基于机器学习的滚动轴承状态评估与剩余寿命预测

发布时间：2020-05-22 07:39

【摘要】：随着制造业发展的突飞猛进,旋转机械设备应用场景日益复杂化,旋转机械设备故障诊断也逐渐从依靠专家经验转向智能化处理。而轴承作为其关键部件之一,如何进行状态评估与寿命预测是核心内容。针对这一问题,本文在旋转机械设备信号处理中引入机器学习,并进行滚动轴承状态评估与剩余寿命预测研究。针对轴承诊断中不同特征选择算法相互孤立的不足,提出一种面向网络变量筛选与特征熵融合的轴承特征选择算法。算法充分利用了基于网络的特征平均影响值和特征熵在特征选择和特征分类中的互补性,将该标准用于敏感特征集的筛选,并通过支持向量机进行状态评估。实验结果表明由于融合了不同特征选择算法,本文方法分类精度更高。传统轴承退化状态建模方法存在局限性,本文从机械设备的一维监测数据出发,深入研究基于数据驱动的轴承退化状态建模方法。为了充分利用有限状态数据下滚动轴承剩余寿命预测问题中特征变化的影响因数,以及特征与时间变化的关联性,本文提出一种基于变量相关性和时间相关性的特征筛选方法。在该模型中,首先将MIV算法用于轴承训练集计算的特征进行选择,实现面向回归网络的变量第一次筛选;并将剩余特征通过相关系数标识进行可分性测度计算,实现基于时间相关性的特征的第二次筛选;然后将两次筛选出的特征向量通过RNN获得轴承退化曲线;最后使用粒子滤波算法获得剩余寿命。结果表明与其它轴承退化曲线构造算法相比,该算法在精度方面明显提高。针对人工特征建模方法的局限性,本文研究了基于深度学习的轴承退化状态建模方法,提出了一种基于卷积自编码网络的轴承退化状态建模方法,在此基础上,该算法考虑到轴承退化状态模型的评价倾向,并进行目标函数的改进。仿真结果表明,该算法不仅能够无视工况,而且在精度和稳定性方面也有了不错的提升。
【图文】：

机械故障模拟实验台Figure3-5Experimentbenchofmachineryfaultsimulator

图 4-1 RNN 结构示意图Figure 4-1 Schematic of an RNN architecture，，RNN 的结构可以描述为一个深度的神经型的状态有关。因此网络可以通过时间进行
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33;TP181

【参考文献】

相关期刊论文 前10条

1 孙明昊;;煤矿机械设备故障诊断与维护研究[J];机械研究与应用;2015年06期

2 孙雪;李昆仑;韩蕾;白晓亮;;基于特征项分布的信息熵及特征动态加权概念漂移检测模型[J];电子学报;2015年07期

3 刘长良;武英杰;甄成刚;;基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J];中国电机工程学报;2015年13期

4 张玲霞;刘志仓;王辉;齐会云;胡旦;;非线性系统故障诊断的粒子滤波方法[J];电子学报;2015年03期

5 董炜;陈卫征;徐晓滨;吉吟东;;基于可分性测度的模糊隶属函数确定方法[J];控制与决策;2014年11期

6 申中杰;陈雪峰;何正嘉;孙闯;张小丽;刘治汶;;基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测[J];机械工程学报;2013年02期

7 叶林;刘鹏;;基于经验模态分解和支持向量机的短期风电功率组合预测模型[J];中国电机工程学报;2011年31期

8 徐岩;张晓明;王瑜;孙庆彬;王之猛;孙岳;;基于离散傅里叶变换的频谱分析新方法[J];电力系统保护与控制;2011年11期

9 梁胜杰;张志华;崔立林;;主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较[J];中国机械工程;2011年01期

10 张雄希;刘振兴;;基于倒频谱分析的电机故障检测[J];电力系统保护与控制;2010年20期

本文编号：2675665