本文關(guān)鍵詞：滾動(dòng)軸承性能退化評(píng)價(jià)與趨勢(shì)預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動(dòng)軸承作為機(jī)械設(shè)備中的關(guān)鍵部件,其運(yùn)行狀態(tài)的優(yōu)劣往往影響到整臺(tái)設(shè)備的運(yùn)行性能。滾動(dòng)軸承從正常狀態(tài)到故障往往經(jīng)歷一系列退化狀態(tài),正確識(shí)別軸承當(dāng)前所處的退化狀態(tài),對(duì)預(yù)防滾動(dòng)軸承進(jìn)一步退化和故障的發(fā)生具有重要意義。然而,正確評(píng)價(jià)和預(yù)測(cè)滾動(dòng)軸承的退化狀態(tài)需要解決兩個(gè)關(guān)鍵問題：第一,確定合適的工作狀態(tài)評(píng)價(jià)指標(biāo),反映軸承性能退化過程；第二,建立合適的故障預(yù)測(cè)模型,根據(jù)歷史數(shù)據(jù)進(jìn)行合理、準(zhǔn)確的預(yù)測(cè)。本文針對(duì)以上兩個(gè)關(guān)鍵問題進(jìn)行研究,并提出有效的解決方法。 自組織映射網(wǎng)絡(luò)是故障診斷和狀態(tài)評(píng)價(jià)中常用的人工神經(jīng)網(wǎng)絡(luò)之一。本文通過研究滾動(dòng)軸承不同工作狀態(tài)下的HHT包絡(luò)譜特征,提出一種基于HHT和自組織網(wǎng)絡(luò)的滾動(dòng)軸承狀態(tài)識(shí)別方法,試驗(yàn)證明該方法能夠有效識(shí)別出滾動(dòng)軸承的五種工作狀態(tài)。作為可靠的性能退化評(píng)價(jià)指標(biāo),最小量化誤差源自于自組織網(wǎng)絡(luò)模型,它能夠充分利用多個(gè)特征參數(shù)信息對(duì)滾動(dòng)軸承的性能退化過程進(jìn)行定量評(píng)價(jià),滾動(dòng)軸承內(nèi)圈故障性能退化試驗(yàn)說明了該方法的有效性。 針對(duì)滾動(dòng)軸承性能退化過程受多種因素影響,單一預(yù)測(cè)模型難以滿足預(yù)測(cè)精度的問題,提出一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的混合智能趨勢(shì)預(yù)測(cè)方法。該方法首先應(yīng)用自組織網(wǎng)絡(luò)評(píng)價(jià)模型得出最小量化誤差,作為軸承性能退化評(píng)價(jià)指標(biāo)。利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的非線性和支持向量機(jī)處理小樣本的優(yōu)點(diǎn),分別進(jìn)行趨勢(shì)預(yù)測(cè)。對(duì)兩種趨勢(shì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合,形成混合智能預(yù)測(cè)模型。最后,以滾動(dòng)軸承性能退化試驗(yàn)驗(yàn)證該方法的有效性,結(jié)果表明該混合模型比單一預(yù)測(cè)模型的預(yù)測(cè)精度要高,提高了軸承性能退化趨勢(shì)預(yù)測(cè)精度。此外,該方法對(duì)于滾動(dòng)軸承的預(yù)知維修和壽命預(yù)測(cè)具有一定的參考價(jià)值。
【關(guān)鍵詞】：性能退化 自組織網(wǎng)絡(luò) 最小量化誤差 混合智能 趨勢(shì)預(yù)測(cè)
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH133.33
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-16
• 1.1 論文選題背景和意義9-10
• 1.2 性能退化評(píng)價(jià)的研究現(xiàn)狀10-12
• 1.3 狀態(tài)預(yù)測(cè)技術(shù)的研究現(xiàn)狀12-14
• 1.4 論文的主要內(nèi)容與結(jié)構(gòu)安排14-16
• 2 特征提取方法與主成分分析16-23
• 2.1 信號(hào)特征提取方法16-21
• 2.1.1 時(shí)域分析16-17
• 2.1.2 頻域分析17-19
• 2.1.3 Hilbert變換19-20
• 2.1.4 小波包分解20-21
• 2.2 主成分分析21-22
• 2.3 本章小結(jié)22-23
• 3 自組織映射網(wǎng)絡(luò)研究23-40
• 3.1 自組織映射網(wǎng)絡(luò)23-29
• 3.1.1 自組織映射網(wǎng)絡(luò)結(jié)構(gòu)23-24
• 3.1.2 自組織映射網(wǎng)絡(luò)相似度測(cè)量原理24-25
• 3.1.3 自組織映射網(wǎng)絡(luò)權(quán)值調(diào)整25-26
• 3.1.4 自組織映射網(wǎng)絡(luò)學(xué)習(xí)算法步驟26-29
• 3.2 基于自組織映射網(wǎng)絡(luò)的滾動(dòng)軸承狀態(tài)識(shí)別29-39
• 3.2.1 基于SOM網(wǎng)絡(luò)的滾動(dòng)軸承狀態(tài)識(shí)別模型29
• 3.2.2 滾動(dòng)軸承試驗(yàn)驗(yàn)證29-39
• 3.3 本章小結(jié)39-40
• 4 基于最小量化誤差的滾動(dòng)軸承性能退化評(píng)價(jià)40-51
• 4.1 基于自組織網(wǎng)絡(luò)模型的最小量化誤差40-42
• 4.1.1 最小量化誤差40-41
• 4.1.2 滾動(dòng)軸承信號(hào)特征參數(shù)的提取和降維41
• 4.1.3 基于最小量化誤差的滾動(dòng)軸承性能退化評(píng)估41-42
• 4.2 滾動(dòng)軸承試驗(yàn)驗(yàn)證42-50
• 4.2.1 試驗(yàn)裝置介紹42-43
• 4.2.2 試驗(yàn)數(shù)據(jù)分析43-50
• 4.3 本章小結(jié)50-51
• 5 基于混合模型的滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)51-72
• 5.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)51-56
• 5.1.1 BP神經(jīng)網(wǎng)絡(luò)51-53
• 5.1.2 遺傳算法(Genetic Algorithm,GA)53-54
• 5.1.3 遺傳算法優(yōu)化BP網(wǎng)絡(luò)的預(yù)測(cè)模型54-56
• 5.2 支持向量機(jī)56-59
• 5.2.1 支持向量機(jī)原理56-57
• 5.2.2 支持向量機(jī)回歸預(yù)測(cè)模型57-59
• 5.3 基于混合模型的滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)59-71
• 5.3.1 混合預(yù)測(cè)模型59-61
• 5.3.2 滾動(dòng)軸承試驗(yàn)驗(yàn)證61-71
• 5.4 本章小結(jié)71-72
• 6 結(jié)論72-73
• 參考文獻(xiàn)73-77
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況77-78
• 致謝78-79

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 程其云,孫才新,張曉星,周nv,杜鵬;以神經(jīng)網(wǎng)絡(luò)與模糊邏輯互補(bǔ)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型及方法[J];電工技術(shù)學(xué)報(bào);2004年10期

2 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

3 張佩瑤,馬孝江,王吉軍,朱泓;小波包信號(hào)提取算法及其在故障診斷中的應(yīng)用[J];大連理工大學(xué)學(xué)報(bào);1997年01期

4 張春梅,王尚錦,張?zhí)?朱長(zhǎng)新;時(shí)頻分析在旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)及故障診斷中的應(yīng)用[J];工程熱物理學(xué)報(bào);2002年02期

5 于德江;灰色系統(tǒng)建模方法的探討[J];系統(tǒng)工程;1991年05期

6 侯澍e

本文編號(hào)：289851