本文關(guān)鍵詞：滾動軸承性能退化評價與趨勢預(yù)測研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承作為機械設(shè)備中的關(guān)鍵部件,其運行狀態(tài)的優(yōu)劣往往影響到整臺設(shè)備的運行性能。滾動軸承從正常狀態(tài)到故障往往經(jīng)歷一系列退化狀態(tài),正確識別軸承當(dāng)前所處的退化狀態(tài),對預(yù)防滾動軸承進(jìn)一步退化和故障的發(fā)生具有重要意義。然而,正確評價和預(yù)測滾動軸承的退化狀態(tài)需要解決兩個關(guān)鍵問題：第一,確定合適的工作狀態(tài)評價指標(biāo),反映軸承性能退化過程；第二,建立合適的故障預(yù)測模型,根據(jù)歷史數(shù)據(jù)進(jìn)行合理、準(zhǔn)確的預(yù)測。本文針對以上兩個關(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)評價中常用的人工神經(jīng)網(wǎng)絡(luò)之一。本文通過研究滾動軸承不同工作狀態(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)的滾動軸承狀態(tài)識別方法,試驗證明該方法能夠有效識別出滾動軸承的五種工作狀態(tài)。作為可靠的性能退化評價指標(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特征參數(shù)信息對滾動軸承的性能退化過程進(jìn)行定量評價,滾動軸承內(nèi)圈故障性能退化試驗說明了該方法的有效性。 針對滾動軸承性能退化過程受多種因素影響,單一預(yù)測模型難以滿足預(yù)測精度的問題,提出一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)和支持向量機的混合智能趨勢預(yù)測方法。該方法首先應(yīng)用自組織網(wǎng)絡(luò)評價模型得出最小量化誤差,作為軸承性能退化評價指標(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處理小樣本的優(yōu)點,分別進(jìn)行趨勢預(yù)測。對兩種趨勢預(yù)測結(jié)果進(jìn)行加權(quán)組合,形成混合智能預(yù)測模型。最后,以滾動軸承性能退化試驗驗證該方法的有效性,結(jié)果表明該混合模型比單一預(yù)測模型的預(yù)測精度要高,提高了軸承性能退化趨勢預(yù)測精度。此外,該方法對于滾動軸承的預(yù)知維修和壽命預(yù)測具有一定的參考價值。
【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 趨勢預(yù)測
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：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 性能退化評價的研究現(xiàn)狀10-12
• 1.3 狀態(tài)預(yù)測技術(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 信號特征提取方法16-21
• 2.1.1 時域分析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)的滾動軸承狀態(tài)識別29-39
• 3.2.1 基于SOM網(wǎng)絡(luò)的滾動軸承狀態(tài)識別模型29
• 3.2.2 滾動軸承試驗驗證29-39
• 3.3 本章小結(jié)39-40
• 4 基于最小量化誤差的滾動軸承性能退化評價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 滾動軸承信號特征參數(shù)的提取和降維41
• 4.1.3 基于最小量化誤差的滾動軸承性能退化評估41-42
• 4.2 滾動軸承試驗驗證42-50
• 4.2.1 試驗裝置介紹42-43
• 4.2.2 試驗數(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軸承性能退化趨勢預(yù)測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)測模型54-56
• 5.2 支持向量機56-59
• 5.2.1 支持向量機原理56-57
• 5.2.2 支持向量機回歸預(yù)測模型57-59
• 5.3 基于混合模型的滾動軸承性能退化趨勢預(yù)測59-71
• 5.3.1 混合預(yù)測模型59-61
• 5.3.2 滾動軸承試驗驗證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)與模糊邏輯互補的電力系統(tǒng)短期負(fù)荷預(yù)測模型及方法[J];電工技術(shù)學(xué)報;2004年10期

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

3 張佩瑤,馬孝江,王吉軍,朱泓;小波包信號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;1997年01期

4 張春梅,王尚錦,張?zhí)?朱長新;時頻分析在旋轉(zhuǎn)機械狀態(tài)監(jiān)測及故障診斷中的應(yīng)用[J];工程熱物理學(xué)報;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：289851