【摘要】：滾動軸承是旋轉(zhuǎn)機械中的重要部件之一,復雜的工作環(huán)境及運行狀態(tài),導致其極易受損,進而影響機械的運轉(zhuǎn)。滾動軸承剩余使用壽命(RUL)預測可為預防性維修決策提供理論依據(jù),提前為故障維修制定良好的方案,從而提高整個機械設備的運行周期和避免事故的發(fā)生。數(shù)據(jù)驅(qū)動方法是滾動軸承RUL預測的有效方法之一,主要包括數(shù)據(jù)獲取、特征處理以及RUL預測三部分。論文以建立滾動軸承RUL預測方法為主線,從特征提取、RUL預測兩方面逐步展開研究。特征提取方面,為全面準確地表征滾動軸承的性能退化趨勢,首先使用五點三次平滑法對原始振動信號進行平滑處理,消減原始振動信號中干擾噪聲成分。再采用變分模態(tài)分解(VMD)將平滑后的原始振動信號分解為若干模態(tài),提取每個模態(tài)的時域、頻域特征,最后構(gòu)建原始特征集。針對不同滾動軸承不同特征幅值范圍不一致的問題,研究相似性度量方法,并對構(gòu)造的特征集歸一化和降維處理。同時為得到具有單調(diào)性、穩(wěn)定性和相似性的特征,提出一種全新的循環(huán)增強特征(CEF),作為軸承的性能退化特征。經(jīng)實驗對比驗證了所提CEF特征的有效性。RUL預測模型方面,包括構(gòu)建核極限學習機(KELM)預測模型和集成KELM預測模型兩部分。針對單一預測模型存在預測誤差較大的問題,提出基于隨機森林(RF)的集成KELM預測模型。將多滾動軸承的CEF輸入到多個KELM中,由RF集成算法構(gòu)建強預測器模型KELM-RF,進而預測未來失效時間并計算RUL。為使得到的RUL更加準確,利用二階指數(shù)平滑法對當前壽命進行擬合,預測出未來各點壽命趨勢。實驗結(jié)果表明,所提方法與單一極限學習機(ELM)和傳統(tǒng)的集成方法相比較具有更高的預測準確率。
【學位授予單位】：哈爾濱理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.33
【圖文】：

圖 2-1 軸承 1_1 振動信號 VMD 圖Fig. 2-1 VMD diagram of vibration signal of bearing 1_1MD 是將信號分解轉(zhuǎn)換為一種求解非遞歸變分問題的方法。VMD定的魯棒性，并且可以將中心頻率相似的兩個模態(tài)分量有效的分

圖 2-2 軸承 1_1RMS 五點平滑法前后對比Fig. 2-2 RMS comparison before and after five-point smoothing method for the bearing 1_假設軸承的原始振動信號有 n 個樣本，經(jīng)過 VMD 后利用公式(2-11)至(2別提取敏感 BIMF 分量的 7 個時域特征指標和 17 個頻域特征指標，構(gòu)成原征集，如式(2-36)和(2-37)所示：

【相似文獻】

相關(guān)期刊論文 前10條

1 張雪英;張樂;孫穎;張衛(wèi);;基于KELM決策融合的語音情感識別[J];電子技術(shù)應用;2017年08期

2 李軍;石青;;基于KELM的連續(xù)攪拌反應釜模型辨識[J];控制工程;2017年10期

3 吳越;陳志聰;吳麗君;林培杰;;基于KELM的光伏組件故障診斷方法[J];電源技術(shù);2018年04期

4 胡夢月;胡志堅;仉夢林;傅晨宇;;基于改進AdaBoost.RT和KELM的風功率預測方法研究[J];電網(wǎng)技術(shù);2017年02期

5 楊蘊;宋健;朱琳;吳劍鋒;王錦國;;基于KELM地面沉降替代模型的地下水多目標管理模型研究[J];南京大學學報(自然科學);2019年03期

6 謝國民;黃睿靈;丁會巧;;基于VMD樣本熵和KELM的輸電線路故障診斷[J];電子測量與儀器學報;2019年05期

7 吳憲;崔亞男;代以;曹曉;;基于KELM的軸承故障診斷方法[J];內(nèi)江科技;2018年12期

8 王冬梅;車一鳴;宋慧欣;;基于多尺度基本熵和參數(shù)優(yōu)化KELM的電機軸承故障診斷[J];組合機床與自動化加工技術(shù);2018年04期

9 杜幫俊;陸慧娟;嚴珂;鄭文斌;;PSO和Cholesky分解的KELM的基因表達數(shù)據(jù)分類[J];中國計量學院學報;2016年02期

10 曹文彬;王先培;田猛;趙樂;姚鴻泰;趙浩程;;基于KELM和AT的SF_6變壓器故障診斷[J];變壓器;2018年12期

相關(guān)會議論文 前2條

1 寧春霞;杜大軍;;基于KELM的風電功率預測誤差估計研究[A];第17屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集（17th CCSSTA 2016）[C];2016年

2 張衛(wèi);張雪英;何淑琳;;人工蜂群算法用于優(yōu)化KELM參數(shù)的研究及應用[A];第十三屆全國人機語音通訊學術(shù)會議(NCMMSC2015)論文集[C];2015年

相關(guān)碩士學位論文 前3條

1 孫良棚;基于CEF和集成KELM的滾動軸承RUL預測方法研究[D];哈爾濱理工大學;2019年

2 張樂;面向語音情感識別的IMFE特征提取算法和融合KELM識別算法研究[D];太原理工大學;2017年

3 譚江慧;基于KELM的靜態(tài)手勢識別[D];華南理工大學;2017年

本文編號：2728516