【摘要】：隨著制造業(yè)發(fā)展的突飛猛進(jìn),旋轉(zhuǎn)機(jī)械設(shè)備應(yīng)用場景日益復(fù)雜化,旋轉(zhuǎn)機(jī)械設(shè)備故障診斷也逐漸從依靠專家經(jīng)驗(yàn)轉(zhuǎn)向智能化處理。而軸承作為其關(guān)鍵部件之一,如何進(jìn)行狀態(tài)評估與壽命預(yù)測是核心內(nèi)容。針對這一問題,本文在旋轉(zhuǎn)機(jī)械設(shè)備信號處理中引入機(jī)器學(xué)習(xí),并進(jìn)行滾動軸承狀態(tài)評估與剩余壽命預(yù)測研究。針對軸承診斷中不同特征選擇算法相互孤立的不足,提出一種面向網(wǎng)絡(luò)變量篩選與特征熵融合的軸承特征選擇算法。算法充分利用了基于網(wǎng)絡(luò)的特征平均影響值和特征熵在特征選擇和特征分類中的互補(bǔ)性,將該標(biāo)準(zhǔn)用于敏感特征集的篩選,并通過支持向量機(jī)進(jìn)行狀態(tài)評估。實(shí)驗(yàn)結(jié)果表明由于融合了不同特征選擇算法,本文方法分類精度更高。傳統(tǒng)軸承退化狀態(tài)建模方法存在局限性,本文從機(jī)械設(shè)備的一維監(jiān)測數(shù)據(jù)出發(fā),深入研究基于數(shù)據(jù)驅(qū)動的軸承退化狀態(tài)建模方法。為了充分利用有限狀態(tài)數(shù)據(jù)下滾動軸承剩余壽命預(yù)測問題中特征變化的影響因數(shù),以及特征與時間變化的關(guān)聯(lián)性,本文提出一種基于變量相關(guān)性和時間相關(guān)性的特征篩選方法。在該模型中,首先將MIV算法用于軸承訓(xùn)練集計算的特征進(jìn)行選擇,實(shí)現(xiàn)面向回歸網(wǎng)絡(luò)的變量第一次篩選;并將剩余特征通過相關(guān)系數(shù)標(biāo)識進(jìn)行可分性測度計算,實(shí)現(xiàn)基于時間相關(guān)性的特征的第二次篩選;然后將兩次篩選出的特征向量通過RNN獲得軸承退化曲線;最后使用粒子濾波算法獲得剩余壽命。結(jié)果表明與其它軸承退化曲線構(gòu)造算法相比,該算法在精度方面明顯提高。針對人工特征建模方法的局限性,本文研究了基于深度學(xué)習(xí)的軸承退化狀態(tài)建模方法,提出了一種基于卷積自編碼網(wǎng)絡(luò)的軸承退化狀態(tài)建模方法,在此基礎(chǔ)上,該算法考慮到軸承退化狀態(tài)模型的評價傾向,并進(jìn)行目標(biāo)函數(shù)的改進(jìn)。仿真結(jié)果表明,該算法不僅能夠無視工況,而且在精度和穩(wěn)定性方面也有了不錯的提升。
【圖文】：

機(jī)械故障模擬實(shí)驗(yàn)臺Figure3-5Experimentbenchofmachineryfaultsimulator

圖 4-1 RNN 結(jié)構(gòu)示意圖Figure 4-1 Schematic of an RNN architecture，，RNN 的結(jié)構(gòu)可以描述為一個深度的神經(jīng)型的狀態(tài)有關(guān)。因此網(wǎng)絡(luò)可以通過時間進(jìn)行
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TH133.33;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫明昊;;煤礦機(jī)械設(shè)備故障診斷與維護(hù)研究[J];機(jī)械研究與應(yīng)用;2015年06期

2 孫雪;李昆侖;韓蕾;白曉亮;;基于特征項(xiàng)分布的信息熵及特征動態(tài)加權(quán)概念漂移檢測模型[J];電子學(xué)報;2015年07期

3 劉長良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J];中國電機(jī)工程學(xué)報;2015年13期

4 張玲霞;劉志倉;王輝;齊會云;胡旦;;非線性系統(tǒng)故障診斷的粒子濾波方法[J];電子學(xué)報;2015年03期

5 董煒;陳衛(wèi)征;徐曉濱;吉吟東;;基于可分性測度的模糊隸屬函數(shù)確定方法[J];控制與決策;2014年11期

6 申中杰;陳雪峰;何正嘉;孫闖;張小麗;劉治汶;;基于相對特征和多變量支持向量機(jī)的滾動軸承剩余壽命預(yù)測[J];機(jī)械工程學(xué)報;2013年02期

7 葉林;劉鵬;;基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測模型[J];中國電機(jī)工程學(xué)報;2011年31期

8 徐巖;張曉明;王瑜;孫慶彬;王之猛;孫岳;;基于離散傅里葉變換的頻譜分析新方法[J];電力系統(tǒng)保護(hù)與控制;2011年11期

9 梁勝杰;張志華;崔立林;;主成分分析法與核主成分分析法在機(jī)械噪聲數(shù)據(jù)降維中的應(yīng)用比較[J];中國機(jī)械工程;2011年01期

10 張雄希;劉振興;;基于倒頻譜分析的電機(jī)故障檢測[J];電力系統(tǒng)保護(hù)與控制;2010年20期

本文編號：2675665