本文關(guān)鍵詞：基于極限學(xué)習(xí)機(jī)的設(shè)備故障預(yù)測(cè)方法及應(yīng)用研究

  更多相關(guān)文章： 故障預(yù)測(cè) 灰色神經(jīng)網(wǎng)絡(luò) Elman網(wǎng)絡(luò) 形態(tài)分形維數(shù) 極限學(xué)習(xí)機(jī)

【摘要】：為了提升設(shè)備使用效率,降低維修維護(hù)成本,避免重大事故發(fā)生,實(shí)現(xiàn)設(shè)備故障的趨勢(shì)預(yù)測(cè),論文以滾動(dòng)軸承和齒輪為研究對(duì)象,圍繞極限學(xué)習(xí)機(jī)及相關(guān)的人工神經(jīng)網(wǎng)絡(luò)模型開展了預(yù)測(cè)方法及應(yīng)用研究。以振動(dòng)信號(hào)的時(shí)域特征參數(shù)和形態(tài)分形維數(shù)為預(yù)測(cè)特征量,分別運(yùn)用灰色神經(jīng)網(wǎng)絡(luò)、Elman反饋神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)對(duì)特征量進(jìn)行預(yù)測(cè),與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,證明了極限學(xué)習(xí)機(jī)模型在故障預(yù)測(cè)中的有效性,具體內(nèi)容如下：(1)開展了基于灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)方法及應(yīng)用研究。以軸承故障為研究對(duì)象,提取原始振動(dòng)信號(hào)的時(shí)域特征參數(shù),根據(jù)其時(shí)間序列趨勢(shì),將故障發(fā)展分為三個(gè)階段,分別截取等量數(shù)據(jù)并計(jì)算其相對(duì)變化值,對(duì)比分析各個(gè)時(shí)域特征參數(shù)對(duì)于早期故障的敏感性和故障持續(xù)發(fā)展的穩(wěn)定性,選取有量綱參數(shù)的有效值和無(wú)量綱參數(shù)的峭度作為特征量,運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)分別對(duì)不同的數(shù)據(jù)集進(jìn)行趨勢(shì)預(yù)測(cè),并以齒輪故障為研究對(duì)象實(shí)現(xiàn)對(duì)比驗(yàn)證。(2)開展了基于Elman神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)方法及應(yīng)用研究。簡(jiǎn)述了Elman網(wǎng)絡(luò)作為一種動(dòng)態(tài)反饋型網(wǎng)絡(luò)與前向型神經(jīng)網(wǎng)絡(luò)的區(qū)別和特點(diǎn),分別以軸承和齒輪為研究對(duì)象,以有效值和峭度為特征參數(shù),運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行趨勢(shì)預(yù)測(cè),并研究了不同神經(jīng)元個(gè)數(shù)對(duì)于預(yù)測(cè)結(jié)果的影響。(3)開展了基于形態(tài)分形維數(shù)及極限學(xué)習(xí)機(jī)的故障預(yù)測(cè)方法及應(yīng)用研究。簡(jiǎn)述了極限學(xué)習(xí)機(jī)(ELM)相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法優(yōu)勢(shì),實(shí)現(xiàn)了其在軸承和齒輪中的故障預(yù)測(cè),并分析了隱含層神經(jīng)元的個(gè)數(shù)對(duì)于預(yù)測(cè)性能的影響。為了進(jìn)一步提升預(yù)測(cè)精度,引入了分形維數(shù)和數(shù)學(xué)形態(tài)學(xué)的基本思想,通過(guò)計(jì)算原始時(shí)域振動(dòng)信號(hào)的形態(tài)分形維數(shù),揭示了其作為預(yù)測(cè)特征量的可行性,運(yùn)用ELM模型對(duì)經(jīng)過(guò)形態(tài)分形維數(shù)處理后的信號(hào)進(jìn)行趨勢(shì)預(yù)測(cè),對(duì)比了時(shí)域參數(shù)下ELM模型的預(yù)測(cè)結(jié)果,并綜合比較了相應(yīng)預(yù)測(cè)模型的性能。結(jié)果表明：以時(shí)域參數(shù)為特征量時(shí),ELM模型的預(yù)測(cè)誤差最小,精度最高,可以準(zhǔn)確地?cái)M合故障發(fā)展趨勢(shì),且不受神經(jīng)元個(gè)數(shù)的影響；灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度次之,可以在較少的數(shù)據(jù)情況下實(shí)現(xiàn)較高的預(yù)測(cè)精度；不同對(duì)象的驗(yàn)證結(jié)果均表明,傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較差。以形態(tài)分形維數(shù)為特征量時(shí),ELM模型可以實(shí)現(xiàn)精確預(yù)測(cè),相對(duì)于時(shí)域特征量,其預(yù)測(cè)精度更高,是一種有效的特征提取和故障預(yù)測(cè)方法。
【關(guān)鍵詞】：故障預(yù)測(cè) 灰色神經(jīng)網(wǎng)絡(luò) Elman網(wǎng)絡(luò) 形態(tài)分形維數(shù) 極限學(xué)習(xí)機(jī)
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH17;TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 緒論13-21
• 1.1 課題研究背景和意義13-14
• 1.2 故障預(yù)測(cè)方法的國(guó)內(nèi)外研究歷史和現(xiàn)狀14-17
• 1.2.1 故障預(yù)測(cè)方法概述14-15
• 1.2.2 國(guó)內(nèi)外研究歷史概述15-16
• 1.2.3 國(guó)內(nèi)外研究現(xiàn)狀概述16-17
• 1.3 神經(jīng)網(wǎng)絡(luò)方法概述17-19
• 1.4 課題來(lái)源及主要研究?jī)?nèi)容19-21
• 第二章 灰色神經(jīng)網(wǎng)絡(luò)方法在故障預(yù)測(cè)中的應(yīng)用研究21-49
• 2.1 灰色神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介21-25
• 2.2 時(shí)域特征參數(shù)應(yīng)用25-33
• 2.2.1 時(shí)域特征參數(shù)計(jì)算27-32
• 2.2.2 時(shí)域特征參數(shù)選取方法32-33
• 2.3 故障預(yù)測(cè)實(shí)例33-47
• 2.3.1 軸承故障實(shí)驗(yàn)簡(jiǎn)介33-34
• 2.3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)34-37
• 2.3.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)37-41
• 2.3.4 齒輪故障對(duì)比研究41-47
• 2.4 本章小結(jié)47-49
• 第三章 Elman神經(jīng)網(wǎng)絡(luò)在故障預(yù)測(cè)中的應(yīng)用研究49-57
• 3.1 Elman神經(jīng)網(wǎng)絡(luò)概述49-50
• 3.2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程及算法50
• 3.3 故障預(yù)測(cè)實(shí)例50-56
• 3.3.1 軸承故障預(yù)測(cè)實(shí)例50-54
• 3.3.2 齒輪故障預(yù)測(cè)實(shí)例54-55
• 3.3.3 隱含層神經(jīng)元個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響55-56
• 3.4 本章小結(jié)56-57
• 第四章 形態(tài)分形維數(shù)和極限學(xué)習(xí)機(jī)在故障預(yù)測(cè)中的應(yīng)用研究57-79
• 4.1 極限學(xué)習(xí)機(jī)介紹57-59
• 4.1.1 極限學(xué)習(xí)機(jī)概述57
• 4.1.2 極限學(xué)習(xí)機(jī)學(xué)習(xí)算法57-59
• 4.2 極限學(xué)習(xí)機(jī)在故障預(yù)測(cè)中的應(yīng)用59-68
• 4.2.1 軸承故障預(yù)測(cè)的應(yīng)用59-65
• 4.2.2 齒輪故障預(yù)測(cè)的應(yīng)用65-66
• 4.2.3 極限學(xué)習(xí)機(jī)神經(jīng)元個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響66-67
• 4.2.4 小結(jié)67-68
• 4.3 分形維數(shù)概述68-69
• 4.4 數(shù)學(xué)形態(tài)學(xué)的分型維數(shù)計(jì)算69
• 4.5 形態(tài)分形維數(shù)和極限學(xué)習(xí)機(jī)在故障預(yù)測(cè)中的應(yīng)用69-77
• 4.5.1 形態(tài)分形維數(shù)特征量計(jì)算71-73
• 4.5.2 極限學(xué)習(xí)機(jī)預(yù)測(cè)73-74
• 4.5.3 形態(tài)分形維數(shù)方法對(duì)預(yù)測(cè)結(jié)果的影響74-77
• 4.6 本章小結(jié)77-79
• 第五章 結(jié)論與展望79-81
• 5.1 全文工作總結(jié)79-80
• 5.2 研究展望80-81
• 參考文獻(xiàn)81-87
• 致謝87-89
• 研究成果及發(fā)表的學(xué)術(shù)論文89-91
• 作者和導(dǎo)師簡(jiǎn)介91-92
• 附件92-93

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張?zhí)扈?;發(fā)電廠設(shè)備預(yù)知維修與狀態(tài)維修分析[J];機(jī)電信息;2013年24期

2 劉海燕;蔣澤軍;;基于時(shí)間序列分析和ACO-LSSVM的故障預(yù)測(cè)技術(shù)研究[J];計(jì)算機(jī)與現(xiàn)代化;2013年05期

3 馬碩;焦現(xiàn)煒;田柯文;呂世樂(lè);趙陽(yáng);鄭善軍;;故障預(yù)測(cè)技術(shù)發(fā)展與分類[J];四川兵工學(xué)報(bào);2013年02期

4 王國(guó)彪;何正嘉;陳雪峰;賴一楠;;機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J];機(jī)械工程學(xué)報(bào);2013年01期

5 劉國(guó)海;江輝;肖夏宏;張東娟;梅從立;丁煜函;;近紅外光譜結(jié)合ELM快速檢測(cè)固態(tài)發(fā)酵過(guò)程參數(shù)pH值[J];光譜學(xué)與光譜分析;2012年04期

6 李兵;張培林;任國(guó)全;劉東升;米雙山;;形態(tài)學(xué)廣義分形維數(shù)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2011年10期

7 程進(jìn)軍;夏智勛;胡雷剛;;基于遺傳神經(jīng)網(wǎng)絡(luò)的航空裝備故障預(yù)測(cè)[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

8 曹興;;時(shí)域參數(shù)指標(biāo)在軸承故障診斷中的應(yīng)用[J];科技資訊;2010年24期

9 李兵;張培林;任國(guó)全;劉東升;米雙山;;基于數(shù)學(xué)形態(tài)學(xué)的分形維數(shù)計(jì)算及在軸承故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2010年05期

10 左憲章;康健;李浩;唐力偉;;故障預(yù)測(cè)技術(shù)綜述[J];火力與指揮控制;2010年01期

，

本文編號(hào)：930339