滾動軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵部件之一,其健康狀態(tài)直接影響到整臺設(shè)備的運(yùn)行。準(zhǔn)確預(yù)測滾動軸承的壽命退化趨勢,可為設(shè)備維護(hù)提供有價值的狀態(tài)信息和足夠的響應(yīng)時間,對保障設(shè)備的正常運(yùn)轉(zhuǎn)和降低滾動軸承的維護(hù)成本具有重大意義。為了充分挖掘滾動軸承原始振動信號所蘊(yùn)含的深層特征信息,自主構(gòu)建性能退化指標(biāo),對滾動軸承剩余壽命進(jìn)行預(yù)測。論文提出一種基于深層迭代特征（DIF）級聯(lián)Cat Boost（Cas Cat Boost）的滾動軸承剩余壽命預(yù)測新方法,該方法是一種改進(jìn)的新型深度森林算法,分別對深度森林中的特征提取部分和剩余壽命預(yù)測模型部分加以改進(jìn)。特征提取方面,針對深度森林中的多粒度掃描結(jié)構(gòu)內(nèi)存消耗較大的問題,將多粒度掃描結(jié)構(gòu)替換為卷積神經(jīng)網(wǎng)絡(luò)（CNN）。對由快速傅里葉變換得到的滾動軸承頻域特征進(jìn)行迭代計算得到迭代特征（IF）。利用CNN具有卷積、權(quán)值共享的特性,對IF進(jìn)一步提取其深層特征并獲得DIF,構(gòu)建性能退化特征集。剩余壽命預(yù)測方面,針對單一模型預(yù)測精度不高,深度森林中的級聯(lián)森林結(jié)構(gòu)運(yùn)算效率較低的問題,將級聯(lián)森林結(jié)構(gòu)替換為Cas Cat Boost。利用Cat Boost泛化能力強(qiáng),可實(shí)現(xiàn)GPU并行... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

PRONOSTIA試驗臺Fig.4-1PRONOSTIAtestbench本文實(shí)驗采用水平方向的加速度值作為實(shí)驗數(shù)據(jù)，實(shí)驗數(shù)據(jù)共包括種工

第4章基于改進(jìn)深度森林的剩余壽命預(yù)測方法-33-圖4-3軸承1_1時域振動信號Fig.4-3Timedomainvibrationsignalofbearing1_1圖4-4軸承1_1頻域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1軸承實(shí)際工作過程中，退化程度隨時間逐漸加深，其失效過程對應(yīng)剩余壽命百分比p從100%到0%的變化，而特征曲線則是對滾動軸承性能退化趨勢的直觀描述。將每個軸承0.1s記錄時間內(nèi)的原始振動信號進(jìn)行FFT處理，得到的頻域幅值作為FFT矩陣的行，按時間順序依次進(jìn)行處理直至軸承失效，以此分別構(gòu)建不同軸承的FFT矩陣，如式(4-5)所示。其中，F(xiàn)FT矩陣中每一列表示滾動軸承從開始運(yùn)行至完全失效的一個特征曲線，以軸承1_1為例，圖4-5為取FFT矩陣第一列繪制的特征曲線，圖4-6為使用式(4-2)對FFT矩陣第一列的頻域幅值進(jìn)行特征迭代得到的IF特征曲線。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一個采樣時間內(nèi)的第一個頻域幅值，F(xiàn)FTmn表示第m個采樣時間內(nèi)的第n個頻域幅值。

第4章基于改進(jìn)深度森林的剩余壽命預(yù)測方法-33-圖4-3軸承1_1時域振動信號Fig.4-3Timedomainvibrationsignalofbearing1_1圖4-4軸承1_1頻域幅值Fig.4-4Frequencydomainamplitudeofbearing1_1軸承實(shí)際工作過程中，退化程度隨時間逐漸加深，其失效過程對應(yīng)剩余壽命百分比p從100%到0%的變化，而特征曲線則是對滾動軸承性能退化趨勢的直觀描述。將每個軸承0.1s記錄時間內(nèi)的原始振動信號進(jìn)行FFT處理，得到的頻域幅值作為FFT矩陣的行，按時間順序依次進(jìn)行處理直至軸承失效，以此分別構(gòu)建不同軸承的FFT矩陣，如式(4-5)所示。其中，F(xiàn)FT矩陣中每一列表示滾動軸承從開始運(yùn)行至完全失效的一個特征曲線，以軸承1_1為例，圖4-5為取FFT矩陣第一列繪制的特征曲線，圖4-6為使用式(4-2)對FFT矩陣第一列的頻域幅值進(jìn)行特征迭代得到的IF特征曲線。mnmnFFTFFTFFTFFT1111(4-5)式中：FFT11表示第一個采樣時間內(nèi)的第一個頻域幅值，F(xiàn)FTmn表示第m個采樣時間內(nèi)的第n個頻域幅值。

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)隨機(jī)森林算法在電機(jī)軸承故障診斷中的應(yīng)用[J]. 李兵,韓睿,何怡剛,張曉藝,侯金波.  中國電機(jī)工程學(xué)報. 2020(04)
[2]基于改進(jìn)深度森林算法的風(fēng)電機(jī)組故障診斷技術(shù)研究[J]. 郭瑩瑩,張磊,肖成,孫培旺.  可再生能源. 2019(11)
[3]基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識別研究[J]. 胡曉依,荊云建,宋志坤,侯銀慶.  振動與沖擊. 2019(18)
[4]基于CatBoost算法的糖尿病預(yù)測方法[J]. 苗豐順,李巖,高岑,王美吉,李冬梅.  計算機(jī)系統(tǒng)應(yīng)用. 2019(09)
[5]SADBN及其在滾動軸承故障分類識別中的應(yīng)用[J]. 楊宇,羅鵬,甘磊,程軍圣.  振動與沖擊. 2019(15)
[6]基于時序圖像深度學(xué)習(xí)的電熔鎂爐異常工況診斷[J]. 吳高昌,劉強(qiáng),柴天佑,秦泗釗.  自動化學(xué)報. 2019(08)
[7]數(shù)據(jù)驅(qū)動的地鐵車門微小故障智能診斷方法[J]. 施文,陸寧云,姜斌,支有冉,許志興.  儀器儀表學(xué)報. 2019(06)
[8]基于強(qiáng)化表征學(xué)習(xí)深度森林的文本情感分類[J]. 韓慧,王黎明,柴玉梅,劉箴.  計算機(jī)科學(xué). 2019(07)
[9]基于集成NSET和模糊軟聚類的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測[J]. 王梓齊,劉長良,劉帥.  儀器儀表學(xué)報. 2019(07)
[10]基于軟篩分停止準(zhǔn)則的改進(jìn)經(jīng)驗?zāi)B(tài)分解及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 彭丹丹,劉志亮,靳亞強(qiáng),秦勇.  機(jī)械工程學(xué)報. 2019(10)

碩士論文
[1]級聯(lián)GA-CatBoost在妊娠期糖尿病預(yù)測診斷中的研究[D]. 崔波.太原理工大學(xué) 2019



本文編號：2993179