基于灰色关联度和ELM的轴承性能退化趋势预测

发布时间：2021-04-25 07:55

　　为了及时发现轴承运行状态的异常信息,避免因轴承故障带来的严重后果,文章采用灰色关联度分析和极限学习机（ELM）相结合的方法对滚动轴承性能退化趋势进行预测。将滚动轴承运转的全寿命数据进行连续分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据关联度值的变化判断轴承健康状态;采用极限学习机（ELM）建立轴承健康性能退化模型,以灰色关联度作为健康性能指标,对轴承的性能退化趋势进行预测。研究结果表明,灰色关联度比均方根指标能更早地发现轴承的异常,ELM预测的关联度值与实际关联度值变化趋势一致性较好,当关联度真实值突然连续低于ELM预测范围临界值时,认为轴承性能恶化。 

【文章来源】：组合机床与自动化加工技术. 2019,(11)北大核心

【文章页数】：4 页

【文章目录】：
0 引言
1 基本理论
    1.1 灰色关联度
        （1）数列的初值化处理
        （2）求差序列,获得两级最小差与最大差
        （3）关联系数和关联度的计算
    1.2 极限学习机（ELM）
2 基于灰色关联度和ELM的轴承性能退化 趋势预测
    2.1 实验数据及处理流程
    2.2 轴承运行状态的时域分析
    2.3 轴承性能退化趋势预测
3 结论


【参考文献】：
期刊论文
[1]基于变分模态分解和极限学习机轴承寿命预测[J]. 王新,汪东甲.  制造业自动化. 2018(11)
[2]基于自回归求和滑动平均模型的风力发电机轴承寿命预测[J]. 董海鹰,王瑞军,顾瑶琴.  系统仿真技术. 2017(03)
[3]基于隐马尔科夫模型的滚动轴承性能退化评估[J]. 周建民,郭慧娟,张龙.  华东交通大学学报. 2017(04)
[4]灰色极限学习机在滚动轴承故障预测中的应用[J]. 徐遥.  计算机测量与控制. 2017(07)
[5]基于EMD及灰色关联度的滑动轴承润滑状态故障诊断研究[J]. 卢绪祥,苏一鸣,吴家腾,李录平.  动力工程学报. 2016(01)
[6]基于灰色关联度的形态滤波及滚动轴承故障诊断中应用[J]. 文成,周传德.  振动与冲击. 2015(14)
[7]小波包样本熵灰色关联度轴承故障诊断[J]. 付元华,罗仁泽.  组合机床与自动化加工技术. 2015(07)
[8]基于PCA和多变量极限学习机的轴承剩余寿命预测[J]. 何群,李磊,江国乾,谢平.  中国机械工程. 2014(07)
[9]灰色系统理论在设备故障诊断中的应用[J]. 段志善,闻邦椿.  东北工学院学报. 1990(04)

硕士论文
[1]旋转机械故障特征提取及性能退化评估研究[D]. 成俊良.华东交通大学 2018
[2]大型风力发电机主轴承退化状态预测方法研究[D]. 魏巍.沈阳工业大学 2018
[3]基于全矢极限学习机的轴承故障预测研究[D]. 赵伟杰.郑州大学 2017
[4]基于极限学习机的设备故障预测方法及应用研究[D]. 齐放.北京化工大学 2016
[5]基于极限学习机的风机机械传动部件剩余寿命预测研究[D]. 李磊.燕山大学 2015



本文编号：3159023