本文關(guān)鍵詞：基于時間序列分析和智能算法的故障預測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：故障預測是保障機械設(shè)備安全運行的關(guān)鍵技術(shù),通過分析設(shè)備歷史和當前的運行狀態(tài),揭示設(shè)備隨后狀態(tài)發(fā)展趨勢的規(guī)律和特征,為科學設(shè)定設(shè)備維修策略提供依據(jù)。本文介紹了故障趨勢預測的分類及方法,并開展了基于時間序列分析、支持向量機及遺傳算法尋優(yōu)的軸承預測方法研究,主要內(nèi)容如下： 重點介紹了自回歸模型、灰色模型及其建模過程。針對軸承振動信號分析提取其有效值和小波包分解的頻帶能量,作為特征參數(shù)建立時間序列,引入滾動軸承故障的相對判斷標準得到軸承的狀態(tài)閾值,以故障注意狀態(tài)下的數(shù)據(jù)為研究對象,開展了基于時間序列分析的故障預測方法研究。結(jié)果表明,自回歸模型對時間序列有較好的動態(tài)跟蹤效果,在建模數(shù)據(jù)選擇合適的情況下能夠?qū)S承狀態(tài)達到預警目的；灰色模型能夠把握序列的主要趨勢,但對數(shù)據(jù)的動態(tài)跟蹤效果較差,預測效果不理想,受建模數(shù)據(jù)選擇影響較大。 支持向量機在小樣本情況下具有一定的優(yōu)勢,論文以軸承為研究對象,進行了基于支持向量回歸的故障預測方法研究。結(jié)果表明,該方法在合理選擇回歸數(shù)據(jù)的情況下有較好的預測效果,適合用于短期的故障預測,但預測的準確性受參數(shù)的影響很大。 建模數(shù)據(jù)的選擇會影響模型參數(shù)和預測結(jié)果,利用遺傳算法的尋優(yōu)特性,提出基于遺傳算法的尋優(yōu)預測方法,并以線性回歸為例,驗證了該方法的有效性。同時將該方法應(yīng)用于支持向量回歸模型和灰色預測模型中,有效的提高了預測精度、實現(xiàn)了故障預警。
【關(guān)鍵詞】：故障預測 時間序列分析 自回歸模型 支持向量機 遺傳算法
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 學位論文數(shù)據(jù)集3-4
• 摘要4-6
• ABSTRACT6-12
• 第一章 緒論12-16
• 1.1 故障診斷及趨勢預測技術(shù)12-13
• 1.2 故障預測方法13-14
• 1.3 課題研究背景和意義14-15
• 1.4 課題來源及主要研究內(nèi)容15-16
• 第二章 基于自回歸模型和灰色模型的時間序列故障預測16-40
• 2.1 時間序列分析16
• 2.2 AR模型介紹16-21
• 2.2.1 模型的識別16-17
• 2.2.2 模型定階17-18
• 2.2.3 模型的參數(shù)估計18-19
• 2.2.4 模型的適應(yīng)性檢驗19-20
• 2.2.5 基于AR模型的時間序列分析建模步驟20-21
• 2.3 灰色模型應(yīng)用于時間序列分析21-23
• 2.4 故障預測實例23-38
• 2.4.1 實驗介紹23-27
• 2.4.2 時域參數(shù)預測分析27-33
• 2.4.3 小波包能量特征參數(shù)預測分析33-38
• 2.5 本章小結(jié)38-40
• 第三章 基于支持向量機的故障預測40-50
• 3.1 支持向量機原理40-42
• 3.1.1 線性可分情況40-41
• 3.1.2 非線性情況41-42
• 3.1.3 核函數(shù)42
• 3.2 支持向量回歸算法42-43
• 3.3 基于SVR的故障預測方法43-44
• 3.4 故障預測實例44-49
• 3.4.1 有效值SVR預測44-47
• 3.4.2 小波包頻帶能量參數(shù)SVR預測47-49
• 3.5 本章小結(jié)49-50
• 第四章 基于遺傳算法的尋優(yōu)預測50-66
• 4.1 遺傳算法概述50
• 4.2 基本遺傳算法步驟50-54
• 4.2.1 染色體編碼與解碼51-52
• 4.2.2 個體適應(yīng)度的檢測評估52-53
• 4.2.3 遺傳算子53
• 4.2.4 基本遺傳算法的運行參數(shù)53-54
• 4.3 基于遺傳算法的尋優(yōu)預測方法54-56
• 4.4 故障預測實例56-60
• 4.5 基于遺傳算法尋優(yōu)的SVR預測60-62
• 4.6 基于遺傳算法尋優(yōu)的灰色預測62-63
• 4.7 本章小結(jié)63-66
• 第五章 結(jié)論與展望66-68
• 5.1 結(jié)論66
• 5.2 問題與展望66-68
• 參考文獻68-72
• 致謝72-74
• 研究成果及發(fā)表的學術(shù)論文74-76
• 作者和導師簡介76-77
• 附件77-78

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張星輝;康建設(shè);劉占軍;李志勇;;軸承故障診斷與故障預測方法[J];軸承;2011年01期

2 李鋒;湯寶平;劉文藝;;遺傳算法優(yōu)化最小二乘支持向量機的故障診斷[J];重慶大學學報;2010年12期

3 侯澍e，

本文編號：308368