寿命预测模型;
(2)通过试验和模型的预测对比分析表明, 两种不同指标的预测模型随着油液数据的累积, 不断接近试验值; 以健康指数为指标的预测模型比以单元素为指标的预测模型更早接近试验剩余寿命, 且预测值更加接近试验值, 相较单元素模型更加准确。
(3)维纳过程模型及其预测方法用于湿式离合器的剩余寿命预测, 具有预测实时性强且预测精度高的优点。 结合模型预测结果和摩擦副的摩擦规律可知, 离合器所处磨损阶段的不同, 会影响到预测结果的准确性, 磨损状态转变点周围的预测结果偏差较大。
参考文献
| [1] |
|
| [2] |
|
| [3] |
|
| [4] |
|
| [5] |
|
| [6] |
|
| [7] |
|
| [8] |
|
| [9] |
|
| [10] |
|
| [11] |
|
| [12] |
|
| [13] |
|
| [14] |
|
| [15] |
|