對滾動軸承進行退化趨勢及剩余壽命預測研究,是保障機械設備安全可靠運行的基礎保障性研究內(nèi)容之一。本文以NASA預診斷數(shù)據(jù)庫的軸承疲勞試驗數(shù)據(jù)為基礎數(shù)據(jù),利用多頻率尺度模糊熵和極限學習機方法,研究了滾動軸承的振動信號特征提取、軸承性能衰退評估指標的構建、狀態(tài)評估、退化趨勢預測和剩余壽命預測等問題。主要工作如下:一、以對滾動軸承早期故障的發(fā)生和性能衰退較為敏感為原則,從眾多時域、頻域特征量中篩選出8個時域特征和10個頻域特征。在時頻域和熵領域,將經(jīng)驗模態(tài)分解和模糊熵相結合,提出“多頻率尺度模糊熵(IMFFE)”特征提取方法,得到更為敏感的9個頻率尺度上的模糊熵特征量。二、基于主成分分析(PCA)法構建軸承性能衰退評估指標。對篩選得到的敏感特征分領域進行PCA降維融合,得到時域、頻域和IMFFE三個綜合指標。分析預診斷數(shù)據(jù)庫軸承全壽命周期內(nèi)三個指標隨樣本號的變化規(guī)律,發(fā)現(xiàn)融合后的指標比單一特征量對軸承的性能衰退更為敏感。相對而言,IMFFE指標最佳。三、提出一種軸承運行狀態(tài)評估方法。該方法以具有全壽命周期監(jiān)測數(shù)據(jù)的同型號、近似工況的老舊軸承為“參考軸承”,以正在運行的“待測軸承”的監(jiān)測歷史數(shù)據(jù)...

【文章頁數(shù)】：90 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 特征提取方法研究現(xiàn)狀
        1.2.2 評估指標建立方法研究現(xiàn)狀
        1.2.3 預測模型研究現(xiàn)狀
    1.3 本文的主要研究工作
第2章 滾動軸承振動信號的特征提取與篩選
    2.1 引言
    2.2 滾動軸承的基本結構及其運行狀態(tài)的振動監(jiān)測
    2.3 軸承疲勞試驗數(shù)據(jù)來源
    2.4 原始振動數(shù)據(jù)降噪處理
    2.5 滾動軸承現(xiàn)有的特征提取方法
        2.5.1 時域
        2.5.2 頻域
        2.5.3 時頻域
        2.5.4 熵特征
    2.6 面向剩余壽命預測的特征篩選
    2.7 多頻率尺度模糊熵特征提取
    2.8 本章小結
第3章 滾動軸承的評估指標建立與狀態(tài)評估
    3.1 引言
    3.2 基于PCA的指標建立方法
        3.2.1 主成分分析方法
        3.2.2 指標的建立
    3.3 多頻率尺度模糊熵的仿真驗證
    3.4 基于多頻率尺度模糊熵的軸承狀態(tài)評估方法
        3.4.1 參考軸承的狀態(tài)劃分
        3.4.2 待測軸承的狀態(tài)評估
    3.5 本章小結
第4章 基于優(yōu)化ELM的滾動軸承退化趨勢及剩余壽命預測
    4.1 引言
    4.2 基于極限學習機模型的自適應預測算法
        4.2.1 極限學習機模型
        4.2.2 基于自適應粒子群優(yōu)化算法的參數(shù)優(yōu)化
    4.3 基于ELM的滾動軸承退化趨勢預測
        4.3.1 退化趨勢預測方法
        4.3.2 退化趨勢預測流程
        4.3.3 試驗驗證
    4.4 基于MELM的滾動軸承剩余壽命預測
        4.4.1 剩余壽命預測流程
        4.4.2 試驗驗證
    4.5 本章小結
第5章 結論與展望
    5.1 結論
    5.2 展望
在校研究成果
致謝
參考文獻
附錄Ⅰ多頻率尺度模糊熵算法的MATLAB程序
附錄Ⅱ基于自適應粒子群優(yōu)化的 ELM 退化趨勢預測算法的 MATLAB 程序
附錄Ⅲ基于自適應粒子群優(yōu)化的MELM剩余壽命預測算法的MATLAB程序



本文編號：3848182