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

发布时间：2017-10-04 13:23

  本文关键词：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

  更多相关文章： 滚动轴承 数据驱动 特征选择 退化状态评估 剩余寿命预测

【摘要】：滚动轴承作为机械装备中的关键部件,其工作状态的好坏直接关系着机械装备的整体性能。若不能及时地预知机械装备中滚动轴承的健康状态或损伤情况,一方面会影响装备维护策略的制定,而另一方面由于轴承失效所导致的级联故障,易造成机械装备发生灾难性的事故。因此,对机械装备中滚动轴承的性能退化趋势进行准确地评估和预测有助于工程人员对其工作状态进行合理地判断,进而将损伤控制在允许范围内,防止意外故障发生。近年来,在滚动轴承的退化趋势评估和预测领域涌现出了许多基于数据驱动的方法。从传感器所收集的特征信号能反映轴承的退化信息,而现有的基于数据驱动的方法大多只考虑了部分时频域特征或熵特征,而很少综合利用多个域的特征量来表征滚动轴承的退化状态。因此,本论文在原始振动数据的基础上,提取多个域的特征信号以描述滚动轴承的退化状态,研究了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。本文的研究方法属于数据驱动方法,因此,研究内容包括特征提取、特征选择、退化状态评估和剩余寿命预测四个基本步骤。本论文正是围绕这四个关键环节分别展开研究,其主要研究内容如下:(1)针对滚动轴承的振动信号结构单一且含有大量噪声干扰成分的普遍现象,论文首先引入了小波阈值降噪方法对原始振动信号进行预处理,有效地去除了原始振动信号中的高频噪音干扰信息。然后,对水平和垂直方向上的传感器采集到的每个样本数据进行特征提取,具体包括:时域统计特征、频域统计特征、小波节点能量。此外,本文还引入了振动信号的熵特征,包括:时域信息熵、频域信息熵、希尔伯特熵、样本熵以及小波包能量熵。所有的特征量构成了描述轴承退化信息的96维特征集。最后,在完成特征提取的基础上,本文应用了一种无监督的特征选择方法,即通过定义三种重要的特征评价指标对96个的特征量进行评估,有目的地筛选出有益于进行剩余寿命预测的敏感特征。(2)滚动轴承运行过程中的原始振动信号具有非平稳和非线性的特点。本文利用局部均值分解(Local Mode Decomposition LMD)在处理调幅-调频复杂信号方面的优势,将原始振动信号分解成有限个有物理意义的平稳分量,分量被称作乘积函数(Product Function,PF)。PF分量可以反映出微弱故障信号的变化趋势。然后,分别基于原始振动信号和PF分量提取多个时、频特征。最后,利用主成分分析(Principlal Component Analysis,PCA)对多特征进行降维,将PCA和相关性分析相结合构造了一种滚动轴承的退化评估指标,进而用试验数据验证了所提出方法的可行性和准确性。(3)滚动轴承的退化评估指标对剩余寿命的预测非常关键。本论文首选利用相对均方根对滚动轴承的性能退化趋势进行评估,有效地克服了退化过程中轴承的个体差异性。通过规定初始故障和失效阈值,合理地将轴承整个生命周期分为三个不同阶段。接着,借助支持向量机(Support Vector Machine,SVM)在解决小样本问题方面的优势,以及相关向量机(Relevance Vector Machine,RVM)能得到概率输出结果的特点,经过对SVM和RVM传统模型进行改进,得到了一种基于多变量的滚动轴承剩余寿命预测模型。最后,结合滚动轴承的加速寿命试验数据,验证了基于多变量SVM和RVM两种预测模型的可行性,并对SVM和RVM进行了预测结果分析和误差对比。
【关键词】：滚动轴承 数据驱动 特征选择 退化状态评估 剩余寿命预测
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-20
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-18
• 1.2.1 特征提取13-15
• 1.2.2 特征选择与特征降维15-16
• 1.2.3 退化状态评估16-17
• 1.2.4 剩余寿命预测17-18
• 1.3 论文结构和主要内容18-20
• 第二章 滚动轴承振动信号的特征提取与特征选择20-41
• 2.1 PRONOSTIA加速寿命试验台20-22
• 2.2 原始振动数据降噪处理22-26
• 2.2.1 小波降噪原理23-25
• 2.2.2 原始振动信号的小波阈值降噪25-26
• 2.3 滚动轴承的特征信号提取26-34
• 2.3.1 时域统计特征26-28
• 2.3.2 频域统计特征28
• 2.3.3 小波包节点能量28-29
• 2.3.4 熵特征29-34
• 2.4 面向剩余寿命预测的特征选择方法34-40
• 2.4.1 特征信号的性能评价指标35-36
• 2.4.2 特征选择36-40
• 2.5 本章小结40-41
• 第三章 基于LMD和主成分分析的滚动轴承退化状态评估方法41-56
• 3.1 基于局部均值分解的特征提取41-45
• 3.1.1 局部均值分解原理41-44
• 3.1.2 仿真信号分析44-45
• 3.1.3 特征提取45
• 3.2 基于主成分分析的特征变换45-49
• 3.3 构建退化状态评估指标49-51
• 3.4 试验验证和结果分析51-55
• 3.4.1 IMS试验台介绍51
• 3.4.2 方法验证及结果分析51-55
• 3.5 本章小结55-56
• 第四章 基于多变量SVM和RVM的滚动轴承剩余寿命预测方法56-76
• 4.1 向量机回归原理和模型参数寻优56-61
• 4.1.1 支持向量机回归原理56-58
• 4.1.2 相关向量机回归原理58-60
• 4.1.3 回归模型核函数和参数的选择60-61
• 4.2 建立多变量剩余寿命预测模型61-67
• 4.2.1 构造性能退化评估指标64-66
• 4.2.2 敏感特征选择66-67
• 4.3 仿真算例67-69
• 4.4 试验验证69-75
• 4.4.1 试验数据分析69-71
• 4.4.2 试验结果分析71-75
• 4.5 本章小结75-76
• 第五章 总结与展望76-78
• 5.1 全文总结76-77
• 5.2 后续工作展望77-78
• 致谢78-79
• 参考文献79-86
• 攻读硕士学位期间取得研究成果86-87

【参考文献】

中国期刊全文数据库 前10条

1 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

2 尹金良;朱永利;;支持向量机参数优化及其在变压器故障诊断中的应用[J];电测与仪表;2012年05期

3 赵鉴;梁志君;;从F-35项目来看PHM的应用与效益[J];价值工程;2012年06期

4 孙磊;汤心刚;张星辉;蔡丽影;;基于随机滤波模型的齿轮箱剩余寿命预测研究[J];机械传动;2011年10期

5 郭磊;陈进;;小波包熵在设备性能退化评估中的应用[J];机械科学与技术;2008年09期

6 雷亚国;何正嘉;訾艳阳;胡桥;;基于特征评估和神经网络的机械故障诊断模型[J];西安交通大学学报;2006年05期

7 蔡铁;朱杰;;小波阈值降噪算法中最优分解层数的自适应选择[J];控制与决策;2006年02期

8 曾声奎,Michael G.Pecht,吴际;故障预测与健康管理(PHM)技术的现状与发展[J];航空学报;2005年05期

9 杨国安,钟秉林,黄仁,贾民平,许云飞;机械故障信号小波包分解的时域特征提取方法研究[J];振动与冲击;2001年02期

10 潘紫微,吴超英;基于神经网络的多特征和多步轴承寿命预测方法[J];机械科学与技术;1999年04期

，

本文编号：970917