基于大数据技术的滚动轴承故障诊断及剩余寿命预测方法研究
滚动轴承是以透平机械为主的多数机械设备中应用最为广泛的一类零部件,但同时它也是其中最易损的一种零部件。传统的滚动轴承剩余寿命预测方法通常在振动信号降噪后,提取时域或频域某一特征评估轴承性能退化,建立模型预测剩余寿命。但由于单一域指标难以全面表征轴承性能退化过程,模型建立过于简单,导致预测结果不准确。因此,针对上述问题,本文借助大数据分析技术,研究了从多域提取轴承特征并进行加权计算,构造一个新的性能退化评估指标,在支持向量机的基础上建立改进组合模型来进行轴承剩余寿命预测。<br>  首先,了解了滚动轴承特征提取、故障诊断...
滚动轴承是以透平机械为主的多数机械设备中应用最为广泛的一类零部件,但同时它也是其中最易损的一种零部件。传统的滚动轴承剩余寿命预测方法通常在振动信号降噪后,提取时域或频域某一特征评估轴承性能退化,建立模型预测剩余寿命。但由于单一域指标难以全面表征轴承性能退化过程,模型建立过于简单,导致预测结果不准确。因此,针对上述问题,本文借助大数据分析技术,研究了从多域提取轴承特征并进行加权计算,构造一个新的性能退化评估指标,在支持向量机的基础上建立改进组合模型来进行轴承剩余寿命预测。
  首先,了解了滚动轴承特征提取、故障诊断以及剩余寿命(P-F时间)预测的研究背景和意义,对信号降噪的国内外研究现状进行了总结与分析,在分析大数据技术的发展状况及其在故障诊断领域的应用现状的同时,归纳了滚动轴承剩余寿命预测工作中存在的重点问题和难点问题,对滚动轴承性能状态评估所需特征信息的提取方法进行了研究,结合P-F曲线,深度分析了滚动轴承的故障演化规律,研究其性能退化过程,准确解读了剩余寿命的涵义,以便开展后续研究工作;
  其次,针对采集到的轴承振动信号中包含大量噪声而导致的诊断及寿命预测工作中结果出现较大偏差甚至无法实现诊断及寿命预测的情况,运用了局部均值分解算法,并结合快速独立成分分析方法对轴承振动信号予以降噪处理,经过仿真分析,验证了该方法的可行性,然后运用实际工程试验数据,再次验证了该方法在信号降噪方面的有效性;并与常用的滤波器滤波方法的信号处理结果进行对比,发现本文提出的方法在处理轴承振动信号降噪问题时效果更好;
  然后,针对滚动轴承剩余寿命预测工作中一个难点,即性能退化评估指标难以构建的问题,提取了时域和频域的特征指标并形成特征集合,应用核主成分分析方法对特征集合进行加权分析运算,提取了包含特征集合关键信息的核第一主成分作为轴承性能退化评估指标,采用轴承全寿命实验数据验证该指标对轴承性能退化的评估能力,对比发现该指标既能良好体现轴承性能退化规律,又兼顾了良好的初期故障敏感性;
  最后,针对传统支持向量机在预测滚动剩余寿命时存在的准确率不高的问题,研究了在支持向量机基础上发展起来的最小二乘支持向量回归模型,对经过核主成分分析加权处理后的时域和频域特征集合,选用满足条件的主成分作为预测模型的输入,建立了最小二乘支持向量回归模型预测滚动轴承剩余寿命,并采用遗传算法优化了模型参数。采用轴承全寿命实验数据验证该预测方法的有效性,并将最终预测结果与其他支持向量回归模型得到的预测结果进行对比,验证了该方法在预测轴承剩余寿命时能够获得良好的预测结果。
展开
作者: 者娜
学科专业: 安全科学与工程
授予学位: 硕士
学位授予单位: 北京化工大学
导师姓名: 杨剑锋
学位年度: 2018
语 种: chi
分类号: TH133.33
在线出版日期: 2018年9月10日