發(fā)布時間：2018-05-04 10:06

  本文選題：滾動軸承 + 剩余使用壽命��； 參考：《哈爾濱理工大學(xué)》2017年碩士論文

【摘要】：滾動軸承是旋轉(zhuǎn)機(jī)械設(shè)備中重要的基礎(chǔ)零件之一,一旦出現(xiàn)故障可能會引發(fā)安全事故造成重大經(jīng)濟(jì)損失和惡劣的社會影響。滾動軸承的剩余使用壽命(RUL)是其受損程度的綜合反映,因此,準(zhǔn)確預(yù)測滾動軸承的RUL對旋轉(zhuǎn)機(jī)械的視情維修意義重大。論文建立2種模型對滾動軸承的RUL進(jìn)行預(yù)測。(1)研究滾動軸承的特征提取以及特征約簡方法。提出將包絡(luò)解調(diào)與數(shù)學(xué)形態(tài)學(xué)結(jié)合,提取數(shù)學(xué)形態(tài)學(xué)特征。同時,基于時域、頻域特征指標(biāo)與數(shù)學(xué)形態(tài)學(xué)分形維數(shù)構(gòu)造特征矩陣,并提出多評價標(biāo)準(zhǔn)有效性分析結(jié)合核主成分分析(MCEA-KPCA)的特征約簡方法。(2)研究滾動軸承運行狀態(tài)可靠度的預(yù)測方法。為了保證滾動軸承運行狀態(tài)可靠度的預(yù)測精度同時增加預(yù)測步長,提出一種數(shù)學(xué)形態(tài)學(xué)分形維數(shù)結(jié)合改進(jìn)果蠅優(yōu)化算法-支持向量回歸(IFOA-SVR)的滾動軸承可靠度預(yù)測方法。該方法首先將數(shù)學(xué)形態(tài)學(xué)分形維數(shù)作為軸承性能退化狀態(tài)特征;其次,利用IFOA結(jié)合SVR建立預(yù)測模型,對性能退化特征進(jìn)行預(yù)測,同時利用極大似然估計結(jié)合IFOA建立威布爾比例故障率模型(WPHM),進(jìn)而得到可靠度模型;最后,將預(yù)測結(jié)果嵌入到可靠度模型中,從而預(yù)測出軸承運行狀態(tài)的可靠度,即RUL。(3)研究滾動軸承當(dāng)前使用壽命與全壽命的比值p的預(yù)測方法。針對訓(xùn)練和測試是同工況、同型號,但軸承個體不同的情況,提出MCEA-KPCA結(jié)合組合的支持向量回歸(CSVR)預(yù)測模型的RUL預(yù)測方法。該方法可自適應(yīng)確定每個評價標(biāo)準(zhǔn)的權(quán)重和各SVR模型的權(quán)重,對與訓(xùn)練不同的軸承進(jìn)行測試,將約簡后特征輸入到CSVR預(yù)測模型中,預(yù)測軸承的p值,實驗結(jié)果表明,所提方法可以準(zhǔn)確地對滾動軸承進(jìn)行RUL預(yù)測。
[Abstract]:Rolling bearing is one of the important basic parts in rotating machinery and equipment. Once failure occurs, it may lead to serious economic loss and bad social impact. The residual service life of rolling bearing (RUL) is a comprehensive reflection of its damage degree. Therefore, it is of great significance to accurately predict the RUL of rolling bearing for the maintenance of rotating machinery. In this paper, two models are established to predict the RUL of rolling bearing.) the feature extraction and feature reduction method of rolling bearing are studied. Combining envelope demodulation with mathematical morphology, the feature of mathematical morphology is extracted. At the same time, the feature matrix is constructed based on time domain, frequency domain characteristic index and mathematical morphology fractal dimension. The method of feature reduction of MCEA-KPCA (MCEA-KPCA) is proposed to predict the reliability of rolling bearings. In order to ensure the prediction accuracy of rolling bearing reliability and increase the prediction step, a new method for predicting rolling bearing reliability is proposed, which combines mathematical morphology fractal dimension with improved Drosophila optimization algorithm-support vector regression (SVR) IFOA-SVR. Firstly, the fractal dimension of mathematical morphology is regarded as the characteristic of bearing performance degradation state; secondly, the prediction model is established by using IFOA and SVR to predict the performance degradation characteristics. At the same time, the Weibull proportional failure rate model is established by using maximum likelihood estimation combined with IFOA, and then the reliability model is obtained. Finally, the prediction results are embedded into the reliability model to predict the reliability of the bearing running state. The prediction method of the ratio p of the current service life to the full life of the rolling bearing is studied. In view of the fact that the training and testing are in the same working condition and the same type, but the bearing individual is different, a RUL forecasting method based on MCEA-KPCA combined with support vector regression model is proposed. This method can adaptively determine the weight of each evaluation criterion and each SVR model, test the bearings which are different from the training, and input the reduced features into the CSVR prediction model to predict the p value of the bearings. The proposed method can accurately predict the RUL of rolling bearings.
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 潘鋒;張敏華;;考慮氣象因素SVR算法的短期電力負(fù)荷預(yù)測[J];供用電;2008年01期

2 丁衛(wèi);王建全;;基于SVR回歸的電力系統(tǒng)暫態(tài)穩(wěn)定隱式梯形算法的改進(jìn)[J];江南大學(xué)學(xué)報(自然科學(xué)版);2008年02期

3 胡良謀;曹克強(qiáng);王文棟;徐浩軍;董新民;;基于SVR的非線性系統(tǒng)故障診斷研究[J];機(jī)械科學(xué)與技術(shù);2010年02期

4 王玲;付冬梅;穆志純;;遺傳優(yōu)化的SVR在鋼材力學(xué)性能預(yù)報中的應(yīng)用[J];系統(tǒng)仿真學(xué)報;2009年04期

5 陳榮;梁昌勇;謝福偉;;基于SVR的非線性時間序列預(yù)測方法應(yīng)用綜述[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2013年03期

6 蔡從中;王桂蓮;裴軍芳;朱星鍵;;瀝青生產(chǎn)過程中軟化點的SVR預(yù)測[J];重慶大學(xué)學(xué)報;2011年09期

7 王文超;苗奪謙;陳驥遠(yuǎn);;基于SVR算法的燃?xì)廨啓C(jī)功率預(yù)測研究[J];計算機(jī)科學(xué);2013年S1期

8 胡小平;崔海蓉;朱麗華;王新燕;;基于SVR的隱含風(fēng)險中性概率密度函數(shù)提取(英文)[J];Journal of Southeast University(English Edition);2010年03期

9 榮健;申金娥;鐘曉春;;基于小波和SVR的紅外弱小目標(biāo)檢測方法[J];西南交通大學(xué)學(xué)報;2008年05期

10 夏國恩;金煒東;張葛祥;;改進(jìn)SVR及其在鐵路客運量預(yù)測中的應(yīng)用[J];西南交通大學(xué)學(xué)報;2007年04期

相關(guān)博士學(xué)位論文 前2條

1 劉小雍;基于SVR的非機(jī)理模型建模研究及故障預(yù)測[D];華中科技大學(xué);2015年

2 周曉劍;基于SVR的元建模及其在穩(wěn)健參數(shù)設(shè)計中的應(yīng)用[D];南京理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前8條

1 焦宏超;基于SVR的旋轉(zhuǎn)機(jī)械耦合故障診斷方法研究[D];華北電力大學(xué);2016年

2 許迪;基于磷蝦群算法的SVR滾動軸承性能衰退預(yù)測研究[D];哈爾濱理工大學(xué);2017年

3 葉立強(qiáng);基于SVR的滾動軸承剩余使用壽命預(yù)測方法研究[D];哈爾濱理工大學(xué);2017年

4 錢吉夫;SVR季節(jié)性時間序列預(yù)測模型的構(gòu)建與應(yīng)用[D];華南理工大學(xué);2010年

5 譚艷峰;基于SVR的話務(wù)量預(yù)測模型研究[D];新疆大學(xué);2010年

6 譚慶雙;基于SVR的混凝土/水泥的配合比對其抗壓強(qiáng)度影響規(guī)律的研究[D];重慶大學(xué);2014年

7 周曉劍;拉斯噪聲和均勻噪聲下SVR的魯棒性研究[D];江南大學(xué);2008年

8 劉幫;多核SVR在污水處理出水指標(biāo)建模中的應(yīng)用研究[D];湖南工業(yè)大學(xué);2015年

，

本文編號：1842622