隨著工業(yè)信息化技術(shù)的不斷發(fā)展進(jìn)步,機(jī)電裝備越來越向著精密化、復(fù)雜化以及智能化方向發(fā)展,其在給人類生產(chǎn)生活創(chuàng)造便利的同時(shí),也給設(shè)備的故障預(yù)測(cè)和健康管理帶來新的挑戰(zhàn)。一旦機(jī)械設(shè)備發(fā)生故障而失效,則會(huì)影響整個(gè)機(jī)電系統(tǒng)的健康運(yùn)行,導(dǎo)致嚴(yán)重的生產(chǎn)事件發(fā)生,更甚者會(huì)造成生命和財(cái)產(chǎn)的嚴(yán)重?fù)p失。軸承是機(jī)電裝備的關(guān)鍵零部件之一,大多數(shù)機(jī)械設(shè)備因故障而無法健康穩(wěn)定運(yùn)行都和軸承損壞存在直接或間接的關(guān)系。因此,本課題運(yùn)用目前國(guó)內(nèi)外健康壽命預(yù)測(cè)主流的研究方法:基于數(shù)據(jù)驅(qū)動(dòng)的方法,以軸承為例進(jìn)行機(jī)電裝備典型零部件健康壽命預(yù)測(cè)技術(shù)研究,其主要的研究?jī)?nèi)容如下所述:首先,借助在軸承整個(gè)生命周期中采集到的全部振動(dòng)信號(hào),分析比較不同的時(shí)域特征和頻域特征,獲取其在軸承全生命周期內(nèi)的變化情況,最終選取均方根、峰值因子、峭度指標(biāo)和頻譜分區(qū)求和四個(gè)特征作為軸承剩余壽命預(yù)測(cè)的退化指標(biāo)。然后,針對(duì)Mean-DNN等方法存在的不足之處,我們提出一種將K-近鄰回歸預(yù)測(cè)模型和全連接深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相融合的深度聯(lián)想神經(jīng)網(wǎng)絡(luò)(ASDNN)預(yù)測(cè)模型,并在“IEEE PHM 2012”數(shù)據(jù)集上與4種典型方法進(jìn)行對(duì)比分析,說明其優(yōu)越性和可行性。其...

【文章頁數(shù)】：89 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1試驗(yàn)臺(tái)結(jié)構(gòu)情況

貴州大學(xué)碩士學(xué)位論文正常運(yùn)行狀態(tài)下，在實(shí)驗(yàn)室環(huán)境下獲取軸承從健康運(yùn)行狀態(tài)到最終失效的整個(gè)命周期數(shù)據(jù)幾乎不太現(xiàn)實(shí)。加速壽命實(shí)驗(yàn)平臺(tái)（AcceleratedLifeTesting,ALT）以通過改變軸承運(yùn)行的載荷或轉(zhuǎn)速加快其衰退過程，獲取其全生命周期的退化過數(shù)據(jù)。本文采用“IE....

圖2-3均值和峰峰值變化示意圖

并采集全生命周期數(shù)據(jù)，數(shù)據(jù)集包括2803個(gè)樣本數(shù)據(jù)，每個(gè)樣本含義2560個(gè)數(shù)據(jù)點(diǎn)。首先，我們獲取均值和峰峰值變化示意圖。通過圖2-3觀察得到，在軸承的整個(gè)生命周期內(nèi)，除去個(gè)別異常點(diǎn)外，均值和峰峰值基本上沒有發(fā)生明顯的變化，這表明它們不能較好的表征軸承的退化過程。圖2....

圖2-4方差、脈沖因子以及波形因子變化示意圖

的變化情況如圖2-5所示，與其余的特征參數(shù)相比，一方面，當(dāng)軸承時(shí)就會(huì)引發(fā)RMS值得變化，可見其對(duì)于早期故障較為敏感。另一方面障程度的不斷加深，均方根也會(huì)隨之變化。因此，均方根可以較好的康狀態(tài)，故本文選用均方根作為退化指標(biāo)之一。

圖2-5均方根變化示意圖

20圖2-4方差、脈沖因子以及波形因子變化示意圖均方根的變化情況如圖2-5所示，與其余的特征參數(shù)相比，一方面，當(dāng)軸承剛剛出現(xiàn)故障時(shí)就會(huì)引發(fā)RMS值得變化，可見其對(duì)于早期故障較為敏感。另一方面，隨著軸承故障程度的不斷加深，均方根也會(huì)隨之變化。因此，均方根可以較好的表征軸承的....

本文編號(hào)：3984770