基于CNN和GRU的滚动轴承退化状态评估及剩余寿命预测
发布时间：2021-11-21 09:49
滚动轴承是工业上最常用且最易损坏的机械零件,其发生任何意外故障都可能给工厂带来巨大损失。此外,滚动轴承运行过程中的振动信号蕴含了丰富的状态信息,为利用数据驱动的方法进行剩余寿命预测奠定了基础。为防止轴承失效,可以利用滚动轴承的振动信号对其剩余使用寿命（RUL）进行预测,进而提前进行维护。本文从滚动轴承的振动信号出发,研究了数据驱动方式下滚动轴承的退化状态建模及剩余使用寿命预测。首先研究了滚动轴承的退化特征提取,构造了两种退化特征。通过分析滚动轴承振动信号的时域、频域和时频域特征提取方法,先基于相似度构造了相似度特征,并进行敏感特征筛选,作为滚动轴承的第一种退化特征。之后为了减少退化特征构造的复杂性,提出在频域幅值的基础上建立频域累积幅值特征SF,该特征比起频域幅值特征更平滑稳定,作为轴承的第二种退化特征。其次利用卷积神网络（CNN）和门控循环单元（GRU）建立了滚动轴承的两种健康指示器。首先针对基于相似度的滚动轴承退化特征,利用CNN的局部连接、权值共享、空间池化的优势,构建了 CNN-HI模型,根据该模型预测轴承的退化值,得出其退化曲线。然后针对SF特征,利用CNN提取深层特征的优势...
【文章来源】：机械科学研究总院北京市
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图１－丨基于数据驱动的ＲＵＬ预测方法的整体框架??
?机械科学研究总院硕士学位论文???第五章对第三章和第四章的健康指示器（ＨＩ）构建效果进行验证并实现剩余寿??命的预测。利用第三章和第四章构建的健康指示器（ＨＩ）得出的轴承退化曲线，用??指数函数进行模拟，为了搜寻最优的拟合参数，利用粒子滤波算法进行参数寻优，??通过拟合未来的轴承退化曲线，实现剩余使用寿命的预测，之后进行实验结果的展??示与评价。??第六章是本文的总结与展望部分，首先对本文的主要研宄内容进行总结，其次??对下一步的工作方向进行了分析与展望。??本论文整体结构的组织框图如图１－２所示。??第一章绪论???Ｘ???第二章滚动轴承振动信号的分析方法??＿＾＿??时域特征提取?频域特征提取?时频域特征提取??第三章基于相似度特征和?第四章基于ＳＦ特征和ＣＮＮ－??ＣＮＮ的滚动轴承退化状态建模?ＧＲＵ的滚动轴承退化状态建模??Ｉ?—??第五章基于粒子滤波的滚动轴承剩余寿命预测??第六章总结与展望??图１－２论文整体结构的组织框图??７??
?机械科学研究总院硕士学位论文???第二章滚动轴承振动信号的分析方法??２．１滚动轴承介绍??滚动轴承作为一种精密的机械元部件，其基本结构包括外圈、内圈、滚动体和??保持架。内圈与轴相配合并且连同轴共同旋转，外圈联合轴承座共同起支撑作用，??滚动体位于外圈和内圈之间，其借助保持架呈现均匀分布。保持架的作用是防止滚??动体脱落，并引导滚动体旋转。滚动体的大小和数量直接影响着滚动轴承的使用性??能和寿命。下图２－１展示了滚动轴承的基本结构。??滚珠——卜ｉ—外圈??保持架’七内圈??图２－１滚动轴承的基本结构??按照滚动体的形状对滚动轴承进一步分类，滚动轴承包含球轴承和滚子轴承，??球轴承的滚动体为球，滚子轴承的滚动体为滚子。按照滚子种类的不同，滚子轴承??包含了圆柱滚子轴承、滚针轴承、调心滚子、圆锥滚子轴承等。??比起滑动轴承，滚动轴承用滚动摩擦代替滑动摩擦，因此摩擦阻力小，起动快，??启动阻力矩小，运行效率高。滚动轴承为机械领域的标准化产品，其生产过程己经??达到了标准化、系列化和通用化，能够进行大批量的生产和供应，另外，滚动轴承??的精度高，转速高，磨损小，使用寿命相对较长，这些特点都使滚动轴承成为了最??广泛的机械使用标准件，大多数旋转机械设备都会用到滚动轴承。??由于滚动轴承的滚动体原件与管道接触面积小，因此导致其抗冲击能力较差，??滚动轴承中的球轴承抗冲击能力最差。另外，滚动轴承经常处在高速运转和重载的??工况下运行，使得其性能不断退化，剩余寿命降低。在成本方面，滚动轴承的成本??较高，因此，对滚动轴承的剩余使用寿命预测具有重要意义。??８??
【参考文献】：
期刊论文
[1]基于递归神经网络的永磁同步电机参数辨识研究[J]. 荆禄宗,吴钦木. 电气传动. 2020(03)
[2]基于粒子滤波的非线性退化设备剩余寿命自适应预测[J]. 王玺,周薇,胡昌华,张建勋,裴洪,刘轩. 兵器装备工程学报. 2020(10)
[3]基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法[J]. 郭伟超,赵怀山,李成,李言,汤奥斐. 兵工学报. 2019(11)
[4]BP与AR模型在轴承性能退化评估和预测中的应用[J]. 涂文涛,刘韬,刘浩炜,陈庆. 电子测量与仪器学报. 2019(11)
[5]KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究[J]. 者娜,杨剑锋,刘文彬,陈良超. 机械设计与制造. 2019(11)
[6]航空发动机的健康指标构建与剩余寿命预测[J]. 彭开香,皮彦婷,焦瑞华,唐鹏. 控制理论与应用. 2020(04)
[7]基于一维卷积神经网络深度学习的工业过程故障检测[J]. 李元,冯成成. 测控技术. 2019(09)
[8]基于多尺度AlexNet网络的健康因子构建方法[J]. 张钢,田福庆,梁伟阁,佘博. 系统工程与电子技术. 2020(01)
[9]基于自适应组合核函数的RVM剩余寿命预测研究[J]. 王赟,景博,焦晓璇,李振刚,李保军. 电子测量与仪器学报. 2019(06)
[10]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰. 仪器仪表学报. 2018(07)
博士论文
[1]推荐系统中协同过滤算法若干问题的研究[D]. 张亮.北京邮电大学 2009
硕士论文
[1]基于PSO优化SVM的滚动轴承剩余使用寿命预测研究[D]. 孙晨光.石家庄铁道大学 2019
[2]结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究[D]. 李少鹏.哈尔滨理工大学 2019
[3]基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D]. 刘小勇.哈尔滨工业大学 2018
[4]基于AdaBoostRVM的滚动轴承剩余寿命预测方法研究[D]. 董正.哈尔滨理工大学 2018
[5]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：3509276
【文章来源】：机械科学研究总院北京市
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图１－丨基于数据驱动的ＲＵＬ预测方法的整体框架??
?机械科学研究总院硕士学位论文???第五章对第三章和第四章的健康指示器（ＨＩ）构建效果进行验证并实现剩余寿??命的预测。利用第三章和第四章构建的健康指示器（ＨＩ）得出的轴承退化曲线，用??指数函数进行模拟，为了搜寻最优的拟合参数，利用粒子滤波算法进行参数寻优，??通过拟合未来的轴承退化曲线，实现剩余使用寿命的预测，之后进行实验结果的展??示与评价。??第六章是本文的总结与展望部分，首先对本文的主要研宄内容进行总结，其次??对下一步的工作方向进行了分析与展望。??本论文整体结构的组织框图如图１－２所示。??第一章绪论???Ｘ???第二章滚动轴承振动信号的分析方法??＿＾＿??时域特征提取?频域特征提取?时频域特征提取??第三章基于相似度特征和?第四章基于ＳＦ特征和ＣＮＮ－??ＣＮＮ的滚动轴承退化状态建模?ＧＲＵ的滚动轴承退化状态建模??Ｉ?—??第五章基于粒子滤波的滚动轴承剩余寿命预测??第六章总结与展望??图１－２论文整体结构的组织框图??７??
?机械科学研究总院硕士学位论文???第二章滚动轴承振动信号的分析方法??２．１滚动轴承介绍??滚动轴承作为一种精密的机械元部件，其基本结构包括外圈、内圈、滚动体和??保持架。内圈与轴相配合并且连同轴共同旋转，外圈联合轴承座共同起支撑作用，??滚动体位于外圈和内圈之间，其借助保持架呈现均匀分布。保持架的作用是防止滚??动体脱落，并引导滚动体旋转。滚动体的大小和数量直接影响着滚动轴承的使用性??能和寿命。下图２－１展示了滚动轴承的基本结构。??滚珠——卜ｉ—外圈??保持架’七内圈??图２－１滚动轴承的基本结构??按照滚动体的形状对滚动轴承进一步分类，滚动轴承包含球轴承和滚子轴承，??球轴承的滚动体为球，滚子轴承的滚动体为滚子。按照滚子种类的不同，滚子轴承??包含了圆柱滚子轴承、滚针轴承、调心滚子、圆锥滚子轴承等。??比起滑动轴承，滚动轴承用滚动摩擦代替滑动摩擦，因此摩擦阻力小，起动快，??启动阻力矩小，运行效率高。滚动轴承为机械领域的标准化产品，其生产过程己经??达到了标准化、系列化和通用化，能够进行大批量的生产和供应，另外，滚动轴承??的精度高，转速高，磨损小，使用寿命相对较长，这些特点都使滚动轴承成为了最??广泛的机械使用标准件，大多数旋转机械设备都会用到滚动轴承。??由于滚动轴承的滚动体原件与管道接触面积小，因此导致其抗冲击能力较差，??滚动轴承中的球轴承抗冲击能力最差。另外，滚动轴承经常处在高速运转和重载的??工况下运行，使得其性能不断退化，剩余寿命降低。在成本方面，滚动轴承的成本??较高，因此，对滚动轴承的剩余使用寿命预测具有重要意义。??８??
【参考文献】：
期刊论文
[1]基于递归神经网络的永磁同步电机参数辨识研究[J]. 荆禄宗,吴钦木. 电气传动. 2020(03)
[2]基于粒子滤波的非线性退化设备剩余寿命自适应预测[J]. 王玺,周薇,胡昌华,张建勋,裴洪,刘轩. 兵器装备工程学报. 2020(10)
[3]基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法[J]. 郭伟超,赵怀山,李成,李言,汤奥斐. 兵工学报. 2019(11)
[4]BP与AR模型在轴承性能退化评估和预测中的应用[J]. 涂文涛,刘韬,刘浩炜,陈庆. 电子测量与仪器学报. 2019(11)
[5]KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究[J]. 者娜,杨剑锋,刘文彬,陈良超. 机械设计与制造. 2019(11)
[6]航空发动机的健康指标构建与剩余寿命预测[J]. 彭开香,皮彦婷,焦瑞华,唐鹏. 控制理论与应用. 2020(04)
[7]基于一维卷积神经网络深度学习的工业过程故障检测[J]. 李元,冯成成. 测控技术. 2019(09)
[8]基于多尺度AlexNet网络的健康因子构建方法[J]. 张钢,田福庆,梁伟阁,佘博. 系统工程与电子技术. 2020(01)
[9]基于自适应组合核函数的RVM剩余寿命预测研究[J]. 王赟,景博,焦晓璇,李振刚,李保军. 电子测量与仪器学报. 2019(06)
[10]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰. 仪器仪表学报. 2018(07)
博士论文
[1]推荐系统中协同过滤算法若干问题的研究[D]. 张亮.北京邮电大学 2009
硕士论文
[1]基于PSO优化SVM的滚动轴承剩余使用寿命预测研究[D]. 孙晨光.石家庄铁道大学 2019
[2]结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究[D]. 李少鹏.哈尔滨理工大学 2019
[3]基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D]. 刘小勇.哈尔滨工业大学 2018
[4]基于AdaBoostRVM的滚动轴承剩余寿命预测方法研究[D]. 董正.哈尔滨理工大学 2018
[5]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：3509276
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3509276.html
