基于SPSO优化TWSVM及Bayesian更新指数模型的轴承剩余寿命预测
发布时间：2022-01-25 13:58
滚动轴承是机械装备重要的零部件,其工作状态及剩余使用寿命关系到机械装备的健康运转。一般滚动轴承剩余使用寿命存在着离散性,一方面当滚动轴承的实际使用寿命比设计使用寿命要短时,人们可能会因为滚动轴承的早期故障微弱性而忽视,这将会对机械设备运转时的性能及安全造成威胁;另一方面当滚动轴承的实际使用寿命大于其设计寿命,此时将滚动轴承报废不利于最大化发挥资源的利用率。因此研究采用有效的方法准确预测滚动轴承的剩余使用寿命具有十分重大意义。随着近些年大数据,云计算和人工智能的兴起,基于数据驱动的滚动轴承寿命预测方法得到了极大的应用,特征提取、特征评价、特征融合和退化状态评估是滚动轴承寿命预测的大数据基础。滚动轴承在高速运转过程中存在很多非线性因素,传统的线性、平稳特征提取技术,容易丢失重要的非线性状态信息,不能很好地从复杂非线性信号中提取真实反映其非线性振动本质的有效状态特征,因此本文提出了分形维数,熵值特征,递归分析和三角函数特征等非线性特征测度方法,这些非线性特征提取方法对滚动轴承的退化趋势识别非常敏感,具有较好的统计特性。考虑到滚动轴承的退化失效规律,本文将趋势性指标应用到非线性特征评价方法上以...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
滚动轴承结构示意图
图 2.2 滚动轴承振动的叠加耦合效应Fig2.2 Superposition and coupling effect of rolling bear动轴承在高速运转过程中存在很多非线性因素，比道接触刚度，弹性力和阻尼力是时变的，驱动力由于故障激励，加工装配误差激励和耦合振动激励影响等承在产生故障时会使其运转周期消失并产生非线性振取技术，容易丢失重要的非线性状态信息，不能很好实反映其非线性振动本质的有效状态特征[14]。线性统计特征对轴承的状态监测一般是采用振动法，即采用加速其振动信息，据报道振动法在轴承状态监测中占据了辨识的大数据基础，经典的特征提取方法从大类分为分析，其中时域分析主要有均值，均方根值，偏度，
重庆大学硕士学位论文 ), ( ), , ( (m 1) )}Tj x j +τ x j+ τ。获得是根据式 2.25进行的，公式的具体执行过程是比对矢量 X离是否小于设定的阈值 ε ，若小于，则在二维图中坐标为 ( i, 直到遍历完整个相空间，最后得到递归图。直到注意的是当i = ( )mX j之间的距离为 0，其总是小于 ε 的，因此递归图中会看存在。图，我们可以得到一些有用的信息，例如，信噪比高，平稳性递归图图形非常规整有序，但是信噪比低，非平稳和非线性的图就会包含很多无序的点，这描述了系统的无序性。加了高斯x = sin π t +sin 2π t的递归图如下图 2.3 所示。
【参考文献】：
期刊论文
[1]基于SAPSO优化灰色神经网络的空中目标威胁估计[J]. 刘海波,王和平,沈立顶. 西北工业大学学报. 2016(01)
[2]滚动轴承寿命预测综述[J]. 张小丽,王保建,马猛,陈雪峰. 机械设计与制造. 2015(10)
[3]基于熵特征的高速列车故障诊断方法[J]. 朱明,吴思东,付克昌. 振动.测试与诊断. 2015(02)
[4]振动信号处理方法综述[J]. 李舜酩,郭海东,李殿荣. 仪器仪表学报. 2013(08)
[5]Bayesian更新与EM算法协作下退化数据驱动的剩余寿命估计方法[J]. 司小胜,胡昌华,李娟,陈茂银. 模式识别与人工智能. 2013(04)
[6]一种基于样本熵的轴承故障诊断方法[J]. 赵志宏,杨绍普. 振动与冲击. 2012(06)
[7]机械重大装备寿命预测综述[J]. 张小丽,陈雪峰,李兵,何正嘉. 机械工程学报. 2011(11)
[8]分形盒维数抗噪研究及其在故障诊断中的应用[J]. 郝研,王太勇,万剑,张攀,刘路. 仪器仪表学报. 2011(03)
[9]递归定量分析在离心泵故障诊断中的运用[J]. 赵鹏,周云龙,孙斌. 振动.测试与诊断. 2010(06)
[10]基于模糊熵的脑电睡眠分期特征提取与分类[J]. 刘慧,谢洪波,和卫星,王志中. 数据采集与处理. 2010(04)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]基于多尺度非线性状态特征增强的旋转机械故障诊断方法研究[D]. 王俊.中国科学技术大学 2015
[3]振动故障分形特征提取及诊断方法研究[D]. 李兆飞.重庆大学 2013
[4]基于混沌分形理论的大型风电机械故障诊断研究[D]. 孙自强.沈阳工业大学 2013
[5]基于优化支持向量机的空间滚动轴承寿命预测方法研究[D]. 董绍江.重庆大学 2012
[6]分形维数特性分析及故障诊断分形方法研究[D]. 郝研.天津大学 2012
[7]基于非线性信号分析的滚动轴承状态监测诊断研究[D]. 刘永斌.中国科学技术大学 2011
[8]机械动力传动系统关键部件故障预测技术研究[D]. 曾庆虎.国防科学技术大学 2010
硕士论文
[1]基于多特征量的滚动轴承退化状态评估和剩余寿命预测方法研究[D]. 燕晨耀.电子科技大学 2016
[2]基于特征关联性的机械故障模式识别方法研究[D]. 陆超.重庆大学 2016
[3]滚动轴承振动故障特征提取与寿命预测研究[D]. 孙建.大连理工大学 2015
[4]基于SAPSO和改进SVM的风力发电机齿轮箱故障诊断系统研究[D]. 郝云锁.华东理工大学 2014
[5]基于案例推理的滚动轴承故障诊断[D]. 张振飞.中南大学 2008
本文编号：3608661
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：硕士
【部分图文】：
滚动轴承结构示意图
图 2.2 滚动轴承振动的叠加耦合效应Fig2.2 Superposition and coupling effect of rolling bear动轴承在高速运转过程中存在很多非线性因素，比道接触刚度，弹性力和阻尼力是时变的，驱动力由于故障激励，加工装配误差激励和耦合振动激励影响等承在产生故障时会使其运转周期消失并产生非线性振取技术，容易丢失重要的非线性状态信息，不能很好实反映其非线性振动本质的有效状态特征[14]。线性统计特征对轴承的状态监测一般是采用振动法，即采用加速其振动信息，据报道振动法在轴承状态监测中占据了辨识的大数据基础，经典的特征提取方法从大类分为分析，其中时域分析主要有均值，均方根值，偏度，
重庆大学硕士学位论文 ), ( ), , ( (m 1) )}Tj x j +τ x j+ τ。获得是根据式 2.25进行的，公式的具体执行过程是比对矢量 X离是否小于设定的阈值 ε ，若小于，则在二维图中坐标为 ( i, 直到遍历完整个相空间，最后得到递归图。直到注意的是当i = ( )mX j之间的距离为 0，其总是小于 ε 的，因此递归图中会看存在。图，我们可以得到一些有用的信息，例如，信噪比高，平稳性递归图图形非常规整有序，但是信噪比低，非平稳和非线性的图就会包含很多无序的点，这描述了系统的无序性。加了高斯x = sin π t +sin 2π t的递归图如下图 2.3 所示。
【参考文献】：
期刊论文
[1]基于SAPSO优化灰色神经网络的空中目标威胁估计[J]. 刘海波,王和平,沈立顶. 西北工业大学学报. 2016(01)
[2]滚动轴承寿命预测综述[J]. 张小丽,王保建,马猛,陈雪峰. 机械设计与制造. 2015(10)
[3]基于熵特征的高速列车故障诊断方法[J]. 朱明,吴思东,付克昌. 振动.测试与诊断. 2015(02)
[4]振动信号处理方法综述[J]. 李舜酩,郭海东,李殿荣. 仪器仪表学报. 2013(08)
[5]Bayesian更新与EM算法协作下退化数据驱动的剩余寿命估计方法[J]. 司小胜,胡昌华,李娟,陈茂银. 模式识别与人工智能. 2013(04)
[6]一种基于样本熵的轴承故障诊断方法[J]. 赵志宏,杨绍普. 振动与冲击. 2012(06)
[7]机械重大装备寿命预测综述[J]. 张小丽,陈雪峰,李兵,何正嘉. 机械工程学报. 2011(11)
[8]分形盒维数抗噪研究及其在故障诊断中的应用[J]. 郝研,王太勇,万剑,张攀,刘路. 仪器仪表学报. 2011(03)
[9]递归定量分析在离心泵故障诊断中的运用[J]. 赵鹏,周云龙,孙斌. 振动.测试与诊断. 2010(06)
[10]基于模糊熵的脑电睡眠分期特征提取与分类[J]. 刘慧,谢洪波,和卫星,王志中. 数据采集与处理. 2010(04)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]基于多尺度非线性状态特征增强的旋转机械故障诊断方法研究[D]. 王俊.中国科学技术大学 2015
[3]振动故障分形特征提取及诊断方法研究[D]. 李兆飞.重庆大学 2013
[4]基于混沌分形理论的大型风电机械故障诊断研究[D]. 孙自强.沈阳工业大学 2013
[5]基于优化支持向量机的空间滚动轴承寿命预测方法研究[D]. 董绍江.重庆大学 2012
[6]分形维数特性分析及故障诊断分形方法研究[D]. 郝研.天津大学 2012
[7]基于非线性信号分析的滚动轴承状态监测诊断研究[D]. 刘永斌.中国科学技术大学 2011
[8]机械动力传动系统关键部件故障预测技术研究[D]. 曾庆虎.国防科学技术大学 2010
硕士论文
[1]基于多特征量的滚动轴承退化状态评估和剩余寿命预测方法研究[D]. 燕晨耀.电子科技大学 2016
[2]基于特征关联性的机械故障模式识别方法研究[D]. 陆超.重庆大学 2016
[3]滚动轴承振动故障特征提取与寿命预测研究[D]. 孙建.大连理工大学 2015
[4]基于SAPSO和改进SVM的风力发电机齿轮箱故障诊断系统研究[D]. 郝云锁.华东理工大学 2014
[5]基于案例推理的滚动轴承故障诊断[D]. 张振飞.中南大学 2008
本文编号：3608661
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3608661.html
