基于VMD与LSTM的滚动轴承寿命预测研究与应用

摘要

设备故障状态检测与健康管理（Prognostics Health Management，PHM）作为设备寿命周期管理中的重要一环，其中关键技术之一就是实现对剩余使用寿命（Remaining Useful Life，RUL）的预测。准确的预测RUL，可以减少生产损失、节省维护成本。而滚动轴承作为机械设备的关键零部件，其可靠性以及寿命会影响整个转子系统甚至是整个机械设备的性能和寿命。因此准确的预测滚动轴承RUL具有重大意义。本文以某齿轮箱系统故障仿真软件的研发为背景，针对该软件中的滚动轴承RUL预测问题，研究振动信号降噪处理，特征提取以及RUL预测算法，并结合某齿轮箱系统故障仿真软件给出具体的设计与实现，主要工作内容如下：　　①通过文献调研，分析了振动信号特征提取、寿命预测模型以及时间序列预测的国内外研究现状。　　②基于滚动轴承振动信号中噪声会影响RUL预测精度，研究了基于变分模态分解（Variational Mode Decomposition，VMD）的降噪方法。通过VMD对原始振动信号进行分解，并选取相关系数大于等于0.3的分解分量进行重组得到重构信号，从而实现对振动信号的降噪。并与经验模态分解（Empirical Mode Decomposition，EMD）降噪和小波阈值降噪进行仿真实验对比，结果表明基于VMD的降噪方法要优于EMD降噪和小波阈值降噪。　　③对降噪后的信号提取了时域和频域共20个初始特征，通过特征寿命趋势分析，从初始特征中选择出能够表征滚动轴承退化趋势的退化特征，包括均方根、峰峰值、平均频率等8个退化特征，用于滚动轴承RUL预测。　　④使用长短期记忆网络（Long Short Term Memory，LSTM）实现滚动轴承RUL预测，然后基于PRONOSTIA试验台采集的滚动轴承振动信号进行实验分析，并与支持向量回归（Support Vector Regression，SVR）以及BP神经网络进行对比实验，实验结果表明LSTM预测效果要优于SVR和BP神经网络。　　⑤基于以上工作，具体设计实现了某齿轮箱系统故障仿真软件。对该软件的总体设计以及其中涉及到的关键技术进行了说明。最后对滚动轴承寿命预测在某齿轮箱系统故障仿真软件的设计与实现进行了说明。

目录

1 绪 论

1.1课题研究背景及意义

1.2国内外研究现状

1.2.1轴承振动特征提取研究现状

1.2.2寿命预测模型研究现状

1.2.3时间序列预测研究现状

1.3本文的主要工作

1.4本文的组织结构

2 相关理论

2.1.1滚动轴承的结构

2.1.2滚动轴承的失效形式

2.1.3滚动轴承的故障特征

2.2.1时域分析法

2.2.2频域分析法

2.2.3时频域分析法

2.3.1实验装置

2.3.2振动数据说明

2.4本章小结

3 基于VMD降噪的振动信号特征提取

3.1变分模态分解

3.1.1变分模态分解理论

3.1.2变分模态分解算法步骤

3.1.3VMD仿真信号分析

3.2.1VMD降噪方法

3.2.2仿真分析

3.3.1时域统计特征

3.3.2频域统计特征

3.3.3基于VMD方法的滚动轴承趋势分析

3.4本章小结

4基于LSTM的滚动轴承寿命预测

4.1寿命预测概述

4.1.1滚动轴承RUL预测流程简介

4.1.2预测模型的选择

4.1.3预测模型评价指标

4.2长短期记忆网络原理

4.3对比模型原理

4.3.1支持向量回归

4.3.2BP神经网络

4.4基于VMD-LSTM的滚动轴承RUL预测

4.4.1 基于VMD-LSTM的滚动轴承RUL预测流程

4.4.2实验分析

4.4.3对比实验

4.5本章小结

5 基于VMD与LSTM的滚动轴承寿命预测方法应用

5.1.1系统简介

5.1.2系统设计

5.1.3关键技术

5.2滚动轴承寿命预测模块设计

5.3软件界面展示

5.4本章小结

6 总结与展望

6.1总结

6.2展望

参考文献

附 录

A. 作者在攻读学位期间参与的科研项目

B. 学位论文数据集

致谢