基于粒子群优化神经网络的滚动轴承剩余寿命预测

发布时间：2022-01-12 09:31

　　为了能在有噪声干扰的复杂环境下提取出滚动轴承振动信号的故障特征,提出了一种基于粒子群优化神经网络的轴承故障特征频率的提取方法。首先对采集的振动信号进行降噪处理;其次,进行特征提取与约简;最后,采用群体智能算法——粒子群算法优化BP神经网络初始权值和阈值,构建二者结合的模型来预测滚动轴承剩余有效寿命,并结合试验平台的实验数据对该模型进行验证。实验结果表明:该方法能够很好的降低提取振动信号时由于噪音产生的影响,滚动轴承剩余的预测更加准确。 

【文章来源】：组合机床与自动化加工技术. 2020,(08)北大核心

【文章页数】：4 页

【部分图文】：

BP神经网络结构

式(3)中w为惯性权值;c1、c2为加速常数;r1和r2为[0,1]的随机数;vij∈[-vmax,vmax],vmax为常数,用来限定粒子的最大飞行速度。结合式(3)和式(4)更新粒子速度vi和位置xi,得到新的粒子并计算其适应度值,更新粒子个体极值 p best ( i ) 和全局极值gbest。(5) 检查粒子群算法是否达到进化次数最大值,如果达到,则输出全局最优极值以及相应的全局最优适应度值。否则,返回步骤(4)继续执行。

PRONOSTIA平台[10]加速寿命试验通过提高轴承转速和对轴承施加载荷,把寿命为上万小时的轴承在仅仅几个小时内加速轴承退化,然后采集描述退化规律的试验数据。利用PRONOSTIA试验平台对轴承的剩余寿命进行预测,试验平台由三部分组成:①由电机、变速箱、轴承、加速度传感器和联轴器组成。②加载部分。轴承的径向载荷最大为4000N,通过设置这个值加速退化。③测量部分。加速度传感器和温度传感器分别在水平和垂直方向上采集振动信息,设定为平台的结构如图3所示。本文采用的试验数据为IEEE研究所在2012年组织的关于故障预测与健康管理(PHM)的中的数据。试验中的轴承一些基本参数见图4。

【参考文献】：
期刊论文
[1]降低非加油电机轴承故障率[J]. 商勇,刘菲.  甘肃科技. 2018(20)
[2]基于PHM的机载设备健康管理系统的研究与设计[J]. 许光泞,文欣秀,曾亚.  计算机时代. 2018(08)
[3]基于大数据背景的相关系数[J]. 苏杭.  电子技术与软件工程. 2018(07)
[4]基于灰色模型的滚动轴承剩余寿命预测[J]. 黎慧,张国文.  机械设计与研究. 2018(01)
[5]基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测[J]. 王付广,李伟,郑近德,徐培民.  噪声与振动控制. 2018(01)
[6]滚动时域状态估计中极小化问题的求解[J]. 胡磊,伊国兴,南熠.  自动化仪表. 2017(12)

博士论文
[1]机械系统旋转部件退化跟踪与故障预测方法研究[D]. 钱宇宁.东南大学 2015

硕士论文
[1]旋转机械故障特征提取及性能退化评估研究[D]. 成俊良.华东交通大学 2018
[2]基于多健康状态评估的滚动轴承剩余寿命预测方法研究[D]. 张龙龙.电子科技大学 2014



本文编号：3584533