滾動軸承是工業(yè)上最常用且最易損壞的機械零件,其發(fā)生任何意外故障都可能給工廠帶來巨大損失。此外,滾動軸承運行過程中的振動信號蘊含了豐富的狀態(tài)信息,為利用數(shù)據(jù)驅動的方法進行剩余壽命預測奠定了基礎。為防止軸承失效,可以利用滾動軸承的振動信號對其剩余使用壽命（RUL）進行預測,進而提前進行維護。本文從滾動軸承的振動信號出發(fā),研究了數(shù)據(jù)驅動方式下滾動軸承的退化狀態(tài)建模及剩余使用壽命預測。首先研究了滾動軸承的退化特征提取,構造了兩種退化特征。通過分析滾動軸承振動信號的時域、頻域和時頻域特征提取方法,先基于相似度構造了相似度特征,并進行敏感特征篩選,作為滾動軸承的第一種退化特征。之后為了減少退化特征構造的復雜性,提出在頻域幅值的基礎上建立頻域累積幅值特征SF,該特征比起頻域幅值特征更平滑穩(wěn)定,作為軸承的第二種退化特征。其次利用卷積神網(wǎng)絡（CNN）和門控循環(huán)單元（GRU）建立了滾動軸承的兩種健康指示器。首先針對基于相似度的滾動軸承退化特征,利用CNN的局部連接、權值共享、空間池化的優(yōu)勢,構建了 CNN-HI模型,根據(jù)該模型預測軸承的退化值,得出其退化曲線。然后針對SF特征,利用CNN提取深層特征的優(yōu)勢... 

【文章來源】：機械科學研究總院北京市

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

圖１－丨基于數(shù)據(jù)驅動的ＲＵＬ預測方法的整體框架??

?機械科學研究總院碩士學位論文???第五章對第三章和第四章的健康指示器（ＨＩ）構建效果進行驗證并實現(xiàn)剩余壽??命的預測。利用第三章和第四章構建的健康指示器（ＨＩ）得出的軸承退化曲線，用??指數(shù)函數(shù)進行模擬，為了搜尋最優(yōu)的擬合參數(shù)，利用粒子濾波算法進行參數(shù)尋優(yōu)，??通過擬合未來的軸承退化曲線，實現(xiàn)剩余使用壽命的預測，之后進行實驗結果的展??示與評價。??第六章是本文的總結與展望部分，首先對本文的主要研宄內容進行總結，其次??對下一步的工作方向進行了分析與展望。??本論文整體結構的組織框圖如圖１－２所示。??第一章緒論???Ｘ???第二章滾動軸承振動信號的分析方法??＿＾＿??時域特征提取?頻域特征提取?時頻域特征提取??第三章基于相似度特征和?第四章基于ＳＦ特征和ＣＮＮ－??ＣＮＮ的滾動軸承退化狀態(tài)建模?ＧＲＵ的滾動軸承退化狀態(tài)建模??Ｉ?—??第五章基于粒子濾波的滾動軸承剩余壽命預測??第六章總結與展望??圖１－２論文整體結構的組織框圖??７??

?機械科學研究總院碩士學位論文???第二章滾動軸承振動信號的分析方法??２．１滾動軸承介紹??滾動軸承作為一種精密的機械元部件，其基本結構包括外圈、內圈、滾動體和??保持架。內圈與軸相配合并且連同軸共同旋轉，外圈聯(lián)合軸承座共同起支撐作用，??滾動體位于外圈和內圈之間，其借助保持架呈現(xiàn)均勻分布。保持架的作用是防止?jié)L??動體脫落，并引導滾動體旋轉。滾動體的大小和數(shù)量直接影響著滾動軸承的使用性??能和壽命。下圖２－１展示了滾動軸承的基本結構。??滾珠——卜ｉ—外圈??保持架’七內圈??圖２－１滾動軸承的基本結構??按照滾動體的形狀對滾動軸承進一步分類，滾動軸承包含球軸承和滾子軸承，??球軸承的滾動體為球，滾子軸承的滾動體為滾子。按照滾子種類的不同，滾子軸承??包含了圓柱滾子軸承、滾針軸承、調心滾子、圓錐滾子軸承等。??比起滑動軸承，滾動軸承用滾動摩擦代替滑動摩擦，因此摩擦阻力小，起動快，??啟動阻力矩小，運行效率高。滾動軸承為機械領域的標準化產品，其生產過程己經??達到了標準化、系列化和通用化，能夠進行大批量的生產和供應，另外，滾動軸承??的精度高，轉速高，磨損小，使用壽命相對較長，這些特點都使?jié)L動軸承成為了最??廣泛的機械使用標準件，大多數(shù)旋轉機械設備都會用到滾動軸承。??由于滾動軸承的滾動體原件與管道接觸面積小，因此導致其抗沖擊能力較差，??滾動軸承中的球軸承抗沖擊能力最差。另外，滾動軸承經常處在高速運轉和重載的??工況下運行，使得其性能不斷退化，剩余壽命降低。在成本方面，滾動軸承的成本??較高，因此，對滾動軸承的剩余使用壽命預測具有重要意義。??８??

【參考文獻】：
期刊論文
[1]基于遞歸神經網(wǎng)絡的永磁同步電機參數(shù)辨識研究[J]. 荊祿宗,吳欽木.  電氣傳動. 2020(03)
[2]基于粒子濾波的非線性退化設備剩余壽命自適應預測[J]. 王璽,周薇,胡昌華,張建勛,裴洪,劉軒.  兵器裝備工程學報. 2020(10)
[3]基于小波包能量譜與主成分分析的軸承故障特征增強診斷方法[J]. 郭偉超,趙懷山,李成,李言,湯奧斐.  兵工學報. 2019(11)
[4]BP與AR模型在軸承性能退化評估和預測中的應用[J]. 涂文濤,劉韜,劉浩煒,陳慶.  電子測量與儀器學報. 2019(11)
[5]KPCA和改進SVM在滾動軸承剩余壽命預測中的應用研究[J]. 者娜,楊劍鋒,劉文彬,陳良超.  機械設計與制造. 2019(11)
[6]航空發(fā)動機的健康指標構建與剩余壽命預測[J]. 彭開香,皮彥婷,焦瑞華,唐鵬.  控制理論與應用. 2020(04)
[7]基于一維卷積神經網(wǎng)絡深度學習的工業(yè)過程故障檢測[J]. 李元,馮成成.  測控技術. 2019(09)
[8]基于多尺度AlexNet網(wǎng)絡的健康因子構建方法[J]. 張鋼,田福慶,梁偉閣,佘博.  系統(tǒng)工程與電子技術. 2020(01)
[9]基于自適應組合核函數(shù)的RVM剩余壽命預測研究[J]. 王赟,景博,焦曉璇,李振剛,李保軍.  電子測量與儀器學報. 2019(06)
[10]基于一維卷積神經網(wǎng)絡的滾動軸承自適應故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學報. 2018(07)

博士論文
[1]推薦系統(tǒng)中協(xié)同過濾算法若干問題的研究[D]. 張亮.北京郵電大學 2009

碩士論文
[1]基于PSO優(yōu)化SVM的滾動軸承剩余使用壽命預測研究[D]. 孫晨光.石家莊鐵道大學 2019
[2]結合CNN和LSTM的滾動軸承剩余使用壽命預測方法研究[D]. 李少鵬.哈爾濱理工大學 2019
[3]基于深度學習的機械設備退化狀態(tài)建模及剩余壽命預測研究[D]. 劉小勇.哈爾濱工業(yè)大學 2018
[4]基于AdaBoostRVM的滾動軸承剩余壽命預測方法研究[D]. 董正.哈爾濱理工大學 2018
[5]基于多健康狀態(tài)評估的滾動軸承剩余壽命預測方法研究[D]. 張龍龍.電子科技大學 2014



本文編號：3509276