基于GRU网络的滚动轴承剩余寿命预测研究
发布时间：2021-02-09 14:15
滚动轴承广泛应用于旋转机械中,其运行状态和旋转机械的整体性能有着密切的联系。故滚动轴承的健康管理对延长机械设备寿命、提高运行可靠性具有重大的意义。其中剩余使用寿命（RUL）预测是实现旋转机械的健康管理和预测性维护最重要的技术之一,并受到广泛的关注。本文以门控循环单元（GRU）网络为基础,对滚动轴承的RUL进行研究,研究的内容如下:由于各个轴承的退化状态各异,本文针对振动信号建立健康指标（HI）估计模型,然后结合粒子滤波算法预测RUL。在该模型中,首先针对基本特征中存在的波动以及退化趋势不明显的问题,提出一种基本特征提取与具有自适应噪声的完整集合经验模态分解相结合的方法提取趋势特征,并且利用单调性和相关性筛选特征。然后,针对轴承失效阈值难确定的问题,将筛选出的最优特征集输入GRU网络获得HI并利用粒子滤波算法得到测试轴承的RUL。针对滚动轴承在健康阶段退化特征不明显的情况,本文进一步研究了在健康阶段监测其运行状态,在开始退化时发出警报并触发RUL预测装置的方法。在此基础上,该算法考虑到轴承的退化模式不同,提出了针对不同的退化模式建立预测模型的方法。其中快速退化模式,训练轴承的退化信息较少...
【文章来源】：武汉科技大学湖北省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
滚动轴承的基本结构图
武汉科技大学硕士学位论文10（9.6-12.8kHZ）作为提取的特征。基于所获得的频域特征，利用相似性特征变换工具[59]来描述当前时间和初始时间之间数据序列的相似性度量，其计算公式如下：r122r11(0)(0)()()()(0)(0)()()MmmrrrmrMMmmrrrmmffftftFtffftft（2-1）其中，M表示序列12,,16(t)rrf的长度，(0)rf和(t)rf分别是序列rf在初始时刻和当前时刻的值。(0)rf和()rft分别为1:(0)mrmMf和1:()mrmMft的均值。综上所述，频域的特征可以表示为12,,16()rrFt。图2.2轴承1-1水平振动信号的频谱演变2.2.3基于小波包的时频域特征提取时域、频域特征是针对平稳信号提出来的特征处理方法。通常传感器采集的是非平稳和非线性信号，所以，时频域特征提取的方法被提出来。时频域特征通常是随时间变化的，即可以在某一时刻获取到时域与频域信息。小波分解在信号处理中被广泛利用，其可以通过信号的时频局部特征来表征。然而，小波分解不能对信号的高频部分进行分解，为了克服这一缺点，引入小波包分解（WPD）对信号的高频部分和低频部分进行分解[61]。WPD通过分析信号特性和要求可以自适应地选择合适的频谱以匹配信号频谱。当轴承发生故障时，不同的故障类型导致不同频带内的能量发生变换，所以本文主要提取WPD的能量比特征。如图2.3为小波包分解过程的示意图。
PRONOSTIA实验台
【参考文献】：
期刊论文
[1]电动汽车供电系统锂电池剩余寿命预测[J]. 张吉宣,贾建芳,曾建潮. 电子测量与仪器学报. 2018(03)
[2]基于奇异值分解和小波包分解的故障检测[J]. 李一博,沈慧,高远. 电子技术应用. 2018(03)
[3]基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J]. 周建民,郭慧娟,张龙. 机械设计与研究. 2017(06)
[4]机械设备运行可靠性评估的发展与思考[J]. 何正嘉,曹宏瑞,訾艳阳,李兵. 机械工程学报. 2014(02)
[5]大型机械设备变工况非平稳动态分析与监测诊断关键技术[J]. 何正嘉,訾艳阳,张周锁,马军星,高强,杨胜军. 中国机械工程. 1999(09)
博士论文
[1]基于机器学习的旋转机械故障诊断方法的研究[D]. 徐波.武汉科技大学 2019
[2]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[3]数据驱动的机械设备性能退化建模与剩余寿命预测研究[D]. 张彬.北京科技大学 2016
[4]滚动轴承振动信号特征提取与状态评估方法研究[D]. 王玉静.哈尔滨工业大学 2015
[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]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
硕士论文
[1]滚动轴承的故障特征提取及剩余寿命预测研究[D]. 杨治飞.山东理工大学 2017
[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：3025762
【文章来源】：武汉科技大学湖北省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
滚动轴承的基本结构图
武汉科技大学硕士学位论文10（9.6-12.8kHZ）作为提取的特征。基于所获得的频域特征，利用相似性特征变换工具[59]来描述当前时间和初始时间之间数据序列的相似性度量，其计算公式如下：r122r11(0)(0)()()()(0)(0)()()MmmrrrmrMMmmrrrmmffftftFtffftft（2-1）其中，M表示序列12,,16(t)rrf的长度，(0)rf和(t)rf分别是序列rf在初始时刻和当前时刻的值。(0)rf和()rft分别为1:(0)mrmMf和1:()mrmMft的均值。综上所述，频域的特征可以表示为12,,16()rrFt。图2.2轴承1-1水平振动信号的频谱演变2.2.3基于小波包的时频域特征提取时域、频域特征是针对平稳信号提出来的特征处理方法。通常传感器采集的是非平稳和非线性信号，所以，时频域特征提取的方法被提出来。时频域特征通常是随时间变化的，即可以在某一时刻获取到时域与频域信息。小波分解在信号处理中被广泛利用，其可以通过信号的时频局部特征来表征。然而，小波分解不能对信号的高频部分进行分解，为了克服这一缺点，引入小波包分解（WPD）对信号的高频部分和低频部分进行分解[61]。WPD通过分析信号特性和要求可以自适应地选择合适的频谱以匹配信号频谱。当轴承发生故障时，不同的故障类型导致不同频带内的能量发生变换，所以本文主要提取WPD的能量比特征。如图2.3为小波包分解过程的示意图。
PRONOSTIA实验台
【参考文献】：
期刊论文
[1]电动汽车供电系统锂电池剩余寿命预测[J]. 张吉宣,贾建芳,曾建潮. 电子测量与仪器学报. 2018(03)
[2]基于奇异值分解和小波包分解的故障检测[J]. 李一博,沈慧,高远. 电子技术应用. 2018(03)
[3]基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J]. 周建民,郭慧娟,张龙. 机械设计与研究. 2017(06)
[4]机械设备运行可靠性评估的发展与思考[J]. 何正嘉,曹宏瑞,訾艳阳,李兵. 机械工程学报. 2014(02)
[5]大型机械设备变工况非平稳动态分析与监测诊断关键技术[J]. 何正嘉,訾艳阳,张周锁,马军星,高强,杨胜军. 中国机械工程. 1999(09)
博士论文
[1]基于机器学习的旋转机械故障诊断方法的研究[D]. 徐波.武汉科技大学 2019
[2]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[3]数据驱动的机械设备性能退化建模与剩余寿命预测研究[D]. 张彬.北京科技大学 2016
[4]滚动轴承振动信号特征提取与状态评估方法研究[D]. 王玉静.哈尔滨工业大学 2015
[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]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
硕士论文
[1]滚动轴承的故障特征提取及剩余寿命预测研究[D]. 杨治飞.山东理工大学 2017
[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：3025762
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3025762.html
