基于改进深度森林的滚动轴承剩余寿命预测方法研究
发布时间：2021-01-22 11:55
滚动轴承作为旋转机械的关键部件之一,其健康状态直接影响到整台设备的运行。准确预测滚动轴承的寿命退化趋势,可为设备维护提供有价值的状态信息和足够的响应时间,对保障设备的正常运转和降低滚动轴承的维护成本具有重大意义。为了充分挖掘滚动轴承原始振动信号所蕴含的深层特征信息,自主构建性能退化指标,对滚动轴承剩余寿命进行预测。论文提出一种基于深层迭代特征（DIF）级联Cat Boost（Cas Cat Boost）的滚动轴承剩余寿命预测新方法,该方法是一种改进的新型深度森林算法,分别对深度森林中的特征提取部分和剩余寿命预测模型部分加以改进。特征提取方面,针对深度森林中的多粒度扫描结构内存消耗较大的问题,将多粒度扫描结构替换为卷积神经网络（CNN）。对由快速傅里叶变换得到的滚动轴承频域特征进行迭代计算得到迭代特征（IF）。利用CNN具有卷积、权值共享的特性,对IF进一步提取其深层特征并获得DIF,构建性能退化特征集。剩余寿命预测方面,针对单一模型预测精度不高,深度森林中的级联森林结构运算效率较低的问题,将级联森林结构替换为Cas Cat Boost。利用Cat Boost泛化能力强,可实现GPU并行...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
PRONOSTIA试验台Fig.4-1PRONOSTIAtestbench本文实验采用水平方向的加速度值作为实验数据，实验数据共包括种工
第4章基于改进深度森林的剩余寿命预测方法-33-图4-3轴承1_1时域振动信号Fig.4-3Timedomainvibrationsignalofbearing1_1图4-4轴承1_1频域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1轴承实际工作过程中，退化程度随时间逐渐加深，其失效过程对应剩余寿命百分比p从100%到0%的变化，而特征曲线则是对滚动轴承性能退化趋势的直观描述。将每个轴承0.1s记录时间内的原始振动信号进行FFT处理，得到的频域幅值作为FFT矩阵的行，按时间顺序依次进行处理直至轴承失效，以此分别构建不同轴承的FFT矩阵，如式(4-5)所示。其中，FFT矩阵中每一列表示滚动轴承从开始运行至完全失效的一个特征曲线，以轴承1_1为例，图4-5为取FFT矩阵第一列绘制的特征曲线，图4-6为使用式(4-2)对FFT矩阵第一列的频域幅值进行特征迭代得到的IF特征曲线。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一个采样时间内的第一个频域幅值，FFTmn表示第m个采样时间内的第n个频域幅值。
第4章基于改进深度森林的剩余寿命预测方法-33-图4-3轴承1_1时域振动信号Fig.4-3Timedomainvibrationsignalofbearing1_1图4-4轴承1_1频域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1轴承实际工作过程中，退化程度随时间逐渐加深，其失效过程对应剩余寿命百分比p从100%到0%的变化，而特征曲线则是对滚动轴承性能退化趋势的直观描述。将每个轴承0.1s记录时间内的原始振动信号进行FFT处理，得到的频域幅值作为FFT矩阵的行，按时间顺序依次进行处理直至轴承失效，以此分别构建不同轴承的FFT矩阵，如式(4-5)所示。其中，FFT矩阵中每一列表示滚动轴承从开始运行至完全失效的一个特征曲线，以轴承1_1为例，图4-5为取FFT矩阵第一列绘制的特征曲线，图4-6为使用式(4-2)对FFT矩阵第一列的频域幅值进行特征迭代得到的IF特征曲线。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一个采样时间内的第一个频域幅值，FFTmn表示第m个采样时间内的第n个频域幅值。
【参考文献】：
期刊论文
[1]改进随机森林算法在电机轴承故障诊断中的应用[J]. 李兵,韩睿,何怡刚,张晓艺,侯金波. 中国电机工程学报. 2020(04)
[2]基于改进深度森林算法的风电机组故障诊断技术研究[J]. 郭莹莹,张磊,肖成,孙培旺. 可再生能源. 2019(11)
[3]基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J]. 胡晓依,荆云建,宋志坤,侯银庆. 振动与冲击. 2019(18)
[4]基于CatBoost算法的糖尿病预测方法[J]. 苗丰顺,李岩,高岑,王美吉,李冬梅. 计算机系统应用. 2019(09)
[5]SADBN及其在滚动轴承故障分类识别中的应用[J]. 杨宇,罗鹏,甘磊,程军圣. 振动与冲击. 2019(15)
[6]基于时序图像深度学习的电熔镁炉异常工况诊断[J]. 吴高昌,刘强,柴天佑,秦泗钊. 自动化学报. 2019(08)
[7]数据驱动的地铁车门微小故障智能诊断方法[J]. 施文,陆宁云,姜斌,支有冉,许志兴. 仪器仪表学报. 2019(06)
[8]基于强化表征学习深度森林的文本情感分类[J]. 韩慧,王黎明,柴玉梅,刘箴. 计算机科学. 2019(07)
[9]基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测[J]. 王梓齐,刘长良,刘帅. 仪器仪表学报. 2019(07)
[10]基于软筛分停止准则的改进经验模态分解及其在旋转机械故障诊断中的应用[J]. 彭丹丹,刘志亮,靳亚强,秦勇. 机械工程学报. 2019(10)
硕士论文
[1]级联GA-CatBoost在妊娠期糖尿病预测诊断中的研究[D]. 崔波.太原理工大学 2019
本文编号：2993179
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
PRONOSTIA试验台Fig.4-1PRONOSTIAtestbench本文实验采用水平方向的加速度值作为实验数据，实验数据共包括种工
第4章基于改进深度森林的剩余寿命预测方法-33-图4-3轴承1_1时域振动信号Fig.4-3Timedomainvibrationsignalofbearing1_1图4-4轴承1_1频域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1轴承实际工作过程中，退化程度随时间逐渐加深，其失效过程对应剩余寿命百分比p从100%到0%的变化，而特征曲线则是对滚动轴承性能退化趋势的直观描述。将每个轴承0.1s记录时间内的原始振动信号进行FFT处理，得到的频域幅值作为FFT矩阵的行，按时间顺序依次进行处理直至轴承失效，以此分别构建不同轴承的FFT矩阵，如式(4-5)所示。其中，FFT矩阵中每一列表示滚动轴承从开始运行至完全失效的一个特征曲线，以轴承1_1为例，图4-5为取FFT矩阵第一列绘制的特征曲线，图4-6为使用式(4-2)对FFT矩阵第一列的频域幅值进行特征迭代得到的IF特征曲线。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一个采样时间内的第一个频域幅值，FFTmn表示第m个采样时间内的第n个频域幅值。
第4章基于改进深度森林的剩余寿命预测方法-33-图4-3轴承1_1时域振动信号Fig.4-3Timedomainvibrationsignalofbearing1_1图4-4轴承1_1频域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1轴承实际工作过程中，退化程度随时间逐渐加深，其失效过程对应剩余寿命百分比p从100%到0%的变化，而特征曲线则是对滚动轴承性能退化趋势的直观描述。将每个轴承0.1s记录时间内的原始振动信号进行FFT处理，得到的频域幅值作为FFT矩阵的行，按时间顺序依次进行处理直至轴承失效，以此分别构建不同轴承的FFT矩阵，如式(4-5)所示。其中，FFT矩阵中每一列表示滚动轴承从开始运行至完全失效的一个特征曲线，以轴承1_1为例，图4-5为取FFT矩阵第一列绘制的特征曲线，图4-6为使用式(4-2)对FFT矩阵第一列的频域幅值进行特征迭代得到的IF特征曲线。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一个采样时间内的第一个频域幅值，FFTmn表示第m个采样时间内的第n个频域幅值。
【参考文献】：
期刊论文
[1]改进随机森林算法在电机轴承故障诊断中的应用[J]. 李兵,韩睿,何怡刚,张晓艺,侯金波. 中国电机工程学报. 2020(04)
[2]基于改进深度森林算法的风电机组故障诊断技术研究[J]. 郭莹莹,张磊,肖成,孙培旺. 可再生能源. 2019(11)
[3]基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J]. 胡晓依,荆云建,宋志坤,侯银庆. 振动与冲击. 2019(18)
[4]基于CatBoost算法的糖尿病预测方法[J]. 苗丰顺,李岩,高岑,王美吉,李冬梅. 计算机系统应用. 2019(09)
[5]SADBN及其在滚动轴承故障分类识别中的应用[J]. 杨宇,罗鹏,甘磊,程军圣. 振动与冲击. 2019(15)
[6]基于时序图像深度学习的电熔镁炉异常工况诊断[J]. 吴高昌,刘强,柴天佑,秦泗钊. 自动化学报. 2019(08)
[7]数据驱动的地铁车门微小故障智能诊断方法[J]. 施文,陆宁云,姜斌,支有冉,许志兴. 仪器仪表学报. 2019(06)
[8]基于强化表征学习深度森林的文本情感分类[J]. 韩慧,王黎明,柴玉梅,刘箴. 计算机科学. 2019(07)
[9]基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测[J]. 王梓齐,刘长良,刘帅. 仪器仪表学报. 2019(07)
[10]基于软筛分停止准则的改进经验模态分解及其在旋转机械故障诊断中的应用[J]. 彭丹丹,刘志亮,靳亚强,秦勇. 机械工程学报. 2019(10)
硕士论文
[1]级联GA-CatBoost在妊娠期糖尿病预测诊断中的研究[D]. 崔波.太原理工大学 2019
本文编号：2993179
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/2993179.html
