基于极限学习机的设备故障预测方法及应用研究

发布时间：2017-09-27 15:05

  本文关键词：基于极限学习机的设备故障预测方法及应用研究

  更多相关文章： 故障预测 灰色神经网络 Elman网络 形态分形维数 极限学习机

【摘要】：为了提升设备使用效率,降低维修维护成本,避免重大事故发生,实现设备故障的趋势预测,论文以滚动轴承和齿轮为研究对象,围绕极限学习机及相关的人工神经网络模型开展了预测方法及应用研究。以振动信号的时域特征参数和形态分形维数为预测特征量,分别运用灰色神经网络、Elman反馈神经网络和极限学习机对特征量进行预测,与传统的BP神经网络进行对比,证明了极限学习机模型在故障预测中的有效性,具体内容如下：(1)开展了基于灰色神经网络的故障预测方法及应用研究。以轴承故障为研究对象,提取原始振动信号的时域特征参数,根据其时间序列趋势,将故障发展分为三个阶段,分别截取等量数据并计算其相对变化值,对比分析各个时域特征参数对于早期故障的敏感性和故障持续发展的稳定性,选取有量纲参数的有效值和无量纲参数的峭度作为特征量,运用BP神经网络和灰色神经网络分别对不同的数据集进行趋势预测,并以齿轮故障为研究对象实现对比验证。(2)开展了基于Elman神经网络的故障预测方法及应用研究。简述了Elman网络作为一种动态反馈型网络与前向型神经网络的区别和特点,分别以轴承和齿轮为研究对象,以有效值和峭度为特征参数,运用Elman神经网络对其进行趋势预测,并研究了不同神经元个数对于预测结果的影响。(3)开展了基于形态分形维数及极限学习机的故障预测方法及应用研究。简述了极限学习机(ELM)相对于传统神经网络的结构和算法优势,实现了其在轴承和齿轮中的故障预测,并分析了隐含层神经元的个数对于预测性能的影响。为了进一步提升预测精度,引入了分形维数和数学形态学的基本思想,通过计算原始时域振动信号的形态分形维数,揭示了其作为预测特征量的可行性,运用ELM模型对经过形态分形维数处理后的信号进行趋势预测,对比了时域参数下ELM模型的预测结果,并综合比较了相应预测模型的性能。结果表明：以时域参数为特征量时,ELM模型的预测误差最小,精度最高,可以准确地拟合故障发展趋势,且不受神经元个数的影响；灰色神经网络模型的预测精度次之,可以在较少的数据情况下实现较高的预测精度；不同对象的验证结果均表明,传统的BP神经网络和Elman动态神经网络的预测结果较差。以形态分形维数为特征量时,ELM模型可以实现精确预测,相对于时域特征量,其预测精度更高,是一种有效的特征提取和故障预测方法。
【关键词】：故障预测 灰色神经网络 Elman网络 形态分形维数 极限学习机
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17;TP18
【目录】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 绪论13-21
• 1.1 课题研究背景和意义13-14
• 1.2 故障预测方法的国内外研究历史和现状14-17
• 1.2.1 故障预测方法概述14-15
• 1.2.2 国内外研究历史概述15-16
• 1.2.3 国内外研究现状概述16-17
• 1.3 神经网络方法概述17-19
• 1.4 课题来源及主要研究内容19-21
• 第二章 灰色神经网络方法在故障预测中的应用研究21-49
• 2.1 灰色神经网络简介21-25
• 2.2 时域特征参数应用25-33
• 2.2.1 时域特征参数计算27-32
• 2.2.2 时域特征参数选取方法32-33
• 2.3 故障预测实例33-47
• 2.3.1 轴承故障实验简介33-34
• 2.3.2 BP神经网络预测34-37
• 2.3.3 灰色神经网络预测37-41
• 2.3.4 齿轮故障对比研究41-47
• 2.4 本章小结47-49
• 第三章 Elman神经网络在故障预测中的应用研究49-57
• 3.1 Elman神经网络概述49-50
• 3.2 Elman神经网络学习过程及算法50
• 3.3 故障预测实例50-56
• 3.3.1 轴承故障预测实例50-54
• 3.3.2 齿轮故障预测实例54-55
• 3.3.3 隐含层神经元个数对预测结果的影响55-56
• 3.4 本章小结56-57
• 第四章 形态分形维数和极限学习机在故障预测中的应用研究57-79
• 4.1 极限学习机介绍57-59
• 4.1.1 极限学习机概述57
• 4.1.2 极限学习机学习算法57-59
• 4.2 极限学习机在故障预测中的应用59-68
• 4.2.1 轴承故障预测的应用59-65
• 4.2.2 齿轮故障预测的应用65-66
• 4.2.3 极限学习机神经元个数对预测结果的影响66-67
• 4.2.4 小结67-68
• 4.3 分形维数概述68-69
• 4.4 数学形态学的分型维数计算69
• 4.5 形态分形维数和极限学习机在故障预测中的应用69-77
• 4.5.1 形态分形维数特征量计算71-73
• 4.5.2 极限学习机预测73-74
• 4.5.3 形态分形维数方法对预测结果的影响74-77
• 4.6 本章小结77-79
• 第五章 结论与展望79-81
• 5.1 全文工作总结79-80
• 5.2 研究展望80-81
• 参考文献81-87
• 致谢87-89
• 研究成果及发表的学术论文89-91
• 作者和导师简介91-92
• 附件92-93

【参考文献】

中国期刊全文数据库 前10条

1 张天璐;;发电厂设备预知维修与状态维修分析[J];机电信息;2013年24期

2 刘海燕;蒋泽军;;基于时间序列分析和ACO-LSSVM的故障预测技术研究[J];计算机与现代化;2013年05期

3 马硕;焦现炜;田柯文;吕世乐;赵阳;郑善军;;故障预测技术发展与分类[J];四川兵工学报;2013年02期

4 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

5 刘国海;江辉;肖夏宏;张东娟;梅从立;丁煜函;;近红外光谱结合ELM快速检测固态发酵过程参数pH值[J];光谱学与光谱分析;2012年04期

6 李兵;张培林;任国全;刘东升;米双山;;形态学广义分形维数在发动机故障诊断中的应用[J];振动与冲击;2011年10期

7 程进军;夏智勋;胡雷刚;;基于遗传神经网络的航空装备故障预测[J];空军工程大学学报(自然科学版);2011年01期

8 曹兴;;时域参数指标在轴承故障诊断中的应用[J];科技资讯;2010年24期

9 李兵;张培林;任国全;刘东升;米双山;;基于数学形态学的分形维数计算及在轴承故障诊断中的应用[J];振动与冲击;2010年05期

10 左宪章;康健;李浩;唐力伟;;故障预测技术综述[J];火力与指挥控制;2010年01期

，

本文编号：930339