隨著工業(yè)信息化技術的不斷發(fā)展進步,機電裝備越來越向著精密化、復雜化以及智能化方向發(fā)展,其在給人類生產(chǎn)生活創(chuàng)造便利的同時,也給設備的故障預測和健康管理帶來新的挑戰(zhàn)。一旦機械設備發(fā)生故障而失效,則會影響整個機電系統(tǒng)的健康運行,導致嚴重的生產(chǎn)事件發(fā)生,更甚者會造成生命和財產(chǎn)的嚴重損失。軸承是機電裝備的關鍵零部件之一,大多數(shù)機械設備因故障而無法健康穩(wěn)定運行都和軸承損壞存在直接或間接的關系。因此,本課題運用目前國內(nèi)外健康壽命預測主流的研究方法:基于數(shù)據(jù)驅(qū)動的方法,以軸承為例進行機電裝備典型零部件健康壽命預測技術研究,其主要的研究內(nèi)容如下所述:首先,借助在軸承整個生命周期中采集到的全部振動信號,分析比較不同的時域特征和頻域特征,獲取其在軸承全生命周期內(nèi)的變化情況,最終選取均方根、峰值因子、峭度指標和頻譜分區(qū)求和四個特征作為軸承剩余壽命預測的退化指標。然后,針對Mean-DNN等方法存在的不足之處,我們提出一種將K-近鄰回歸預測模型和全連接深度神經(jīng)網(wǎng)絡預測模型相融合的深度聯(lián)想神經(jīng)網(wǎng)絡(ASDNN)預測模型,并在“IEEE PHM 2012”數(shù)據(jù)集上與4種典型方法進行對比分析,說明其優(yōu)越性和可行性。其...

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

圖2-1試驗臺結構情況

貴州大學碩士學位論文正常運行狀態(tài)下，在實驗室環(huán)境下獲取軸承從健康運行狀態(tài)到最終失效的整個命周期數(shù)據(jù)幾乎不太現(xiàn)實。加速壽命實驗平臺（AcceleratedLifeTesting,ALT）以通過改變軸承運行的載荷或轉(zhuǎn)速加快其衰退過程，獲取其全生命周期的退化過數(shù)據(jù)。本文采用“IE....

圖2-3均值和峰峰值變化示意圖

并采集全生命周期數(shù)據(jù)，數(shù)據(jù)集包括2803個樣本數(shù)據(jù)，每個樣本含義2560個數(shù)據(jù)點。首先，我們獲取均值和峰峰值變化示意圖。通過圖2-3觀察得到，在軸承的整個生命周期內(nèi)，除去個別異常點外，均值和峰峰值基本上沒有發(fā)生明顯的變化，這表明它們不能較好的表征軸承的退化過程。圖2....

圖2-4方差、脈沖因子以及波形因子變化示意圖

的變化情況如圖2-5所示，與其余的特征參數(shù)相比，一方面，當軸承時就會引發(fā)RMS值得變化，可見其對于早期故障較為敏感。另一方面障程度的不斷加深，均方根也會隨之變化。因此，均方根可以較好的康狀態(tài)，故本文選用均方根作為退化指標之一。

圖2-5均方根變化示意圖

20圖2-4方差、脈沖因子以及波形因子變化示意圖均方根的變化情況如圖2-5所示，與其余的特征參數(shù)相比，一方面，當軸承剛剛出現(xiàn)故障時就會引發(fā)RMS值得變化，可見其對于早期故障較為敏感。另一方面，隨著軸承故障程度的不斷加深，均方根也會隨之變化。因此，均方根可以較好的表征軸承的....

本文編號：3984770