基于变分模态分解和ELM的滚动轴承劣化趋势预测

发布时间：2020-06-26 05:03

【摘要】：在基于振动信号的滚动轴承劣化趋势预测中,滚动轴承的振动信号具有非线性、随机性的特点,运用变分模态分解的方法提取信号中表征滚动轴承性能的能谱熵。并运用基于萤火虫优化的极限学习机对能谱熵时间序列进行预测,实现对滚动轴承劣化趋势预测。本文对基于变分模态分解和ELM的轴承劣化趋势预测方法进行了研究,主要工作内容如下:(1)对滚动轴承的原始振动信号进行变分模态分解(Variational Mode Decomposition,VMD),并对分解后的振动信号中的频率成分进行分析。研究发现随着轴承的劣化的加剧,部分频带能量会发生变化,根据信息熵理论构造VMD能谱熵特征参数作为表征滚动轴承的性能参数。(2)运用相空间重构理论对滚动轴承的VMD能谱熵时间序列进行分析,将一维时间序列重构映射到高维空间里形成相点。用极限学习机(Extreme Learning Machine,ELM)预测相点对应时间序列,研究了不同的历史数据、预测长度对于预测结果精度的影响。(3)由于ELM算法随机设置模型参数,将萤火虫算法与极限学习机结合建立GSO-ELM模型,寻找ELM最优参数,实现对滚动轴承状态参数时间序列预测。并提取滚动轴承状态的参数VMD能谱熵时间序列中的趋势项,拟合趋势项随时间的变化情况,进而实现对滚动轴承剩余寿命进行预测。
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33
【图文】：

滚动轴承,结构示意图

图 2-1 滚动轴承结构示意图Fig.2-1 The structure diagram of rolling bearing下，内圈装配在轴上形成过盈配合，工作时与主轴一起旋轴承的载荷相关。外圈一般装备在轴承座上或机械部件壳器主要固定滚动体位置，使轴承可以稳定运行。滚动体是键，它运行轨迹主要集中在内圈和外圈表面预先加工的滚运行时的内部摩擦力。但在一些特定的环境中，有内、外定外圈旋转的。际工作中，其工作环境比较恶劣、本身的加工误差、不当外部因素等导致轴承逐渐磨损损伤。随着工作时间的增长化，导致故障停机或安全事故的发生。运转过程中引起损坏的原因有多种，组装不当、润滑不良等原因都可能会导致轴承出现故障。即便安装、润滑和使

滚动轴承,性能劣化,演变过程,性能退化

图 2-2 滚动轴承性能劣化演变过程Fig.2-2 The deterioration trend of rolling bearing滚动轴承的性能劣化过程如图 2-2 所示。滚动轴承的寿命周期通常要经历三个：性能正常阶段、性能退化阶段、故障失效阶段。在滚动轴承性能正常阶段，正常工作，虽然其性能指数会下降，但并不影响滚动轴承正常工作。即在滚承性能退化指数在到达 P 点前，滚动轴承的劣化程度不足以被检测设备识别随着轴承的继续运行，进入性能退化阶段。该阶段滚动轴承的劣化状态能够测设备识别，但滚动轴承的性能退化指数没有下降到人为设定的阈值，即未故障失效点 F，设备仍可继续工作，在 P 点到 F 点这段时间内，滚动轴承的劣度逐渐加深，退化程度越来越严重，滚动轴承的振动也越来越剧烈；当滚动的性能指数到达 F 点时，滚动轴承发生故障失效，F 点以后为性能失效阶段无发正常工作，需要停机检修。定义从性能退化检测点 P 到性能失效点 F 的该段时间称为滚动轴承的Rp余寿

【参考文献】