2.1.3 滚动轴承流数据的异常检测
利用2012年电气和电子工程师协会PHM挑战赛的滚动轴承加速寿命实验数据[8]对基于UKF的流数据异常检测方法进行验证。实验数据来源于PRONOSTIA实验台，其结构如图2-1所示。该实验台由传动、加载和测试三部分组成。传动部分提供动力和转速。加载部分通过气缸对测试轴承的径向加压。测试部分包含加速度传感器、温度传感器、压力传感器、速度传感器等。被测轴承型号为NSK 6804RS，在实验过程中，分别设置转速为1 500r/min，载荷为5kN，数据采样频率为25.6kHz，传感器每隔10s采集一次数据，每次采样时长为0.1s。
图2-1 PRONOSTIA实验台
首先基于Paris-Erdogan裂纹扩展模型，建立如式（2-10）所示的状态空间模型。由于被测轴承3-3的全寿命周期振动数据中不含异常数据，因此利用该数据对状态空间模型的参数进行估计。轴承3-3全寿命周期水平测点振动数据的时域波形如图2-2所示，提取每次采样时长下振动数据的均方根值XRMS，并将其代入式（2-12）计算对数似然函数值。当设置参数β的搜索区间为[0，100]、搜索间隔长度为0.02时，可得如图2-3所示的对数似然函数值变化曲线。由图可知，当β=1.94时，对数似然函数值取得极大值946.5，因此β*=1.94。将β*代入式（2-15），可得参数φ和σ的取值分别为0.015 2和0.027 2，进而获得最优参数下该组数据UKF的滤波结果，如图2-4所示。从图中可以看到特征滤波序列与特征观测序列波形吻合程度较高，说明基于UKF的流数据异常检测方法能够动态地跟踪并估计出轴承健康状态的趋势变化。
图2-2 轴承3-3全寿命周期水平测点振动数据的时域波形
图2-3 不同参数β下的对数似然函数值变化曲线
图2-4 轴承3-3数据的UKF滤波结果
另取轴承3-1的全寿命振动数据对基于UKF的流数据异常检测方法进行验证，其时域波形如图2-5所示，其中包含异常数据。为模拟工程实际中的监测数据流动，分块读取数据并输入UKF算法对数据的均方根值进行实时滤波，结果如图2-6（a）所示。从图中可以看出，特征观测序列前期和后期均存在一处较大的跳变，中期呈现较为稳定的退化趋势，说明基于UKF的流数据异常检测方法能够实时跟踪数据退化趋势且跟踪精度较高。图2-6（b）中绘出了“观测值-滤波值”误差序列和阈值曲线。由图可以看出，在[220s，230s]和[4930s，4940s]的时间间隔内，观测值-滤波值误差序列超出了3σ阈值，因此该段数据被检测为异常数据。如图2-7所示绘制了两段异常数据的时域波形：图2-7（a）中的异常数据存在漂移现象；图2-7（b）中的异常数据存在幅值跳变。二者均为机械监测大数据中常见的“脏数据”。基于UKF的流数据异常检测方法的运行硬件环境为：Intel i5-9400F，CPU 2.9GHz，RAM 16GB，Windows10 64位操作系统，平均运行耗时为0.238s，远小于采集间隔时长10s，能够满足流数据处理的实时性要求。以上结果表明，基于UKF的流数据异常检测方法能够实时检测滚动轴承监测数据中的漂移、冲击干扰等异常数据，达到保障流数据质量的目的。
图2-5 轴承3-1全寿命周期水平测点振动数据的时域波形
图2-6 轴承3-1数据均方根值的UKF滤波结果及异常检测结果
图2-7 检测出的异常数据时域波形