基于LS-SVM的轴承故障趋势预测方法研究

摘要

滚动轴承作为旋转机械中十分重要的零部件，在工程机械、航空航天等现代工业中得到了广泛应用。而在连续处于高负荷、变工况的运行状态下，滚动轴承性能的不断衰退易诱发整个设备系统故障的产生与恶化，导致不同程度的经济损失、环境污染甚至是人员伤亡。因此滚动轴承的运行状态对设备的安全运行具有重要影响，针对其的状态监测和故障趋势预测具有重大意义。本文以滚动轴承为研究对象，通过采集振动信号，提取时域、频域、时频域特征变量，围绕LS-SVM及改进模型进行了故障趋势预测方法研究与分析，与传统神经网络进行对比，LS-SVM及改进模型在趋势预测中具有更高的预测精度，具体内容如下:
　　(1)针对传统LS-SVM单步预测模型预测时间短，无法得到足够的未来发展趋势等问题，提出了基于迭代更新的多步预测模型。在传统LS-SVM单步预测模型的基础上，利用预测值重新构造训练样本对，同时引入迭代更新算法，利用预测值对模型参数重新优化修正，实现模型的不断更新，能够有效降低误差累积导致的预测精度下降等问题。以滚动轴承振动信号为研究对象，对比传统预测方法，验证了提出方法的有效性。
　　(2)针对单变量预测结构简单、信息匮乏，不能充分描述轴承退化性能等缺点，提出了一种提出基于时移的多变量LS-SVM。模型结合传统多变量预测模型和嵌入理论，在样本对中加入了不同时间切片下的状态信息，更加深入地挖掘样本信息。同时引入移动窗口对模型进行更新，提高了模型处理非线性、非平稳问题的能力。通过仿真分析和轴承预测实验验证了方法的有效性。
　　(3)针对实际时间序列中存在的时间累积效应，进一步提高预测模型对实际问题的适应能力以及预测精度，结合过程LS-SVM和时移多变量预测，提出了过程时移多变量LS-SVM预测模型，通过在核函数中引入积分算子实现时间聚合运算，为简化运算，引入正交基函数对系统输入进行正交展开。与传统多变量预测方法进行对比，综合比较了模型预测效果。
　　本文以LS-SVM为基础，提出了多种改进方法，并利用滚动轴承振动信号进行实验验证，结果表明本文提出方法能够有效滚动轴承故障趋势发展，对实施设备管理和维修都具有重要意义。

目录

声明

摘要

第一章 绪论

1．1 课题概述

1．1．1 课题来源

1．1．2 研究背景及意义

1．2 国内外研究发展与现状

1．2．1 故障趋势预测国内外研究发展

1．2．2 支持向量机基本原理与发展概述

1．3 问题提出

1．4 主要研究内容及论文结构

1．4．1 主要研究内容

1．4．2 论文结构安排

第二章 基于标准LS-SVM的轴承退化预测方法

2．1 统计学习理论

2．1．1 机器学习基本介绍

2．1．2 统计学习理论介绍

2．2 LS-SVM预测算法

2．2．1 算法原理概述

2．2．2 仿真实验

2．3 基于LS-SVM的单步预测

2．3．1 轴承故障试验台

2．3．2 性能衰退指标选取

2．3．3 耦合模拟退火算法

2．3．4 实验对比分析

2．4 基于LS-SVM的多步预测

2．4．1 多步预测方法概述

2．4．2 迭代更新预测与比较

2．5 本章小结

第三章 基于时移多变量LS-SVM轴承退化预测方法

3．1．1 多变量LS-SVM原理

3．1．2 仿真试验

3．2 特征变量选取

3．2．1 特征变量种类及计算方法

3．2．2 特征变量选取方法

3．3 基于时移多变量LS-SVM预测模型

3．3．1 模型样本对构造

3．3．2 移动窗口迭代更新

3．4 故障预测实验

3．4．1 试验台介绍

3．4．2 实验对比与分析

3．5 本章小结

第四章 基于过程时移多变量LS-SVM轴承退化预测方法

4．1．1 过程LS-SVM机理分析

4．1．2 过程LS-SVM核函数研究

4．1．3 过程LS-SVM预测模型建立

4．2 混沌时间序列仿真实验

4．3 过程时移多变量LS-SVM预测模型

4．3．1 多变量分解与样本对构造

4．3．2 模型迭代更新

4．4 实验对比与分析

4．4 本章小结

第五章 结论与展望

5．1 全文工作总结

5．2 研究展望

参考文献

致谢

已发表的学术论文

作者和导师简介