由于大型機械裝備的特殊工況對其健康管理提出了嚴峻的挑戰(zhàn),如何準確有效地對關(guān)鍵零部件進行剩余壽命預(yù)測及再制造性研究已成了企業(yè)關(guān)注的焦點。本文就大型機械裝備再制造領(lǐng)域中面臨的兩大難題——如何有效預(yù)測剩余壽命及評估其可再制造性,對復(fù)雜工況下大型構(gòu)件基于狀態(tài)監(jiān)測數(shù)據(jù)融合的剩余壽命預(yù)測算法及其可再制造性系數(shù)評價方法進行了系統(tǒng)的研究。首先,本文對常見的剩余壽命預(yù)測方法及再制造現(xiàn)狀,還有數(shù)據(jù)融合算法與SVM數(shù)學模型進行了研究,通過分析比較,總結(jié)提出了適用于大型構(gòu)件剩余壽命預(yù)測的方法,同時也為健康管理診斷PHM做了奠基。然后,選擇大型破碎機輥套為試驗研究對象,在PRONOSTIA試驗平臺上進行加速壽命試驗,使用傳感器采集得到加速度和溫度原始數(shù)據(jù)信息。通過時域、頻域及時頻域三維特征分析實現(xiàn)特征獲取,選取出最能體現(xiàn)設(shè)備健康狀態(tài)的信號特征,并通過預(yù)處理手段消除狀態(tài)特征的奇異值及趨勢項,再用小波技術(shù)對原始信號實現(xiàn)降噪。其次,構(gòu)建預(yù)測輥套剩余壽命的數(shù)學模型。通過最小二乘和D-S數(shù)據(jù)融合將加速度信號和溫度信號整合構(gòu)建預(yù)測SVM預(yù)測模型,先利用數(shù)據(jù)訓練集對預(yù)測模型進行訓練,再通過網(wǎng)格尋優(yōu)算法及交叉驗證優(yōu)化模型參數(shù),最后利用優(yōu)化好的SVM模型完成預(yù)測。同時將本文方法的預(yù)測結(jié)果跟僅利用單個數(shù)據(jù)源進行預(yù)測及其他預(yù)測方法的剩余壽命預(yù)測結(jié)果進行對比驗證,并且將輥套在不同工況下進行疲勞試驗,結(jié)果證明本文所提預(yù)測方法的可靠性和算法的正確性。最后,本文針對輥套健康管理中的可再制造性問題進行分析,根據(jù)機械設(shè)備現(xiàn)行評價其可再制造性的標準設(shè)計了更適用評價本文討論對象的可再制造性系數(shù)模型,并確定了模型中各個指數(shù)的具體算法。該模型從技術(shù)、經(jīng)濟及環(huán)境三個維度綜合評定輥套的可再制造性,形成了一套完整的評價其可再制造性指數(shù)的方法,實例結(jié)果表明該方法有效可行。
【學位單位】：江西理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH69
【部分圖文】：

2.2 支持向量機理論支持向量機（SVM）是由統(tǒng)計學理論發(fā)展而來的一種數(shù)據(jù)挖掘技術(shù)，在回歸和分類問題上具有優(yōu)越的表現(xiàn)性能。SVM 起源于二維分類問題的最優(yōu)分類面，其本質(zhì)如圖2.2 所述。圖2.2 最優(yōu)分類面示意圖其中，方塊和圈圈表征兩類子樣，H 代表分類線，平行于H 的兩條直線1H 、2H 各自經(jīng)過離 H 距離最小的樣本， 、 之間的距離大小稱作分類間隔。最優(yōu)分類線不僅可以在零訓練錯誤率下把兩類樣本準確分離，并要保證分類間距最大。SVM 求解把計算低維空間nR 中的ix 與jx轉(zhuǎn)換成計算高維特征空間F 中的Tx x，將線性不可分問題進行線性化求解。設(shè)定樣本集 1, | , ,n ni i i i ix y x R y R S X Y ，ix 為輸入變量，iy 為對應(yīng)的預(yù)估值

行試驗并收集數(shù)據(jù)。加速度傳感器工作頻率為25.6 kHz，采集周期為 10s，一次采集2560 組數(shù)據(jù)；溫度傳感器工作頻率為 10Hz，采集周期為 10s，一次采集 100 組數(shù)據(jù)。試驗平臺布置如圖3.1 所示。圖3.1 試驗平臺布置圖本文使用 IEEE PHM 2012 Data Challenge 試驗數(shù)據(jù)進行分析說明[140]。本次共進行了4 組試驗，每組試驗失效一個樣件。第一、第二組試驗的測試要求為施加徑向載荷4000kN 并以1800rpm/min 的轉(zhuǎn)速工作；第三、第四組試驗的測試要求為施加徑向載荷4200kN，并以1650rpm/min 的轉(zhuǎn)速工作，將最終試驗數(shù)據(jù)整理至表3.1。

特征信號的提取也是基于時間片進行的，通過提取每個時間片上的特征，然后將其組合成一個新的特征序列。本文以輥套 1 為例進行說明，先將整個生命周期內(nèi)的輥套振動加速度及溫度信號繪制成圖3.2 所示。圖 3.2 加速度和溫度原始信號由圖可知，其整個生命周期能直觀地分成平穩(wěn)、衰退和失效三個明顯的階段。在平穩(wěn)階段中，信號幅值處于較低水平；在衰退階段中，幅值開始逐漸增大，但增大速度很緩慢；在失效階段中，幅值劇烈增加，并造成最終失效。為準確評估輥套的健康狀態(tài)，必須確定一個能有效表征整個生命周期內(nèi)輥套衰退狀況的特征，常見的特征主要有時域、頻域及時頻域特征三類。3.2.1 時域特征時域特征參量包含有量綱及無量綱參量。正常狀態(tài)下，有量綱參量會隨故障水平的加重而變大，但也會受具體工況的影響。無量綱參量通常由發(fā)生失效的概率密度函數(shù)決定，跟零件的具

【參考文獻】

相關(guān)期刊論文 前10條

1 尹君;謝家平;劉娟;;舊件分級回收再制造決策機制研究[J];上海管理科學;2017年03期

2 蔡忠義;陳云翔;李韶亮;項華春;王澤洲;;考慮隨機退化和信息融合的剩余壽命預(yù)測方法[J];上海交通大學學報;2016年11期

3 闕子俊;金曉航;孫毅;;基于UKF的軸承剩余壽命預(yù)測方法研究[J];儀器儀表學報;2016年09期

4 劉德昆;李強;王曦;丁然;;動車組軸箱軸承基于實測載荷的壽命預(yù)測方法[J];機械工程學報;2016年22期

5 劉剛;黎放;;基于貝葉斯模型的裝備剩余壽命預(yù)測研究[J];火力與指揮控制;2016年05期

6 謝吉偉;劉君強;王小磊;;應(yīng)用交互式多模型算法的設(shè)備剩余壽命預(yù)測[J];空軍工程大學學報(自然科學版);2016年02期

7 胡姚剛;李輝;廖興林;宋二兵;歐陽海黎;劉志祥;;風電軸承性能退化建模及其實時剩余壽命預(yù)測[J];中國電機工程學報;2016年06期

8 李聰波;馮亞;杜彥斌;李玲玲;;基于改進模糊神經(jīng)網(wǎng)絡(luò)的廢舊零部件再制造工藝方案決策方法[J];計算機集成制造系統(tǒng);2016年03期

9 范磊;王少萍;張超;孔德賀;毛陽;;直升機行星架疲勞裂紋擴展壽命預(yù)測[J];北京航空航天大學學報;2016年09期

10 李駿;宋友輝;劉漢斌;徐凌志;郭昊雁;;渦輪葉片-榫頭-輪盤的蠕變與低循環(huán)疲勞壽命預(yù)測[J];推進技術(shù);2015年11期

相關(guān)博士學位論文 前3條

1 董紹江;基于優(yōu)化支持向量機的空間滾動軸承壽命預(yù)測方法研究[D];重慶大學;2012年

2 潘玉娜;滾動軸承的性能退化特征提取及評估方法研究[D];上海交通大學;2011年

3 郝英;基于智能技術(shù)的民航發(fā)動機故障診斷和壽命預(yù)測研究[D];南京航空航天大學;2006年

相關(guān)碩士學位論文 前10條

1 李曉婧;基于再制造的閉環(huán)供應(yīng)鏈網(wǎng)絡(luò)均衡模型研究[D];北京交通大學;2017年

2 張傳杰;基于B/S模式的工程機械再制造產(chǎn)品信息追溯系統(tǒng)研究[D];湖南大學;2014年

3 夏小軍;工程機械退役產(chǎn)品信息追溯系統(tǒng)研究[D];湖南大學;2014年

4 李超;基于監(jiān)測數(shù)據(jù)的機械設(shè)備剩余壽命預(yù)測研究[D];大連理工大學;2014年

5 羅井知;基于信息追溯的退役工程機械再制造過程綠色性評價研究[D];湖南大學;2014年

6 李琪;退役工程機械再生制造的回收網(wǎng)絡(luò)構(gòu)建研究[D];北京交通大學;2014年

7 王擎宇;基于工程機械再制造逆向物流舊件回收體系的研究[D];廣西大學;2013年

8 黃昊穎;工程機械關(guān)鍵零部件再制造性與評估分析[D];廣西大學;2013年

9 馬雁春;基于數(shù)據(jù)挖掘的航空PHM中預(yù)測方法的研究[D];南京航空航天大學;2010年

10 雷達;計及硬件損傷的航空發(fā)動機拆發(fā)預(yù)測方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學;2009年

本文編號：2808218