滚动轴承性能退化评价与趋势预测研究

发布时间：2017-04-07 07:01

  本文关键词：滚动轴承性能退化评价与趋势预测研究，，由笔耕文化传播整理发布。

【摘要】：滚动轴承作为机械设备中的关键部件,其运行状态的优劣往往影响到整台设备的运行性能。滚动轴承从正常状态到故障往往经历一系列退化状态,正确识别轴承当前所处的退化状态,对预防滚动轴承进一步退化和故障的发生具有重要意义。然而,正确评价和预测滚动轴承的退化状态需要解决两个关键问题：第一,确定合适的工作状态评价指标,反映轴承性能退化过程；第二,建立合适的故障预测模型,根据历史数据进行合理、准确的预测。本文针对以上两个关键问题进行研究,并提出有效的解决方法。 自组织映射网络是故障诊断和状态评价中常用的人工神经网络之一。本文通过研究滚动轴承不同工作状态下的HHT包络谱特征,提出一种基于HHT和自组织网络的滚动轴承状态识别方法,试验证明该方法能够有效识别出滚动轴承的五种工作状态。作为可靠的性能退化评价指标,最小量化误差源自于自组织网络模型,它能够充分利用多个特征参数信息对滚动轴承的性能退化过程进行定量评价,滚动轴承内圈故障性能退化试验说明了该方法的有效性。 针对滚动轴承性能退化过程受多种因素影响,单一预测模型难以满足预测精度的问题,提出一种基于遗传算法优化神经网络和支持向量机的混合智能趋势预测方法。该方法首先应用自组织网络评价模型得出最小量化误差,作为轴承性能退化评价指标。利用遗传算法优化神经网络的非线性和支持向量机处理小样本的优点,分别进行趋势预测。对两种趋势预测结果进行加权组合,形成混合智能预测模型。最后,以滚动轴承性能退化试验验证该方法的有效性,结果表明该混合模型比单一预测模型的预测精度要高,提高了轴承性能退化趋势预测精度。此外,该方法对于滚动轴承的预知维修和寿命预测具有一定的参考价值。
【关键词】：性能退化 自组织网络 最小量化误差 混合智能 趋势预测
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-16
• 1.1 论文选题背景和意义9-10
• 1.2 性能退化评价的研究现状10-12
• 1.3 状态预测技术的研究现状12-14
• 1.4 论文的主要内容与结构安排14-16
• 2 特征提取方法与主成分分析16-23
• 2.1 信号特征提取方法16-21
• 2.1.1 时域分析16-17
• 2.1.2 频域分析17-19
• 2.1.3 Hilbert变换19-20
• 2.1.4 小波包分解20-21
• 2.2 主成分分析21-22
• 2.3 本章小结22-23
• 3 自组织映射网络研究23-40
• 3.1 自组织映射网络23-29
• 3.1.1 自组织映射网络结构23-24
• 3.1.2 自组织映射网络相似度测量原理24-25
• 3.1.3 自组织映射网络权值调整25-26
• 3.1.4 自组织映射网络学习算法步骤26-29
• 3.2 基于自组织映射网络的滚动轴承状态识别29-39
• 3.2.1 基于SOM网络的滚动轴承状态识别模型29
• 3.2.2 滚动轴承试验验证29-39
• 3.3 本章小结39-40
• 4 基于最小量化误差的滚动轴承性能退化评价40-51
• 4.1 基于自组织网络模型的最小量化误差40-42
• 4.1.1 最小量化误差40-41
• 4.1.2 滚动轴承信号特征参数的提取和降维41
• 4.1.3 基于最小量化误差的滚动轴承性能退化评估41-42
• 4.2 滚动轴承试验验证42-50
• 4.2.1 试验装置介绍42-43
• 4.2.2 试验数据分析43-50
• 4.3 本章小结50-51
• 5 基于混合模型的滚动轴承性能退化趋势预测51-72
• 5.1 遗传算法优化BP神经网络51-56
• 5.1.1 BP神经网络51-53
• 5.1.2 遗传算法(Genetic Algorithm,GA)53-54
• 5.1.3 遗传算法优化BP网络的预测模型54-56
• 5.2 支持向量机56-59
• 5.2.1 支持向量机原理56-57
• 5.2.2 支持向量机回归预测模型57-59
• 5.3 基于混合模型的滚动轴承性能退化趋势预测59-71
• 5.3.1 混合预测模型59-61
• 5.3.2 滚动轴承试验验证61-71
• 5.4 本章小结71-72
• 6 结论72-73
• 参考文献73-77
• 攻读硕士学位期间发表学术论文情况77-78
• 致谢78-79

【参考文献】

中国期刊全文数据库 前10条

1 程其云,孙才新,张晓星,周nv,杜鹏;以神经网络与模糊逻辑互补的电力系统短期负荷预测模型及方法[J];电工技术学报;2004年10期

2 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期

3 张佩瑶,马孝江,王吉军,朱泓;小波包信号提取算法及其在故障诊断中的应用[J];大连理工大学学报;1997年01期

4 张春梅,王尚锦,张太镒,朱长新;时频分析在旋转机械状态监测及故障诊断中的应用[J];工程热物理学报;2002年02期

5 于德江;灰色系统建模方法的探讨[J];系统工程;1991年05期

6 侯澍e

本文编号：289851