發(fā)布時間：2017-05-11 00:11

  本文關鍵詞：基于流形學習的滾動軸承性能退化趨勢預測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：空間滾動軸承作為空間機械設備的關鍵部件,其工作性能的好壞直接影響到整機的正常運行�？臻g滾動軸承的運行環(huán)境極端惡劣,容易造成軸承在運行一段時間后產(chǎn)生各種各樣的缺陷,隨著其繼續(xù)運轉(zhuǎn),初始缺陷進一步擴展,其運行狀態(tài)和性能逐漸退化。并且,由于空間場合軸承應用的限制,空間滾動軸承不可能更換,也不可能采用備份來保證軸承的可靠性,所以軸承一旦出現(xiàn)問題,將導致整個空間活動部件的失效甚至毀壞。目前只能開展地面模擬空間環(huán)境下滾動軸承性能退化趨勢預測的方法研究。因此,需要研究地面模擬空間環(huán)境下滾動軸承性能退化趨勢預測的方法。采集滾動軸承的振動信號進行處理分析,實現(xiàn)其性能退化趨勢預測,準確及時地判斷其運行狀態(tài)是否變化,預測其運行狀態(tài)的發(fā)展趨勢,為其設計與維護提供指導依據(jù),避免人員傷亡和設備的損失。基于振動信號的空間滾動軸承性能退化趨勢預測可以為軸承可靠性評估和剩余壽命預測提供依據(jù)。空間活動件結(jié)構(gòu)復雜,各零部件間振動信號疊加和耦合,且空間滾動軸承的工作環(huán)境惡劣、運行工況多變,導致其振動信號有噪聲大,非線性等特性�？臻g滾動性能退化趨勢預測孕育于正常狀態(tài),沒有明顯故障,特征十分微弱。而滾動軸承趨勢預測的關鍵就在于提取能表征其運行狀態(tài)的特征指標,以全面、準確地反映其運行狀態(tài)。因此,研究一種具有非線性降噪、能建立起敏感特征指標的性能退化趨勢預測方法具有重要意義。目前,基于振動信號的趨勢預測方法因各自的局限性,都還不能全面、準確地反映空間滾動軸承的運行狀態(tài)。近年來,流形學習得到了廣泛應用與發(fā)展。流形學習是數(shù)據(jù)的一種非線性降維方法,可以有效地挖掘出嵌入在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu),將其應用于空間滾動軸承性能趨勢預測具有重要意義。因此,論文基于流形學習方法,結(jié)合其他信號分析方法,深入研究了基于流形學習的空間滾動軸承性能退化趨勢預測的方法。具體內(nèi)容安排如下:①針對空間滾動軸承信號強噪聲干擾大、非線性的問題,提出了自適應鄰域的流形學習降噪方法。首先通過相空間重構(gòu)將一維非線性時間序列重構(gòu)到高維空間,充分顯露出非線性序列中所蘊含的信息。再利用局部切空間排列流形算法把高維空間映射到有用信號的本征維空間中,從而去除分布在高維空間的噪聲。研究自適應鄰域方法,使鄰域結(jié)構(gòu)更符合數(shù)據(jù)分布情況,并采用極大似然法估計信號的本征維數(shù)。自適應鄰域的流形學習降噪方法提高了空間滾動軸承振動信號非線性的降噪效果。②針對空間滾動軸承性能趨勢預測中難以建立有效特征指標的問題,提出了基于自適應鄰域LPP的空間滾動軸承性能退化趨勢預測特征指標構(gòu)建方法。分析了滾動軸承振動信號的多域特征提取方法,針對多域高維特征間存在冗余、相互沖突,影響后續(xù)退化趨勢預測的準確度的問題,采用自適應鄰域LPP融合特征集,并將融合指標作為軸承性能退化趨勢預測的特征指標。③針對傳統(tǒng)的趨勢預測模型不能預測空間滾動軸承狀態(tài)的問題,提出了基于最小二乘支持向量機預測模型。在流形學習算法的基礎上,將維數(shù)約簡后的特征信息作為最小二乘支持向量機的輸入,訓練并建立趨勢預測模型,實現(xiàn)空間滾動軸承性能退化趨勢預測。④在以上研究的基礎上以C#為開發(fā)平臺,研究空間滾動軸承性能退化趨勢預測功能模塊。通過實驗、應用對該功能模塊進行檢驗,并對本文所提的空間滾動軸承趨勢預測方法進行驗證。
【關鍵詞】：空間滾動軸承 非線性降噪 特征指標 退化趨勢
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 中文摘要3-5
• 英文摘要5-10
• 1 緒論10-20
• 1.1 課題來源10
• 1.2 課題背景和研究意義10-12
• 1.3 空間滾動軸性能退化趨勢預測的國內(nèi)外研究現(xiàn)狀12-17
• 1.3.1 降噪方法研究現(xiàn)狀12-13
• 1.3.2 特征提取方法研究現(xiàn)狀13-16
• 1.3.3 性能退化趨勢預測模型研究現(xiàn)狀16-17
• 1.4 流形學習在空間滾動軸承性能退化趨勢預測中存在的關鍵問題17-18
• 1.5 本文主要研究內(nèi)容及結(jié)構(gòu)安排18-20
• 2 基于自適應鄰域的流形學習降噪方法20-38
• 2.1 引言20-21
• 2.2 相空間重構(gòu)和Takens嵌入定理21-24
• 2.2.1 相空間重構(gòu)理論21-22
• 2.2.2 嵌入維數(shù)22-23
• 2.2.3 時間延遲23-24
• 2.3 自適應鄰域的流形學習降噪方法24-28
• 2.3.1 局部切空間排列算法24-25
• 2.3.2 本征維數(shù)估計25-26
• 2.3.3 自適應鄰域選取26-28
• 2.4 自適應鄰域的流形學習降噪28-35
• 2.4.1 自適應鄰域的流形學習降噪流程28-29
• 2.4.2 仿真信號降噪實驗29-33
• 2.4.3 地面模擬空間環(huán)境滾動軸承應用實例33-35
• 2.5 本章小結(jié)35-38
• 3 基于自適應鄰域流形學習的空間滾動軸承特征提取38-54
• 3.1 引言38
• 3.2 故障信息特征提取方法38-44
• 3.2.1 時域特征提取方法38-39
• 3.2.2 頻率域特征提取方法39-41
• 3.2.3 時頻域特征提取41-44
• 3.3 基于自適應鄰域LPP融合特征指標的建立44-47
• 3.3.1 LPP算法45-46
• 3.3.2 自適應鄰域LPP融合特征指標的建立46-47
• 3.4 實例分析47-53
• 3.4.1 Cincinnati大學實例47-51
• 3.4.2 空間滾動軸承實例51-53
• 3.5 本章小結(jié)53-54
• 4 支持向量機預測模型研究54-66
• 4.1 引言54
• 4.2 支持向量機理論54-61
• 4.2.1 支持向量機理論55-57
• 4.2.2 支持向量回歸機算法57-59
• 4.2.3 最小二乘支持向量機理論59-61
• 4.3 性能退化趨勢預測流程61
• 4.4 實例分析61-65
• 4.4.1 Cincinnati大學實例61-64
• 4.4.2 空間滾動軸承實驗驗證64-65
• 4.5 本章小結(jié)65-66
• 5 空間滾動軸承性能退化趨勢預測模塊設計66-76
• 5.1 引言66
• 5.2 系統(tǒng)總體設計66-68
• 5.2.1 需求分析66-67
• 5.2.2 總體設計67-68
• 5.3 模塊功能結(jié)構(gòu)68-74
• 5.4 實例驗證74-75
• 5.4.1 Cincinnati大學地面常規(guī)滾動軸承實例74
• 5.4.2 地面模擬空間環(huán)境滾動軸承實例74-75
• 5.5 本章小結(jié)75-76
• 6 結(jié)論與展望76-78
• 6.1 結(jié)論76-77
• 6.2 研究展望77-78
• 致謝78-80
• 參考文獻80-86
• 附錄86
• A. 作者在攻讀碩士學位期間發(fā)表的論文目錄86
• B. 作者在攻讀碩士學位期間參與的科研項目86

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 周華;蔡超;丁明躍;;基于流形學習和流形高階近似的圖像距離度量[J];華中科技大學學報(自然科學版);2012年03期

2 黃鴻;李見為;馮海亮;;融合局部和全局結(jié)構(gòu)的流形學習[J];光學精密工程;2009年03期

3 賀廣南;楊育彬;;基于流形學習的圖像檢索算法研究[J];山東大學學報(工學版);2010年05期

4 金波;;基于年齡流形的人臉圖像年齡識別[J];中國新技術新產(chǎn)品;2011年01期

5 高崢;杜川;;基于流形學習算法的人臉識別研究[J];河南機電高等專科學校學報;2011年04期

6 詹煒;;流形學習算法概述[J];武漢船舶職業(yè)技術學院學報;2013年02期

7 丁玲;唐娉;李宏益;;基于流形學習的混合光譜解混分析[J];紅外與激光工程;2013年09期

8 顧艷春;;一種基于線性插值的流形學習算法[J];佛山科學技術學院學報(自然科學版);2013年01期

9 張輝遠;;基于高光譜影像的流形學習降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

10 馮海亮;李見為;王旭初;黃鴻;;基于非線性子流形的人臉識別[J];重慶大學學報;2008年03期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學習算法分析及在人臉數(shù)據(jù)庫上的應用[A];2008年全國開放式分布與并行計算機學術會議論文集(上冊)[C];2008年

2 劉曉平;季浩;鄧偉財;;基于流形學習的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術與應用學術會議（CACIS·2010）暨全國第2屆安全關鍵技術與應用學術會議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學習的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學習的故障模式識別方法[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 蘇祖強;基于泛化流形學習的風電機組傳動系統(tǒng)早期故障診斷方法研究[D];重慶大學;2015年

2 黃鴻;圖嵌入框架下流形學習理論及應用研究[D];重慶大學;2008年

3 尹峻松;流形學習理論與方法研究及在人臉識別中的應用[D];國防科學技術大學;2007年

4 黃啟宏;流形學習方法理論研究及圖像中應用[D];電子科技大學;2007年

5 馮海亮;流形學習算法在人臉識別中的應用研究[D];重慶大學;2008年

6 曾憲華;流形學習的譜方法相關問題研究[D];北京交通大學;2009年

7 詹宇斌;流形學習理論與方法及其應用研究[D];國防科學技術大學;2011年

8 王勇;基于流形學習的分類與聚類方法及其應用研究[D];國防科學技術大學;2011年

9 谷瑞軍;基于流形學習的高維空間分類器研究[D];江南大學;2008年

10 孟德宇;關于流形學習若干基礎問題與核心算法研究[D];西安交通大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 胡浩松;基于流形學習的旋轉(zhuǎn)機械故障識別方法研究[D];燕山大學;2015年

2 丁春濤;基于圖嵌入的判別近鄰分析研究及應用[D];蘇州大學;2015年

3 余嬋娟;交互式人臉檢索中人機人臉認知一致性研究[D];上海大學;2015年

4 陳明霞;基于半監(jiān)督的多流形學習算法研究[D];華僑大學;2015年

5 顧陽陽;基于流形學習的雷達輻射源識別技術[D];西安電子科技大學;2014年

6 高漢宇;基于最優(yōu)r-覆蓋堆積數(shù)本征維數(shù)估計方法及其應用[D];西安電子科技大學;2014年

7 羅廷金;基于流形學習的數(shù)據(jù)降維算法研究[D];國防科學技術大學;2013年

8 周韻然;基于流形學習的A股上市公司抽樣的信用評價[D];電子科技大學;2014年

9 史仍浩;基于流形學習的在線社會網(wǎng)絡節(jié)點分類[D];上海交通大學;2013年

10 陳詩文;流形學習在數(shù)據(jù)降維中的應用研究[D];浙江工業(yè)大學;2015年

  本文關鍵詞：基于流形學習的滾動軸承性能退化趨勢預測研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：355807