【摘要】：研究滾動(dòng)軸承剩余壽命預(yù)測(cè)技術(shù),對(duì)保障機(jī)械設(shè)備運(yùn)行的安全性和維修決策十分重要。為研究在實(shí)際工況下對(duì)滾動(dòng)軸承進(jìn)行壽命預(yù)測(cè)的方法,從信號(hào)盲源分離,特征提取和壽命預(yù)測(cè)三個(gè)方面深入研究,對(duì)粒子濾波算法進(jìn)行改進(jìn),得到多策略協(xié)同進(jìn)化的粒子濾波算法,并將其應(yīng)用于滾動(dòng)軸承的壽命預(yù)測(cè)。通過實(shí)驗(yàn)證明,該方法對(duì)軸承壽命預(yù)測(cè)的精度和準(zhǔn)確度有較大的提高。本文主要研究內(nèi)容如下:1.采用基于自適應(yīng)最稀疏時(shí)頻分析(adaptive and sparsest time-frequency analysis,ASTFA)的盲源分離(Blind Source Separation,BSS)算法對(duì)仿真信號(hào)和實(shí)驗(yàn)信號(hào)進(jìn)行盲源分離。2.提出了一個(gè)用于軸承剩余壽命預(yù)測(cè)的新特征指標(biāo)——加權(quán)融合指標(biāo)(Weighted Fusion Index,WFI)。從軸承的振動(dòng)信號(hào)中提取出的各種特征參數(shù)經(jīng)過趨勢(shì)性能評(píng)估和聚類分析后得到加權(quán)融合指標(biāo),該特征具備跟蹤軸承衰退趨勢(shì)的良好性能。3.將加權(quán)融合指標(biāo)代入Paris-Erdogan模型中,初始化狀態(tài)模型參數(shù)后,采用粒子濾波算法對(duì)模型參數(shù)進(jìn)行實(shí)時(shí)更新,最后根據(jù)退化系統(tǒng)未來時(shí)刻的狀態(tài)遞推預(yù)測(cè)剩余壽命。通過實(shí)驗(yàn)驗(yàn)證基于粒子濾波算法對(duì)滾動(dòng)軸承的壽命預(yù)測(cè)效果。4.提出了一個(gè)改進(jìn)的粒子濾波算法——多策略協(xié)同進(jìn)化的粒子濾波算法�？紤]到粒子濾波算法中存在的粒子退化和粒子多樣性喪失現(xiàn)象,改進(jìn)重采樣過程,提出自適應(yīng)的適應(yīng)度函數(shù),引導(dǎo)重采樣后的粒子樣本朝著后驗(yàn)概率密度取值較高的位置方向進(jìn)化,同時(shí)使粒子多策略差分進(jìn)化,提高粒子權(quán)值和粒子多樣性,從而提高算法的精確度。通過實(shí)驗(yàn)證明,改進(jìn)后的粒子濾波算法對(duì)軸承壽命預(yù)測(cè)的精度和準(zhǔn)確度要優(yōu)于粒子濾波算法。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133.3
【圖文】：

提取軸承的振動(dòng)信號(hào)。而盲源分離方法是一種強(qiáng)大的信號(hào)處理方法信號(hào)之間的統(tǒng)計(jì)獨(dú)立性，從混合信號(hào)中尋找獨(dú)立成分，從而將其分離盲源分離方法從實(shí)際工作情況中得到的多源機(jī)械信號(hào)中分離出與軸。二步：從軸承的原始振動(dòng)信號(hào)中提取并選擇特征指標(biāo)[19]。選取合適衰退趨勢(shì)的特征指標(biāo)是對(duì)軸承進(jìn)行壽命預(yù)測(cè)的重要部分，為了提高測(cè)的準(zhǔn)確性[4]，必須提取并選擇哪些特征作為壽命預(yù)測(cè)的依據(jù)，所多特征參數(shù)中選取最合適的特征指標(biāo)也是需要研究的方向�；诮y(tǒng)指標(biāo)選擇與融合可以選取出跟蹤軸承衰退趨勢(shì)的特征指標(biāo)。三步：將選取的特征指標(biāo)代入 Paris-Erdogan 模型中，采用粒子濾波承進(jìn)行壽命預(yù)測(cè)。采用粒子濾波算法是為了對(duì)模型參數(shù)進(jìn)行更新，承壽命預(yù)測(cè)的精準(zhǔn)度，對(duì)粒子濾波算法進(jìn)行改進(jìn)，提出多策略協(xié)同波算法。文的總體研究思路如圖 1.1�；�

圖 2.1 BSS 示意圖信號(hào)進(jìn)行盲源分離，目前已有很多種算法。BSS 一般基于，并結(jié)合合適高效的方法構(gòu)造用于分離混合信號(hào)的矩陣，的形式。優(yōu)化模型中可選取互信息、KL 散度、最大似然估盲源分離信號(hào)混合信號(hào)不同的混合方式，可以采用相應(yīng)優(yōu)圖 2.2 利用先驗(yàn)知識(shí)的基本盲源分離方法相互獨(dú)立、非高斯、ICA非穩(wěn)態(tài)、時(shí)變方差譜和空間多樣性 時(shí)序結(jié)構(gòu)、線性可預(yù)

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊宇;何知義;李紫珠;程軍圣;;ASTFA-BSS方法及其在齒輪箱復(fù)合故障診斷中的應(yīng)用[J];中國機(jī)械工程;2015年15期

2 匡芳君;金忠;徐蔚鴻;張思揚(yáng);;Tent混沌人工蜂群與粒子群混合算法[J];控制與決策;2015年05期

3 王爾申;李興凱;龐濤;;基于BP神經(jīng)網(wǎng)絡(luò)的粒子濾波算法[J];智能系統(tǒng)學(xué)報(bào);2014年06期

4 胥楓;張桂珠;趙芳;吳德龍;;一種自適應(yīng)交替的差分混合蛙跳優(yōu)化算法[J];計(jì)算機(jī)工程;2014年08期

5 李長杰;謝小東;明新國;;基于狀態(tài)監(jiān)測(cè)的民機(jī)機(jī)載設(shè)備壽命預(yù)測(cè)方法現(xiàn)狀研究[J];機(jī)械制造;2013年08期

6 王英;呂文元;王奕嬌;王麗麗;王金武;;基于隨機(jī)濾波法的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2013年08期

7 孫磊;賈云獻(xiàn);蔡麗影;張星輝;;粒子濾波參數(shù)估計(jì)方法在齒輪箱剩余壽命預(yù)測(cè)中的應(yīng)用研究[J];振動(dòng)與沖擊;2013年06期

8 陳志敏;薄煜明;吳盤龍;段文勇;劉正凡;;基于自適應(yīng)粒子群優(yōu)化的新型粒子濾波在目標(biāo)跟蹤中的應(yīng)用[J];控制與決策;2013年02期

9 周喜虎;高興寶;;具有時(shí)間因子的粒子群優(yōu)化算法[J];紡織高�；A(chǔ)科學(xué)學(xué)報(bào);2011年02期

10 何兵;車林仙;劉初升;;一種蛙跳和差分進(jìn)化混合算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年18期

相關(guān)博士學(xué)位論文 前1條

1 李麗敏;統(tǒng)計(jì)聚類和粒子濾波在故障診斷中的應(yīng)用研究[D];西北工業(yè)大學(xué);2014年

本文編號(hào)：2712558