基于数据融合LSSVM的滚动轴承剩余寿命预测

摘要

轴承是工业设备的重要连接部件，一直以来，滚动轴承都是设备故障状态的热门研究对象。研究滚动轴承的剩余寿命有助于提高机械设备的使用寿命，提前制定合理的故障维护措施，大大的降低轴承故障给企业带来的经济损失和意外伤害。本论文分别采用最小二乘支持向量机（Least Squares Support Vector Machine，以下简称LS-SVM）回归预测模型进行全寿命滚动轴承的剩余寿命预测，以马氏距离与核主成分分析融合得到的特征作为研究对象，经过预测结果对比，核主成分分析融合的特征预测效果更好。
　　在信号分析与处理中，需要对采集的数据进行预处理。在本论文中，我们采用改进的基于提升小波变换（Lifting Wavelet Transform，LWT）方法进行滚动轴承振动信号的降噪处理。首先，对全寿命数据进行提升小波分析得到分解后的小波系数，然后对小波系数进行提升小波逆变换得到重构之后的信号，通过计算信号的重构分量与原信号的相关系数(Correlation Coefficient，CC)，对小于设定阈值的小波系数置零，最后再使用处理后的小波系数进行提升小波重构以完成消噪处理。经过预处理的数据需要进行特征提取，研究选用时域特征、频域特征和小波特征作为表征信号特性的参数。
　　在模型建立之前，需要利用提取得到的信号特征构造模型的输入特征参数。第四章使用马氏距离(Mahalanobis Distance，MD)与核主成分分析(Kernel PrincipalComponent Analysis，KPCA)的方法进行特征参数的融合，得到两组不同的信号特征，即分别为单参数特征和多参数特征。第五章主要是研究LS-SVM模型的建立和滚动轴承剩余寿命的预测。选择径向基函数作为模型的核函数，通过参数优化得到预测效果更好的惩罚因子与核函数参数，进而得到LS-SVM的模型。论文最后利用LS-SVM模型对单参数输入与多参数输入的滚动轴承的剩余寿命进行预测。试验研究结果表明，基于核主成分分析(KPCA)原理进行特征融合得到的多参数输入的LS-SVM模型的寿命预测效果更好，精度更高，其在实际工程应用和科学研究中具有更重大的意义。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．2 机械设备预测与健康管理技术的研究现状和应用

1．2．1 PHM概况和研究进展

1．2．2 健康管理和寿命预测在国内外的研究进展

1．3 寿命研究方法分析

1．3．1 基于统计理论的寿命分析方法

1．3．2 基于断裂力学理论的寿命分析方法

1．3．3 寿命分析方法的研究进展

1．4 研究的组织安排

第2章 轴承试验装置和振动机理分析

2．1 实验装置搭建和振动信号的采集

2．2 滚动轴承振动机理分析

2．2．1 轴承结构模型引起的振动

2．2．2 轴承制造误差引起的振动

2．2．3 轴承运行过程引起的振动

2．2．4 轴承缺陷引起的振动

2．3 全寿命轴承振动分析

2．4 本章小结

第3章 基于改进提升小波的降噪方案设计与信号分析

3．1 小波变换理论

3．1．1 连续小波变换和离散小波变换

3．1．2 基于Mallat算法的快速小波分解与重构

3．1．3 算法仿真分析

3．2 提升小波变换理论

3．2．1 提升小波基本原理

3．3 基于改进提升小波滤波设计和算法实例

3．3．1 基于相关系数法的提升小波滤波设计

3．3．2 降噪算法流程和仿真分析

3．3．3 全寿命滚动轴承振动信号的降噪分析

3．4 本章小结

第4章 特征提取和衰退性能指标设计

4．1 提取滚动轴承全寿命数据的时域和频域特征

4．1．1 时域特征提取

4．1．2 频域特征提取

4．2 小波特征提取

4．3 特征处理和轴承退化性能指标设计

4．3．1 相关系数法的特征筛选

4．3．2 基于MD与KPCA原理的滚动轴承衰退性能指标设计

4．4 本章小结

第5章 基于LS-SVM回归模型的滚动轴承剩余寿命预测

5．1 LS-SVM模型的基本理论

5．1．1 支持向量机基本原理

5．1．2 LS-SVM基本原理

5．2 LS-SVM参数设计和轴承退化状态评估

5．2．1 LS-SVM模型的参数设计

5．2．2 轴承退化状态的评估

5．3 基于LS-SVM的滚动轴承剩余寿命预测评估

5．3．1 基于LS-SVM模型的轴承剩余寿命预测

5．3．2 滚动轴承剩余寿命分析

5．4 本章小结

工作总结与展望

致谢

参考文献

硕士研究生期间发表的论文