基于PSO优化SVM的滚动轴承剩余使用寿命预测研究

发布时间：2020-03-24 12:05

【摘要】：滚动轴承是旋转机械系统中最常见和最重要的基础零部件之一,是与另一部件接触做相对运动并承受载荷的零件,其功能决定了滚动轴承常处于恶劣的工作环境之下。受润滑、温度以及机械振动的影响,滚动轴承特别容易出现故障,而滚动轴承一旦出现故障,在当下机械系统各部件联系越来越紧密的趋势下可能会引发一连串连锁反应,导致机械系统瘫痪,造成无法预测的安全事故和重大经济损失。滚动轴承的剩余使用寿命是它受损伤程度的综合反映,如果能对滚动轴承的剩余使用寿命进行准确预测,那么就可以及时发现并排除故障,将定时维修改为视情维修,即可有效的降低事故发生的可能性。因此准确的预测滚动轴承剩余寿命对于实现视情维修有着重要意义。本论文以滚动轴承为研究对象,建立了基于改进粒子群算法优化SVM(Support Vector Machine,SVM)的滚动轴承剩余使用寿命预测模型,并用试验数据进行了验证。(1)研究了基于滚动轴承振动信号的特征指标提取及特征指标约简方法。针对单一指标无法全面描述滚动轴承性能退化趋势的缺点,提取了常用时域、频域共23个指标描述轴承性能退化趋势。由于23个特征指标之间存在数据冗余的现象,且特征维数较高,必会造成预测模型泛化能力变差,因此引入了基于主成分分析的数据降维方法用于降低数据的冗余和维数,并将处理后的数据作为新的特征指标输入到滚动轴承剩余使用寿命预测模型中,用以预测滚动轴承的剩余使用寿命。(2)由于支持向量机中参数的选择对模型的泛化能力有较大的影响,且参数的选择没有固定的方法,常常依靠个人的经验选取,导致模型的性能变差,因此本文提出了一种基于粒子群算法优化支持向量机参数的方法。由于标准粒子群算法在寻找最优解过程中常常陷入局部最优解,针对这一缺点,本文提出了一种改进的粒子群算法并将其应用到滚动轴承剩余使用寿命预测模型中。(3)通过美国辛辛那提大学滚动轴承全寿命试验数据和BPS试验台数据对本文建立的模型进行了验证,结果表明基于粒子群算法优化支持向量的滚动轴承剩余使用寿命预测模型可以准确的对滚动轴承的剩余使用寿命进行预测。对比未经过改进的粒子群算法优化支持向量机的滚动轴承剩余使用寿命预测模型,结果表明经过对粒子群算法改进后,滚动轴承剩余使用寿命预测模型泛化能力更好,预测结果更精确。本文的研究工作可以为滚动轴承的剩余使用寿命预测提供理论支撑,具有一定的理论价值。
【图文】：

流程图,流程图,粒子,适应度

个粒子的个体学习因子，2c 为每个粒子的社会学习2r 为 0 到 1 之间的随机数。如下：子群，包括群体规模 N ，每个粒子的初始位置iX 粒子的适应度值，把粒子当前位置输入到目标优化粒子当前适应度值和粒子之前最佳位置所对应的当前适应度值更高，则将用当前粒子的位置来更新gP ；粒子的个体历史最佳位置所对应的适应度值并与全作比较，如果出现某个粒子的适应度值更高，则用位置bestg ；更新每个粒子的速度与位置；束条件(满足迭代次数或误差足够小)则终止寻优，算法的流程图如图 3-1 所示。

流程图,粒子群算法,支持向量机,流程

(4)将这 k 次所得的 k 个准确率的平均值作为已选定参数的模型的正确，即适应度值，用来评价粒子位置的优劣。5.2 基于改进粒子群算法优化支持向量机模型的建立流程通过前文介绍可知，SVM 在做回归预测时需要选择适当的参数才能得到好的预测效果。参数中影响最大的有惩罚参数 C 和核函数参数宽度g，选合适的参数能够有效避免欠拟合和过拟合发生[50]。因此，本文采用改进的子群算对 SVM 中参数 C、g进行寻优，建立模型具体流程如图 3-2 所示。
【学位授予单位】：石家庄铁道大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TH133.33

【相似文献】