本文關鍵詞：基于多特征量的滾動軸承退化狀態(tài)評估和剩余壽命預測方法研究

  更多相關文章： 滾動軸承 數據驅動 特征選擇 退化狀態(tài)評估 剩余壽命預測

【摘要】：滾動軸承作為機械裝備中的關鍵部件,其工作狀態(tài)的好壞直接關系著機械裝備的整體性能。若不能及時地預知機械裝備中滾動軸承的健康狀態(tài)或損傷情況,一方面會影響裝備維護策略的制定,而另一方面由于軸承失效所導致的級聯(lián)故障,易造成機械裝備發(fā)生災難性的事故。因此,對機械裝備中滾動軸承的性能退化趨勢進行準確地評估和預測有助于工程人員對其工作狀態(tài)進行合理地判斷,進而將損傷控制在允許范圍內,防止意外故障發(fā)生。近年來,在滾動軸承的退化趨勢評估和預測領域涌現(xiàn)出了許多基于數據驅動的方法。從傳感器所收集的特征信號能反映軸承的退化信息,而現(xiàn)有的基于數據驅動的方法大多只考慮了部分時頻域特征或熵特征,而很少綜合利用多個域的特征量來表征滾動軸承的退化狀態(tài)。因此,本論文在原始振動數據的基礎上,提取多個域的特征信號以描述滾動軸承的退化狀態(tài),研究了基于多特征量的滾動軸承退化狀態(tài)評估和剩余壽命預測方法。本文的研究方法屬于數據驅動方法,因此,研究內容包括特征提取、特征選擇、退化狀態(tài)評估和剩余壽命預測四個基本步驟。本論文正是圍繞這四個關鍵環(huán)節(jié)分別展開研究,其主要研究內容如下:(1)針對滾動軸承的振動信號結構單一且含有大量噪聲干擾成分的普遍現(xiàn)象,論文首先引入了小波閾值降噪方法對原始振動信號進行預處理,有效地去除了原始振動信號中的高頻噪音干擾信息。然后,對水平和垂直方向上的傳感器采集到的每個樣本數據進行特征提取,具體包括:時域統(tǒng)計特征、頻域統(tǒng)計特征、小波節(jié)點能量。此外,本文還引入了振動信號的熵特征,包括:時域信息熵、頻域信息熵、希爾伯特熵、樣本熵以及小波包能量熵。所有的特征量構成了描述軸承退化信息的96維特征集。最后,在完成特征提取的基礎上,本文應用了一種無監(jiān)督的特征選擇方法,即通過定義三種重要的特征評價指標對96個的特征量進行評估,有目的地篩選出有益于進行剩余壽命預測的敏感特征。(2)滾動軸承運行過程中的原始振動信號具有非平穩(wěn)和非線性的特點。本文利用局部均值分解(Local Mode Decomposition LMD)在處理調幅-調頻復雜信號方面的優(yōu)勢,將原始振動信號分解成有限個有物理意義的平穩(wěn)分量,分量被稱作乘積函數(Product Function,PF)。PF分量可以反映出微弱故障信號的變化趨勢。然后,分別基于原始振動信號和PF分量提取多個時、頻特征。最后,利用主成分分析(Principlal Component Analysis,PCA)對多特征進行降維,將PCA和相關性分析相結合構造了一種滾動軸承的退化評估指標,進而用試驗數據驗證了所提出方法的可行性和準確性。(3)滾動軸承的退化評估指標對剩余壽命的預測非常關鍵。本論文首選利用相對均方根對滾動軸承的性能退化趨勢進行評估,有效地克服了退化過程中軸承的個體差異性。通過規(guī)定初始故障和失效閾值,合理地將軸承整個生命周期分為三個不同階段。接著,借助支持向量機(Support Vector Machine,SVM)在解決小樣本問題方面的優(yōu)勢,以及相關向量機(Relevance Vector Machine,RVM)能得到概率輸出結果的特點,經過對SVM和RVM傳統(tǒng)模型進行改進,得到了一種基于多變量的滾動軸承剩余壽命預測模型。最后,結合滾動軸承的加速壽命試驗數據,驗證了基于多變量SVM和RVM兩種預測模型的可行性,并對SVM和RVM進行了預測結果分析和誤差對比。
【關鍵詞】：滾動軸承 數據驅動 特征選擇 退化狀態(tài)評估 剩余壽命預測
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH133.33
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-20
• 1.1 研究背景及意義11-12
• 1.2 國內外研究現(xiàn)狀12-18
• 1.2.1 特征提取13-15
• 1.2.2 特征選擇與特征降維15-16
• 1.2.3 退化狀態(tài)評估16-17
• 1.2.4 剩余壽命預測17-18
• 1.3 論文結構和主要內容18-20
• 第二章 滾動軸承振動信號的特征提取與特征選擇20-41
• 2.1 PRONOSTIA加速壽命試驗臺20-22
• 2.2 原始振動數據降噪處理22-26
• 2.2.1 小波降噪原理23-25
• 2.2.2 原始振動信號的小波閾值降噪25-26
• 2.3 滾動軸承的特征信號提取26-34
• 2.3.1 時域統(tǒng)計特征26-28
• 2.3.2 頻域統(tǒng)計特征28
• 2.3.3 小波包節(jié)點能量28-29
• 2.3.4 熵特征29-34
• 2.4 面向剩余壽命預測的特征選擇方法34-40
• 2.4.1 特征信號的性能評價指標35-36
• 2.4.2 特征選擇36-40
• 2.5 本章小結40-41
• 第三章 基于LMD和主成分分析的滾動軸承退化狀態(tài)評估方法41-56
• 3.1 基于局部均值分解的特征提取41-45
• 3.1.1 局部均值分解原理41-44
• 3.1.2 仿真信號分析44-45
• 3.1.3 特征提取45
• 3.2 基于主成分分析的特征變換45-49
• 3.3 構建退化狀態(tài)評估指標49-51
• 3.4 試驗驗證和結果分析51-55
• 3.4.1 IMS試驗臺介紹51
• 3.4.2 方法驗證及結果分析51-55
• 3.5 本章小結55-56
• 第四章 基于多變量SVM和RVM的滾動軸承剩余壽命預測方法56-76
• 4.1 向量機回歸原理和模型參數尋優(yōu)56-61
• 4.1.1 支持向量機回歸原理56-58
• 4.1.2 相關向量機回歸原理58-60
• 4.1.3 回歸模型核函數和參數的選擇60-61
• 4.2 建立多變量剩余壽命預測模型61-67
• 4.2.1 構造性能退化評估指標64-66
• 4.2.2 敏感特征選擇66-67
• 4.3 仿真算例67-69
• 4.4 試驗驗證69-75
• 4.4.1 試驗數據分析69-71
• 4.4.2 試驗結果分析71-75
• 4.5 本章小結75-76
• 第五章 總結與展望76-78
• 5.1 全文總結76-77
• 5.2 后續(xù)工作展望77-78
• 致謝78-79
• 參考文獻79-86
• 攻讀碩士學位期間取得研究成果86-87

【參考文獻】

中國期刊全文數據庫 前10條

1 申中杰;陳雪峰;何正嘉;孫闖;張小麗;劉治汶;;基于相對特征和多變量支持向量機的滾動軸承剩余壽命預測[J];機械工程學報;2013年02期

2 尹金良;朱永利;;支持向量機參數優(yōu)化及其在變壓器故障診斷中的應用[J];電測與儀表;2012年05期

3 趙鑒;梁志君;;從F-35項目來看PHM的應用與效益[J];價值工程;2012年06期

4 孫磊;湯心剛;張星輝;蔡麗影;;基于隨機濾波模型的齒輪箱剩余壽命預測研究[J];機械傳動;2011年10期

5 郭磊;陳進;;小波包熵在設備性能退化評估中的應用[J];機械科學與技術;2008年09期

6 雷亞國;何正嘉;訾艷陽;胡橋;;基于特征評估和神經網絡的機械故障診斷模型[J];西安交通大學學報;2006年05期

7 蔡鐵;朱杰;;小波閾值降噪算法中最優(yōu)分解層數的自適應選擇[J];控制與決策;2006年02期

8 曾聲奎,Michael G.Pecht,吳際;故障預測與健康管理(PHM)技術的現(xiàn)狀與發(fā)展[J];航空學報;2005年05期

9 楊國安,鐘秉林,黃仁,賈民平,許云飛;機械故障信號小波包分解的時域特征提取方法研究[J];振動與沖擊;2001年02期

10 潘紫微,吳超英;基于神經網絡的多特征和多步軸承壽命預測方法[J];機械科學與技術;1999年04期

，

本文編號：970917