【摘要】：滾動軸承是旋轉(zhuǎn)機械系統(tǒng)中最常見和最重要的基礎(chǔ)零部件之一,是與另一部件接觸做相對運動并承受載荷的零件,其功能決定了滾動軸承常處于惡劣的工作環(huán)境之下。受潤滑、溫度以及機械振動的影響,滾動軸承特別容易出現(xiàn)故障,而滾動軸承一旦出現(xiàn)故障,在當下機械系統(tǒng)各部件聯(lián)系越來越緊密的趨勢下可能會引發(fā)一連串連鎖反應(yīng),導(dǎo)致機械系統(tǒng)癱瘓,造成無法預(yù)測的安全事故和重大經(jīng)濟損失。滾動軸承的剩余使用壽命是它受損傷程度的綜合反映,如果能對滾動軸承的剩余使用壽命進行準確預(yù)測,那么就可以及時發(fā)現(xiàn)并排除故障,將定時維修改為視情維修,即可有效的降低事故發(fā)生的可能性。因此準確的預(yù)測滾動軸承剩余壽命對于實現(xiàn)視情維修有著重要意義。本論文以滾動軸承為研究對象,建立了基于改進粒子群算法優(yōu)化SVM(Support Vector Machine,SVM)的滾動軸承剩余使用壽命預(yù)測模型,并用試驗數(shù)據(jù)進行了驗證。(1)研究了基于滾動軸承振動信號的特征指標提取及特征指標約簡方法。針對單一指標無法全面描述滾動軸承性能退化趨勢的缺點,提取了常用時域、頻域共23個指標描述軸承性能退化趨勢。由于23個特征指標之間存在數(shù)據(jù)冗余的現(xiàn)象,且特征維數(shù)較高,必會造成預(yù)測模型泛化能力變差,因此引入了基于主成分分析的數(shù)據(jù)降維方法用于降低數(shù)據(jù)的冗余和維數(shù),并將處理后的數(shù)據(jù)作為新的特征指標輸入到滾動軸承剩余使用壽命預(yù)測模型中,用以預(yù)測滾動軸承的剩余使用壽命。(2)由于支持向量機中參數(shù)的選擇對模型的泛化能力有較大的影響,且參數(shù)的選擇沒有固定的方法,常常依靠個人的經(jīng)驗選取,導(dǎo)致模型的性能變差,因此本文提出了一種基于粒子群算法優(yōu)化支持向量機參數(shù)的方法。由于標準粒子群算法在尋找最優(yōu)解過程中常常陷入局部最優(yōu)解,針對這一缺點,本文提出了一種改進的粒子群算法并將其應(yīng)用到滾動軸承剩余使用壽命預(yù)測模型中。(3)通過美國辛辛那提大學(xué)滾動軸承全壽命試驗數(shù)據(jù)和BPS試驗臺數(shù)據(jù)對本文建立的模型進行了驗證,結(jié)果表明基于粒子群算法優(yōu)化支持向量的滾動軸承剩余使用壽命預(yù)測模型可以準確的對滾動軸承的剩余使用壽命進行預(yù)測。對比未經(jīng)過改進的粒子群算法優(yōu)化支持向量機的滾動軸承剩余使用壽命預(yù)測模型,結(jié)果表明經(jīng)過對粒子群算法改進后,滾動軸承剩余使用壽命預(yù)測模型泛化能力更好,預(yù)測結(jié)果更精確。本文的研究工作可以為滾動軸承的剩余使用壽命預(yù)測提供理論支撐,具有一定的理論價值。
【圖文】：

個粒子的個體學(xué)習(xí)因子，2c 為每個粒子的社會學(xué)習(xí)2r 為 0 到 1 之間的隨機數(shù)。如下：子群，包括群體規(guī)模 N ，每個粒子的初始位置iX 粒子的適應(yīng)度值，把粒子當前位置輸入到目標優(yōu)化粒子當前適應(yīng)度值和粒子之前最佳位置所對應(yīng)的當前適應(yīng)度值更高，則將用當前粒子的位置來更新gP ；粒子的個體歷史最佳位置所對應(yīng)的適應(yīng)度值并與全作比較，如果出現(xiàn)某個粒子的適應(yīng)度值更高，則用位置bestg ；更新每個粒子的速度與位置；束條件(滿足迭代次數(shù)或誤差足夠小)則終止尋優(yōu)，算法的流程圖如圖 3-1 所示。

(4)將這 k 次所得的 k 個準確率的平均值作為已選定參數(shù)的模型的正確，即適應(yīng)度值，用來評價粒子位置的優(yōu)劣。5.2 基于改進粒子群算法優(yōu)化支持向量機模型的建立流程通過前文介紹可知，SVM 在做回歸預(yù)測時需要選擇適當?shù)膮?shù)才能得到好的預(yù)測效果。參數(shù)中影響最大的有懲罰參數(shù) C 和核函數(shù)參數(shù)寬度g，選合適的參數(shù)能夠有效避免欠擬合和過擬合發(fā)生[50]。因此，本文采用改進的子群算對 SVM 中參數(shù) C、g進行尋優(yōu)，建立模型具體流程如圖 3-2 所示。
【學(xué)位授予單位】：石家莊鐵道大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TH133.33

【相似文獻】

相關(guān)期刊論文 前10條

1 葉志雄;王丹弘;;基于海量數(shù)據(jù)的不平衡SVM增量學(xué)習(xí)的釣魚網(wǎng)站檢測方法[J];電信工程技術(shù)與標準化;2016年12期

2 齊興;;結(jié)合主方向和SVM的人臉表情識別[J];廊坊師范學(xué)院學(xué)報(自然科學(xué)版);2016年04期

3 馮東梅;吳健偉;;礦井突水水源的SVM識別方法[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);2017年01期

4 楊清;文紅;陳松林;王玉秀;;基于SVM算法的移動智能終端安全等級分級模型[J];通信技術(shù);2017年04期

5 滿宴辰;楊成佳;;圖像視覺顯著性和改進型SVM在圖像分割中的研究[J];通訊世界;2017年08期

6 程鳳偉;;一種基于決策樹的SVM算法[J];太原學(xué)院學(xué)報(自然科學(xué)版);2017年01期

7 吳翠穎;周濤;陸惠玲;姚中寶;王媛媛;楊鵬飛;;基于集成SVM的肺部腫瘤PET/CT三模態(tài)計算機輔助診斷方法[J];生物醫(yī)學(xué)工程研究;2017年03期

8 湯海花;;基于SVM的醫(yī)藥企業(yè)財務(wù)危機預(yù)警研究[J];中國集體經(jīng)濟;2017年29期

9 王芳;吳志泉;史紅權(quán);;SVM在空中目標威脅值評估中的應(yīng)用[J];火力與指揮控制;2017年09期

10 楊海蘭;周培祥;;基于SVM的中國家族企業(yè)引入外部職業(yè)經(jīng)理人風(fēng)險預(yù)測研究[J];經(jīng)濟體制改革;2017年05期

相關(guān)會議論文 前10條

1 李薇;劉琦;馬占鴻;;基于SVM法的小麥條銹病潛育期冠層高光譜識別研究[A];植�？萍紕�(chuàng)新與農(nóng)業(yè)精準扶貧——中國植物保護學(xué)會2016年學(xué)術(shù)年會論文集[C];2016年

2 楊鎮(zhèn)宇;祝詩平;;基于機器視覺和SVM的花椒外觀品質(zhì)檢測[A];2009全國虛擬儀器大會論文集（二）[C];2009年

3 張國棟;朱明華;余圣甫;張建強;李志遠;;藥芯焊絲飛濺率的SVM模型研究[A];第十五次全國焊接學(xué)術(shù)會議論文集[C];2010年

4 司愛威;馮輔周;江鵬程;饒國強;王建;;基于可變風(fēng)險SVM模型的故障識別方法研究[A];第十屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集（2011）上冊[C];2011年

5 滕衛(wèi)平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預(yù)報中的應(yīng)用研究[A];S1 災(zāi)害天氣研究與預(yù)報[C];2012年

6 陳志建;宋家驊;程琳;;基于小波SVM的高速公路交通事件檢測算法[A];城市交通發(fā)展模式轉(zhuǎn)型與創(chuàng)新——中國城市交通規(guī)劃2011年年會暨第25次學(xué)術(shù)研討會論文集[C];2014年

7 朱蕾;朱國棟;石江;;SVM方法在烏魯木齊機場跑道視程預(yù)測中的應(yīng)用[A];中國氣象學(xué)會2007年年會天氣預(yù)報預(yù)警和影響評估技術(shù)分會場論文集[C];2007年

8 王薇;李曉輝;;CDMA系統(tǒng)中基于SVM的多用戶檢測算法[A];第十九屆電工理論學(xué)術(shù)年會論文集[C];2007年

9 王紅軍;徐小力;付瑤;;基于SVM的旋轉(zhuǎn)機械故障診斷知識獲取[A];第八屆全國設(shè)備與維修工程學(xué)術(shù)會議、第十三屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2008年

10 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 張元俠;基于SVM學(xué)習(xí)模型的換擋決策研究[D];吉林大學(xué);2019年

2 張婧;基于SVM的肺結(jié)節(jié)自動識別方法研究[D];華南理工大學(xué);2011年

3 歐陽玲;基于遙感和SVM模型的松嫩平原南部耕地質(zhì)量評價[D];中國科學(xué)院大學(xué)(中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所);2017年

4 陳沅濤;圖像視覺顯著性和改進型SVM在圖像分割中的研究[D];南京理工大學(xué);2014年

5 張克;基于地震正演模擬和SVM的煤與瓦斯突出危險區(qū)預(yù)測研究[D];中國礦業(yè)大學(xué);2011年

6 宋國明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

7 陳志茹;基于SVM集成學(xué)習(xí)的miRNA靶基因預(yù)測研究[D];燕山大學(xué);2015年

8 陳梅香;基于SVM和GIS的梨小食心蟲預(yù)測系統(tǒng)的研究[D];北京林業(yè)大學(xué);2010年

9 江娜;SVM及其在船舶航向控制系統(tǒng)故障預(yù)報中的應(yīng)用研究[D];哈爾濱工程大學(xué);2008年

10 黃劍鋒;基于振動信號SVM的管殼式換熱器堵塞故障診斷方法研究[D];華南理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 朱旭f;基于多傳感器特征融合和SVM的跌倒檢測系統(tǒng)設(shè)計[D];廣東工業(yè)大學(xué);2019年

2 王霄;基于SVM的滬深300指數(shù)量化擇時策略實證研究[D];蘭州大學(xué);2019年

3 馬園園;基于SVM的密封電子元器件組件信號識別技術(shù)開發(fā)[D];黑龍江大學(xué);2019年

4 靳浩楊;基于SVM技術(shù)的音頻分類事件識別[D];內(nèi)蒙古科技大學(xué);2019年

5 孫晨光;基于PSO優(yōu)化SVM的滾動軸承剩余使用壽命預(yù)測研究[D];石家莊鐵道大學(xué);2019年

6 鄭留洋;基于車聯(lián)網(wǎng)數(shù)據(jù)的貨車出行風(fēng)險畫像與影響因素分析[D];北京交通大學(xué);2019年

7 趙云飛;基于SVM的風(fēng)電工程項目風(fēng)險評價及防控措施研究[D];華北電力大學(xué)(北京);2019年

8 許麗;用SVM回歸實驗對大氣污染數(shù)據(jù)的處理研究[D];天津財經(jīng)大學(xué);2018年

9 王洪兵;SVM集成與增量算法在入侵檢測中的應(yīng)用研究[D];武漢理工大學(xué);2018年

10 代瑜;基于SVM與LDA的WEB正文提取[D];武漢工程大學(xué);2018年

，

本文編號：2598292