發(fā)布時(shí)間：2018-11-23 07:38

【摘要】：滾動(dòng)軸承作為大型旋轉(zhuǎn)機(jī)械設(shè)備中的關(guān)鍵零部件之一,對(duì)保證機(jī)械設(shè)備正常運(yùn)行起著舉足輕重的作用。因此對(duì)其提前進(jìn)行預(yù)知維修具有非常重要的意義。而振動(dòng)信號(hào)特征提取的好壞直接影響著衰退過(guò)程的變化趨勢(shì)及預(yù)測(cè)精度。如何建立正確的軸承退化評(píng)價(jià)指標(biāo)關(guān)系到預(yù)測(cè)結(jié)果的準(zhǔn)確性。在滾動(dòng)軸承發(fā)生故障之前采取相應(yīng)的措施,從而避免其事故的發(fā)生,對(duì)保證設(shè)備能夠正常運(yùn)行至關(guān)重要。本文在滾動(dòng)軸承現(xiàn)有的振動(dòng)信號(hào)特征提取方法的基礎(chǔ)上,提出了CEEMD和小波包半軟閾值相結(jié)合的特征提取方法,此方法區(qū)別于傳統(tǒng)時(shí)域、頻域、時(shí)頻域特征。在保證了原始信號(hào)的完整性的基礎(chǔ)上,對(duì)高頻振動(dòng)信號(hào)中的噪聲進(jìn)行濾除,并通過(guò)試驗(yàn)驗(yàn)證,與其它時(shí)頻方法的特征提取效果進(jìn)行了對(duì)比,驗(yàn)證了該方法的有效性。針對(duì)上述提出的改進(jìn)的特征提取方法,本文在得到多個(gè)特征參數(shù)的基礎(chǔ)上對(duì)高維特征集進(jìn)行降維處理,針對(duì)PCA、KPCA的缺點(diǎn)提出了LLE與模糊C均值相結(jié)合的方法,將LLE聚類(lèi)后再經(jīng)模糊C均值二次聚類(lèi),通過(guò)試驗(yàn)驗(yàn)證,對(duì)比了軸承內(nèi)圈不同衰退程度的聚類(lèi)效果。針對(duì)傳統(tǒng)支持向量回歸機(jī)預(yù)測(cè)精度低的問(wèn)題,提出了一種基于磷蝦群算法的多變量支持向量回歸機(jī)預(yù)測(cè)方法,采用了磷蝦群覓食原則,選取支持向量回歸機(jī)中的最優(yōu)參數(shù)C、?的取值,并對(duì)遺傳算法和磷蝦群算法進(jìn)行試驗(yàn)驗(yàn)證,進(jìn)而準(zhǔn)確預(yù)測(cè)滾動(dòng)軸承內(nèi)圈衰退趨勢(shì)。最后采用辛辛那提大學(xué)滾動(dòng)軸承全壽命試驗(yàn)數(shù)據(jù),應(yīng)用本文方法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行多種方法特征提取,并對(duì)滾動(dòng)軸承內(nèi)圈不同衰退過(guò)程進(jìn)行階段性劃分,通過(guò)三組不同待預(yù)測(cè)的輸入特征,對(duì)滾動(dòng)軸承的全生命周期退化趨勢(shì)進(jìn)行預(yù)測(cè)。證明了本文方法預(yù)測(cè)精度高且信息更全面,對(duì)滾動(dòng)軸承的性能衰退預(yù)測(cè)研究具有重要意義。
[Abstract]:As one of the key parts in large rotating machinery, rolling bearing plays an important role in ensuring the normal operation of machinery and equipment. Therefore, it is very important to carry out predictive maintenance in advance. The feature extraction of vibration signal has a direct impact on the trend of decline and prediction accuracy. How to establish the correct evaluation index of bearing degradation is related to the accuracy of prediction results. It is very important to take the corresponding measures before the rolling bearing failure to avoid the accident. Based on the existing vibration signal feature extraction methods of rolling bearings, a new feature extraction method based on CEEMD and wavelet packet semi-soft threshold is proposed in this paper, which is different from the traditional time domain, frequency domain and time-frequency domain. On the basis of ensuring the integrity of the original signal, the noise in the high frequency vibration signal is filtered, and compared with other time-frequency methods, the effectiveness of the method is verified by experiments. In view of the improved feature extraction method proposed above, this paper deals with the dimensionality reduction of the high Vitert collection on the basis of obtaining several feature parameters, and puts forward the method of combining LLE with fuzzy C-means in view of the shortcomings of PCA,KPCA. After LLE clustering and fuzzy C-means quadratic clustering, the clustering effect of bearing inner ring with different degrees of decline is compared by experiments. Aiming at the problem of low prediction accuracy of traditional support vector regression machine, a multivariable support vector regression method based on krill swarm algorithm is proposed. The feeding principle of krill colony is adopted, and the optimal parameter Con in support vector regression machine is selected. The genetic algorithm and the krill swarm algorithm are tested to predict the decline trend of rolling bearing inner ring accurately. Finally, using the data of the rolling bearing life test at the University of Cincinnati, the vibration signals of the rolling bearing are extracted by the method in this paper, and the different decline process of the inner ring of the rolling bearing is divided into stages. The whole life cycle degradation trend of rolling bearings is predicted by three groups of different input features to be predicted. It is proved that this method has high prediction accuracy and more comprehensive information, which is of great significance to the research of rolling bearing performance decline prediction.
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：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(cè)[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(bào)(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(xiàn)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(bào)中的應(yīng)用[J];系統(tǒng)仿真學(xué)報(bào);2009年04期

5 陳榮;梁昌勇;謝福偉;;基于SVR的非線(xiàn)性時(shí)間序列預(yù)測(cè)方法應(yīng)用綜述[J];合肥工業(yè)大學(xué)學(xué)報(bào)(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(guò)程中軟化點(diǎn)的SVR預(yù)測(cè)[J];重慶大學(xué)學(xué)報(bào);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(cè)研究[J];計(jì)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(xiǎn)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(cè)方法[J];西南交通大學(xué)學(xué)報(bào);2008年05期

10 夏國(guó)恩;金煒東;張葛祥;;改進(jìn)SVR及其在鐵路客運(yùn)量預(yù)測(cè)中的應(yīng)用[J];西南交通大學(xué)學(xué)報(bào);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(cè)[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(jì)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(dòng)軸承性能衰退預(yù)測(cè)研究[D];哈爾濱理工大學(xué);2017年

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

4 錢(qián)吉夫;SVR季節(jié)性時(shí)間序列預(yù)測(cè)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(huà)務(wù)量預(yù)測(cè)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(duì)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(hào)：2350803