本文關(guān)鍵詞：基于極限學(xué)習(xí)機的設(shè)備故障預(yù)測方法及應(yīng)用研究

  更多相關(guān)文章： 故障預(yù)測 灰色神經(jīng)網(wǎng)絡(luò) Elman網(wǎng)絡(luò) 形態(tài)分形維數(shù) 極限學(xué)習(xí)機

【摘要】：為了提升設(shè)備使用效率,降低維修維護成本,避免重大事故發(fā)生,實現(xiàn)設(shè)備故障的趨勢預(yù)測,論文以滾動軸承和齒輪為研究對象,圍繞極限學(xué)習(xí)機及相關(guān)的人工神經(jīng)網(wǎng)絡(luò)模型開展了預(yù)測方法及應(yīng)用研究。以振動信號的時域特征參數(shù)和形態(tài)分形維數(shù)為預(yù)測特征量,分別運用灰色神經(jīng)網(wǎng)絡(luò)、Elman反饋神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機對特征量進行預(yù)測,與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行對比,證明了極限學(xué)習(xí)機模型在故障預(yù)測中的有效性,具體內(nèi)容如下：(1)開展了基于灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測方法及應(yīng)用研究。以軸承故障為研究對象,提取原始振動信號的時域特征參數(shù),根據(jù)其時間序列趨勢,將故障發(fā)展分為三個階段,分別截取等量數(shù)據(jù)并計算其相對變化值,對比分析各個時域特征參數(shù)對于早期故障的敏感性和故障持續(xù)發(fā)展的穩(wěn)定性,選取有量綱參數(shù)的有效值和無量綱參數(shù)的峭度作為特征量,運用BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)分別對不同的數(shù)據(jù)集進行趨勢預(yù)測,并以齒輪故障為研究對象實現(xiàn)對比驗證。(2)開展了基于Elman神經(jīng)網(wǎng)絡(luò)的故障預(yù)測方法及應(yīng)用研究。簡述了Elman網(wǎng)絡(luò)作為一種動態(tài)反饋型網(wǎng)絡(luò)與前向型神經(jīng)網(wǎng)絡(luò)的區(qū)別和特點,分別以軸承和齒輪為研究對象,以有效值和峭度為特征參數(shù),運用Elman神經(jīng)網(wǎng)絡(luò)對其進行趨勢預(yù)測,并研究了不同神經(jīng)元個數(shù)對于預(yù)測結(jié)果的影響。(3)開展了基于形態(tài)分形維數(shù)及極限學(xué)習(xí)機的故障預(yù)測方法及應(yīng)用研究。簡述了極限學(xué)習(xí)機(ELM)相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法優(yōu)勢,實現(xiàn)了其在軸承和齒輪中的故障預(yù)測,并分析了隱含層神經(jīng)元的個數(shù)對于預(yù)測性能的影響。為了進一步提升預(yù)測精度,引入了分形維數(shù)和數(shù)學(xué)形態(tài)學(xué)的基本思想,通過計算原始時域振動信號的形態(tài)分形維數(shù),揭示了其作為預(yù)測特征量的可行性,運用ELM模型對經(jīng)過形態(tài)分形維數(shù)處理后的信號進行趨勢預(yù)測,對比了時域參數(shù)下ELM模型的預(yù)測結(jié)果,并綜合比較了相應(yīng)預(yù)測模型的性能。結(jié)果表明：以時域參數(shù)為特征量時,ELM模型的預(yù)測誤差最小,精度最高,可以準確地擬合故障發(fā)展趨勢,且不受神經(jīng)元個數(shù)的影響；灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度次之,可以在較少的數(shù)據(jù)情況下實現(xiàn)較高的預(yù)測精度；不同對象的驗證結(jié)果均表明,傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果較差。以形態(tài)分形維數(shù)為特征量時,ELM模型可以實現(xiàn)精確預(yù)測,相對于時域特征量,其預(yù)測精度更高,是一種有效的特征提取和故障預(yù)測方法。
【關(guān)鍵詞】：故障預(yù)測 灰色神經(jīng)網(wǎng)絡(luò) Elman網(wǎng)絡(luò) 形態(tài)分形維數(shù) 極限學(xué)習(xí)機
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH17;TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 緒論13-21
• 1.1 課題研究背景和意義13-14
• 1.2 故障預(yù)測方法的國內(nèi)外研究歷史和現(xiàn)狀14-17
• 1.2.1 故障預(yù)測方法概述14-15
• 1.2.2 國內(nèi)外研究歷史概述15-16
• 1.2.3 國內(nèi)外研究現(xiàn)狀概述16-17
• 1.3 神經(jīng)網(wǎng)絡(luò)方法概述17-19
• 1.4 課題來源及主要研究內(nèi)容19-21
• 第二章 灰色神經(jīng)網(wǎng)絡(luò)方法在故障預(yù)測中的應(yīng)用研究21-49
• 2.1 灰色神經(jīng)網(wǎng)絡(luò)簡介21-25
• 2.2 時域特征參數(shù)應(yīng)用25-33
• 2.2.1 時域特征參數(shù)計算27-32
• 2.2.2 時域特征參數(shù)選取方法32-33
• 2.3 故障預(yù)測實例33-47
• 2.3.1 軸承故障實驗簡介33-34
• 2.3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測34-37
• 2.3.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測37-41
• 2.3.4 齒輪故障對比研究41-47
• 2.4 本章小結(jié)47-49
• 第三章 Elman神經(jīng)網(wǎng)絡(luò)在故障預(yù)測中的應(yīng)用研究49-57
• 3.1 Elman神經(jīng)網(wǎng)絡(luò)概述49-50
• 3.2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程及算法50
• 3.3 故障預(yù)測實例50-56
• 3.3.1 軸承故障預(yù)測實例50-54
• 3.3.2 齒輪故障預(yù)測實例54-55
• 3.3.3 隱含層神經(jīng)元個數(shù)對預(yù)測結(jié)果的影響55-56
• 3.4 本章小結(jié)56-57
• 第四章 形態(tài)分形維數(shù)和極限學(xué)習(xí)機在故障預(yù)測中的應(yīng)用研究57-79
• 4.1 極限學(xué)習(xí)機介紹57-59
• 4.1.1 極限學(xué)習(xí)機概述57
• 4.1.2 極限學(xué)習(xí)機學(xué)習(xí)算法57-59
• 4.2 極限學(xué)習(xí)機在故障預(yù)測中的應(yīng)用59-68
• 4.2.1 軸承故障預(yù)測的應(yīng)用59-65
• 4.2.2 齒輪故障預(yù)測的應(yīng)用65-66
• 4.2.3 極限學(xué)習(xí)機神經(jīng)元個數(shù)對預(yù)測結(jié)果的影響66-67
• 4.2.4 小結(jié)67-68
• 4.3 分形維數(shù)概述68-69
• 4.4 數(shù)學(xué)形態(tài)學(xué)的分型維數(shù)計算69
• 4.5 形態(tài)分形維數(shù)和極限學(xué)習(xí)機在故障預(yù)測中的應(yīng)用69-77
• 4.5.1 形態(tài)分形維數(shù)特征量計算71-73
• 4.5.2 極限學(xué)習(xí)機預(yù)測73-74
• 4.5.3 形態(tài)分形維數(shù)方法對預(yù)測結(jié)果的影響74-77
• 4.6 本章小結(jié)77-79
• 第五章 結(jié)論與展望79-81
• 5.1 全文工作總結(jié)79-80
• 5.2 研究展望80-81
• 參考文獻81-87
• 致謝87-89
• 研究成果及發(fā)表的學(xué)術(shù)論文89-91
• 作者和導(dǎo)師簡介91-92
• 附件92-93

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張?zhí)扈?;發(fā)電廠設(shè)備預(yù)知維修與狀態(tài)維修分析[J];機電信息;2013年24期

2 劉海燕;蔣澤軍;;基于時間序列分析和ACO-LSSVM的故障預(yù)測技術(shù)研究[J];計算機與現(xiàn)代化;2013年05期

3 馬碩;焦現(xiàn)煒;田柯文;呂世樂;趙陽;鄭善軍;;故障預(yù)測技術(shù)發(fā)展與分類[J];四川兵工學(xué)報;2013年02期

4 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎(chǔ)研究“何去何從”[J];機械工程學(xué)報;2013年01期

5 劉國海;江輝;肖夏宏;張東娟;梅從立;丁煜函;;近紅外光譜結(jié)合ELM快速檢測固態(tài)發(fā)酵過程參數(shù)pH值[J];光譜學(xué)與光譜分析;2012年04期

6 李兵;張培林;任國全;劉東升;米雙山;;形態(tài)學(xué)廣義分形維數(shù)在發(fā)動機故障診斷中的應(yīng)用[J];振動與沖擊;2011年10期

7 程進軍;夏智勛;胡雷剛;;基于遺傳神經(jīng)網(wǎng)絡(luò)的航空裝備故障預(yù)測[J];空軍工程大學(xué)學(xué)報(自然科學(xué)版);2011年01期

8 曹興;;時域參數(shù)指標在軸承故障診斷中的應(yīng)用[J];科技資訊;2010年24期

9 李兵;張培林;任國全;劉東升;米雙山;;基于數(shù)學(xué)形態(tài)學(xué)的分形維數(shù)計算及在軸承故障診斷中的應(yīng)用[J];振動與沖擊;2010年05期

10 左憲章;康健;李浩;唐力偉;;故障預(yù)測技術(shù)綜述[J];火力與指揮控制;2010年01期

，

本文編號：930339