基于支持向量机的滚动轴承剩余寿命预测及实例分析

VIP免费
3.0 牛悦 2024-11-19 4 4 1023.76KB 79 页 15积分
侵权投诉
摘 要
轴承是旋转机械设备重要或者说是关键部件，轴承的性能决定着整个设备的性
能，轴承的寿命决定着整个设备的寿命，比如发动机。因此，开展轴承故障和剩
余寿命的预测研究，对于设备安全生产以及降低高额的维修费用都具有重要的理
论意义和应用价值。
本文首先回顾了国内外状态维修理论和剩余寿命预测技术的研究现状和发展
趋势，分析了国、内研究存在的问题，重点介绍了轴承剩余寿命的预测理论和模
型，并分析了各种技术的优缺点以及适用范围。
其次，介绍了支持向量机理论。阐述了支持向量机基本思想和支持向量机分类
原回归理论，并基于支持向量回归机和状态监测理论提出了一个轴承剩余寿命预
测模型。
再次，介绍粒子群优化算法。介绍了粒子群算法在复杂非线性优化问题中的作
用，并说明了采用粒子群算法优化支持向量机参数的可能性，接着介绍粒子群算
法的特点与作用，算法的基本原理和算法框架，还比较了基本粒子群算法和改进
粒子群算法的异同，同时也把粒子群算法与遗传算法，蚁群算法作比较，阐述了
利用改进粒子群算法优化支持向量机参数的优越性。
最后，进行实例分析。通过某轴承试验数据进行仿真求解，利用改进粒子群算
法优化支持向量机参数
,Cg
训练最优预测模型，接着利用训练的模型进行预测，
并把预测的结果与神经网络，网格搜索法，基本粒子群算法比较，结果表明，本
文的方法在效率与准确性都优于其他方法，从而为剩余寿命预测提供了一种新的
方法。
关键词：状态维修 粒子群算法 支持向量机 剩余寿命 预测
ABSTRACT
Bearing is of important or key components in rotating machinery
equipment .bearing performance determine the whole equipment performance, bearing
life determines the whole life of equipment, such as engine. Therefore, it’s very
significance to carry out the bearing fault and life prediction for safety and economy.
This paper firstly reviews condition-based maintenance theory and life prediction
technology research situation and development trend, then analyzed the problems of the
research and compared study gap with overseas, and emphatically introduced the
bearing residual life prediction theory and model. Finally, evaluate briefly the
advantages and disadvantages of various techniques and the scope of application.
Then, introduced the support vector machine (SVM) theory. Firstly, the paper
introduced the support vector machine basic ideas and support vector classification
principle. Then derivate the support vector regression (SVR) theory by support vector
classifier principle. Finally put forward a bearing residual life prediction model based
on support vector regression machine and condition monitoring theory.
Again, introduce particle swarm optimization algorithm(PSO). Illustrates the role of
PSO in the complicated nonlinear optimization problems and the possibility of
optimiz-
ation the parameters of SVM. Then introduced the basic principle and framework of
PSO. Compared similarities and differences similarities and differences between the
PSO and the genetic algorithm (GA) and the ant colony algorithm (ACA) .Finally,
discussed the superiority of using the improved PSO for optimization parameters of
SVM.
Finally, simulated the model through trial data of bearing. First training the
forecasting model based improved PSO optimization parameters of SVM. And
predicted the test data by using the optimal training model, then compared the forecast
results with the artificial neural network (ANN), grid search method and basic
PSO .Results showed the proposed method is better than other methods in efficiency
and accuracy. Thus the proposed provide a new method for predicting residual life
Key Words: CBM, PSO, SVM, RUL, Prediction
目录
中文摘要
ABSTRACT
第一章 绪论 .........................................................1
§1.1 研究的背景和意义 ........................................... 1
§1.2 国内外研究现状及评价 ....................................... 2
§1.2.1 研究对象的界定 .......................................... 2
§1.2.2 状态维修技术 ............................................ 2
§1.2.3 剩余寿命预测技术 ........................................ 6
§1.2.4 研究现状评价 ............................................ 8
§1.3 本文研究的主要内容及技术路线 ............................... 9
§1.3.1 本文的研究的主要内容 .................................... 9
§1.3.2 本文的技术路线 ......................................... 10
第二章 滚动轴承剩余寿命预测技术 ....................................11
§2.1 引言 ...................................................... 11
§2.2 基于模型驱动的方法 ........................................ 12
§2.3 基于数据驱动的方法 ........................................ 14
§2.3.1 时间序列 ............................................... 14
§2.3.2 灰色系统 ............................................... 17
§2.3.3 人工神经网络 ........................................... 20
§2.3.4 动态贝叶斯网络 ......................................... 22
§2.3.5 支持向量机 ............................................. 24
§2.4 轴承寿命预测模型的评价 .................................... 24
第三章 支持向量机基本理论 ..........................................26
§3.1 引言 ...................................................... 26
§3.2 支持向量机基本思想 ........................................ 26
§3.3 支持向量机基本理论 ........................................ 27
§3.3.1 核函数 ................................................ 27
§3.3.2 支持向量分类机 ........................................ 28
§3.3.3 支持向量回归机 ........................................ 33
§3.4 支持向量机参数优化选择方法 ................................ 36
§3.5 基于支持向量回归机轴承剩余寿命预测模型 .................... 37
§3.5.1 基于振动信号的剩余寿命特征向量构造方法 ................. 37
§3.5.2 基于支持向量回归机剩余寿命预测建模 ..................... 38
第四章 粒子群算法基本理论 ..........................................40
§4.1 引言 ...................................................... 40
§4.2 粒子群算法的基本思想 ...................................... 40
§4.3 粒子群算法的研究现状 ...................................... 40
§4.4 粒子群算法基本原理 ........................................ 41
§4.4.1 标准粒子群算法 ......................................... 41
§4.4.2 改进粒子群算法 ......................................... 42
§4.4.3 粒子群优化算法优缺点 ................................... 42
§4.5 粒子群算法的基本流程图 .................................... 42
§4.6 粒子群算法的编码和参数分析 ................................ 44
§4.7 粒子群算法与遗传算法的比较 ................................ 46
§4.8 粒子群算法与蚁群算法的比较 ................................ 47
第五章 实例分析 ...................................................49
§5.1 简介 ...................................................... 49
§5.2 试验过程及分析 ............................................ 50
§5.2.1 基于网格搜索法优化支持向量机参数方法 ................... 51
§5.2.2 基于粒子群算法优化支持向量机参数方法 ................... 54
§5.2.3 网格搜索法与粒子群算法优化参数方法比较 ................. 60
§5.2.4 本文方法与神经网络预测方法比较 ......................... 60
第六章 总结与展望 ..................................................64
§6.1 本文的主要工作 ............................................ 64
§6.2 本文的创新点 .............................................. 64
§6.3 后续工作与展望 ............................................ 64
附录 ...............................................................66
参考文献 ...........................................................71
读期间公开发表的论文和承担科研项目及取得的成果 .....................76
致谢 ...............................................................77
第一章 绪论
1
第一章 绪论
§1.1 研究的背景和意义
随着现代科技的发展，设备越来越精密，越复杂，越昂贵，机械设备的故障
诊断与预测技术越来越受到国家，企业，科研院校的重视。如果设备或某一关键
设备出现故障而又未能及时发现和排除，不但影响生产造成巨大的经济损失，而
且有可能带来环境污染以及重大人员伤亡等灾难性后果。据文献报道[1
传统的维修方式都是采用事后维修和定期维修，是一种非主动性维修，这种
维修方式难以发现潜在故障，预测故障的发展趋势，因而无法避免故障的发生，
对于一些非关键设备，故障发生带来的后果较轻的可以采用此种维修方式。随着
科学技术的发展，尤其是计算机的出现，产生人工智能，机械计算，虚拟试验等
新兴领域，这些新技术的出现极大地开阔了设备故障研究领域，出现许多新的故
障诊断和预测的理论，模型和技术，促进了传统维修方式向状态维修转变。状态
维修是一种主动维修方式，是对设备运行状态的实时信息进行评估后，诊断设备
故障的类型和预测故障的发展趋势，从而做出维修决策的管理方式。状态维修的
优点是能够把故障消灭在萌芽状态之中，同时能够克服定期维修方式所产生的维
修不足与维修过剩问题，减少由于故障的发生产生的停机损失和设备物料消耗，
据统计，采用状态维修后，可使维修费用减少 25%～50%，维修工作量减少 40%～
70%[4]。对于设备中的关键、贵重的部位宜采用状态维修管理方式。
]，国外如切
尔诺贝利核电站事故，阿尔法石油气爆炸事故，以及 2010 年4月英国BP公司的因
石油管道破裂造成石油泄漏事故[2]，2010 年7月大连中石油管道爆炸[3]，事故原因
都是因为设备故障，假设能提前预测故障的发生，事故也许可以避免。
滚动轴承(后文中轴承均指滚动轴承)广泛应用于旋转机械设备当中，在航空
航天，交通运输，电力，开采挖掘行业的机械设备当中，轴承是重要的关键部件，
直接关系到整个设备的工作性能以及工作寿命，因此做好设备状态维修的关键是
做好轴承的故障诊断和预测，我国轴承行业的‘十一五’发展规划中也指出要重
点开展滚动轴承可靠性和轴承寿命研究和重点技术攻关，因此开展轴承寿命预测
研究对于安全生产，提高经济、社会效益，以及促进维修管理方式的变革都具有
重要意义。
基于状态维修理论的滚动轴承剩余寿命预测研究
2
§1.2 国内外研究现状及评价
§1.2.1 研究对象的界定
在各种动力传动机械设备中，轴承都是一个不可缺少的部件，而且在大部分机
械设备中是其关键部件，比如汽车，飞机的发动机。轴承在正常工作条件，由于
受到载荷、摩擦、高温、腐蚀、润滑、设计、安装、保养等内在和外在多种随机
因素的影响，运行一段时间后将会产生各种类型的失效。据文献[5]记载，空军某型
发动机在飞行的 6年时间当中，轴承失效占发动机停车事件的 25%，在各种原因中
名列首位；据空军外场统计，由于主轴承失效造成的飞行事故占机械系统故障的
19%左右。由于轴承受各种内在、外在随机因素影响，其失效原因和失效模式复杂
多样，其使用寿命也各不相同，因此，深入研究轴承的寿命预测技术，实现轴承
状态与剩余寿命监视，对于改善旋转机械设备的可靠性、安全性和经济性必将起
到重要的作用。
目前，基于轴承剩余寿命预测的研究工作已经取得了一些研究成果，如基于模
型和基于数据的故障预测方法。然而，针对复杂动态的机械系统通常是很难建立
精确的数学模型，而且模型的成立还有许多假定条件，因此基于模型的剩余寿命
预测技术应用范围和效果受到一定的限制。近年来，基于数据的剩余寿命预测方
法如神经网络，支持向量机等受到广泛关注。
假使轴承使用过程各种状态数据隐含着能够表示轴承剩余寿命的“信息”，但
这种隐含关系无法通过人工计算求出或者无法在现有空间取得。支持向量机可以
帮我们解决这个问题，支持向量机能通过对历史数据的学习，找出状态信息和轴
承剩余寿命的之间映射关系，通常状态信息越能准确地描述状态，这种映射就越
能准确地描述轴承的剩余寿命。本文以轴承为研究对象，利用支持向量机和状态
维修理论对轴承剩余寿命建模，在此基础上，开展基于支持向量机的轴承剩余寿
命预测研究。
§1.2.2 状态维修技术
状态维修的内涵是要在正确识别设备当前实际工作状态基础上对设备未来状
态及发展趋势做出正确可靠的预测。状态维修需要解决三方面的问题，第一是对
状态的正确识别，也叫状态监测；第二是故障诊断和预测；第三是状态维修，所
以状态维修是状态监测和预测的最终目的。其基本要素和过程可以用图 1-1 来表
示。
第一章 绪论
3
图1-1 状态维修理论框架
设备及其子系统的整体性能可用文献[6]提出的健康指数(HI ,health index)来表
示，系统完全工作正常，不存在故障时为其健康指数为 1，系统包括其子系统完全
损坏为 0，系统性能下降，健康指数介于 0、1之间。对于不可修系统（或可修系
统不进行修复操作），若采用健康指数衡量的话，其健康退化曲线如图 1-2 所示。
对于复杂系统来说，每一种故障模式分别对应一条类似的曲线。
领域：
时间方面
均值，峭度，
包络
频率方面
FFT，STFT
时频方面
Gabor 转换
小波
传感器
信号
信号状况
和特征
提取
故障检测与诊断
预测引擎
失效定义
预测模型和算法
输出：
故障类型
故障状况
输出
估计剩余寿命
推荐维修措施
关注点：
传感器的发射
数据的获取
处理
网络
存储
CBM
决策支持
系统
（DMSS）
基于状态维修理论的滚动轴承剩余寿命预测研究
4
图1-2 设备健康退化曲线
针对设备健康退化过程，其对应的故障预测系统应该具有早期故障检测能力，
并且能够预测设备故障的趋势，因而状态维修的主要内容包括：
(1)在识别和分析状态信息的基础上评价设备处于健康退化过程的哪一种状
态，是正常，还是性能下降，还是功能即将失效，还是完全失效阶段。
(2)当设备处于性能下降状态时，评价其是处于初始损伤还是缓慢劣化阶段，
并判断设备故障的原因。
(3)预测设备未来的健康状态，包括预测未来一段时间内设备是否能正常完成
其功能以及预测设备的剩余寿命，从而为设备采购更新提供决策依据。
国外状态维修最先在军事领域实现，洛克希德-马丁公司在美国国防部的支持
下以联合攻击战斗机（JSF,joint strike fighter）为背景提出了预测和健康管理技术的
概念[7] ，其中故障预测技术被作为实现这一全新概念的核心技术，PHM 是故障诊
断，故障预测，故障隔离，部件寿命追踪，健康管理的系统集成；美国陆军航空
兵正在发展“增强型基于状态的维修（CBM+）” [8]，并于 2004 年月 11 月29 日颁
布了“增强型基于状态维修的实施规划”；美国陆军计划到 2015 年完成向 CBM 的
转变。美陆军航空和导弹司令部司令詹姆斯·菲尔斯贝利少将表示，美军正在加
速实施基于状态的维修，希望到 2011 年就能在陆军航空和导弹部队中广泛实施
CBM。
国内对状态维修理论的研究虽然起步较晚，但一些高校，科研机构以及专家
学者对状态维修已进行了大量的研究工作，取得了较好的研究成果。例如：夏良
0
时间
0.8
1.0
0.6
0.4
0.2
缺陷检测点
剩余寿命
迅速劣化
性能下降
设备正常
功能失效
缺陷发生点 设备当前状态点
摘要：

摘要轴承是旋转机械设备重要或者说是关键部件，轴承的性能决定着整个设备的性能，轴承的寿命决定着整个设备的寿命，比如发动机。因此，开展轴承故障和剩余寿命的预测研究，对于设备安全生产以及降低高额的维修费用都具有重要的理论意义和应用价值。本文首先回顾了国内外状态维修理论和剩余寿命预测技术的研究现状和发展趋势，分析了国、内研究存在的问题，重点介绍了轴承剩余寿命的预测理论和模型，并分析了各种技术的优缺点以及适用范围。其次，介绍了支持向量机理论。阐述了支持向量机基本思想和支持向量机分类原回归理论，并基于支持向量回归机和状态监测理论提出了一个轴承剩余寿命预测模型。再次，介绍粒子群优化算法。介绍了粒子群算法在复...

展开>> 收起<<
基于支持向量机的滚动轴承剩余寿命预测及实例分析.pdf

共79页,预览8页

还剩页未读， 继续阅读

相关推荐

更多
立即下载
作者：牛悦 分类：高等教育资料 价格：15积分 属性：79 页 大小：1023.76KB 格式：PDF 时间：2024-11-19

开通VIP享超值会员特权

  • 多端同步记录
  • 高速下载文档
  • 免费文档工具
  • 分享文档赚钱
  • 每日登录抽奖
  • 优质衍生服务

作者详情

相关内容

更多

推荐作者

热门标签

/ 79
评分 收藏
分享
立即下载 VIP免费下载
客服
关注