基于LS-SVM的軸承故障趨勢(shì)預(yù)測(cè)方法研究.pdf

1、滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中十分重要的零部件，在工程機(jī)械、航空航天等現(xiàn)代工業(yè)中得到了廣泛應(yīng)用。而在連續(xù)處于高負(fù)荷、變工況的運(yùn)行狀態(tài)下，滾動(dòng)軸承性能的不斷衰退易誘發(fā)整個(gè)設(shè)備系統(tǒng)故障的產(chǎn)生與惡化，導(dǎo)致不同程度的經(jīng)濟(jì)損失、環(huán)境污染甚至是人員傷亡。因此滾動(dòng)軸承的運(yùn)行狀態(tài)對(duì)設(shè)備的安全運(yùn)行具有重要影響，針對(duì)其的狀態(tài)監(jiān)測(cè)和故障趨勢(shì)預(yù)測(cè)具有重大意義。本文以滾動(dòng)軸承為研究對(duì)象，通過(guò)采集振動(dòng)信號(hào)，提取時(shí)域、頻域、時(shí)頻域特征變量，圍繞LS-SVM及改進(jìn)模型進(jìn)行了故

2、障趨勢(shì)預(yù)測(cè)方法研究與分析，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，LS-SVM及改進(jìn)模型在趨勢(shì)預(yù)測(cè)中具有更高的預(yù)測(cè)精度，具體內(nèi)容如下:
　　(1)針對(duì)傳統(tǒng)LS-SVM單步預(yù)測(cè)模型預(yù)測(cè)時(shí)間短，無(wú)法得到足夠的未來(lái)發(fā)展趨勢(shì)等問(wèn)題，提出了基于迭代更新的多步預(yù)測(cè)模型。在傳統(tǒng)LS-SVM單步預(yù)測(cè)模型的基礎(chǔ)上，利用預(yù)測(cè)值重新構(gòu)造訓(xùn)練樣本對(duì)，同時(shí)引入迭代更新算法，利用預(yù)測(cè)值對(duì)模型參數(shù)重新優(yōu)化修正，實(shí)現(xiàn)模型的不斷更新，能夠有效降低誤差累積導(dǎo)致的預(yù)測(cè)精度下降等問(wèn)題。

3、以滾動(dòng)軸承振動(dòng)信號(hào)為研究對(duì)象，對(duì)比傳統(tǒng)預(yù)測(cè)方法，驗(yàn)證了提出方法的有效性。
　　(2)針對(duì)單變量預(yù)測(cè)結(jié)構(gòu)簡(jiǎn)單、信息匱乏，不能充分描述軸承退化性能等缺點(diǎn)，提出了一種提出基于時(shí)移的多變量LS-SVM。模型結(jié)合傳統(tǒng)多變量預(yù)測(cè)模型和嵌入理論，在樣本對(duì)中加入了不同時(shí)間切片下的狀態(tài)信息，更加深入地挖掘樣本信息。同時(shí)引入移動(dòng)窗口對(duì)模型進(jìn)行更新，提高了模型處理非線性、非平穩(wěn)問(wèn)題的能力。通過(guò)仿真分析和軸承預(yù)測(cè)實(shí)驗(yàn)驗(yàn)證了方法的有效性。
　　(3)

4、針對(duì)實(shí)際時(shí)間序列中存在的時(shí)間累積效應(yīng)，進(jìn)一步提高預(yù)測(cè)模型對(duì)實(shí)際問(wèn)題的適應(yīng)能力以及預(yù)測(cè)精度，結(jié)合過(guò)程LS-SVM和時(shí)移多變量預(yù)測(cè)，提出了過(guò)程時(shí)移多變量LS-SVM預(yù)測(cè)模型，通過(guò)在核函數(shù)中引入積分算子實(shí)現(xiàn)時(shí)間聚合運(yùn)算，為簡(jiǎn)化運(yùn)算，引入正交基函數(shù)對(duì)系統(tǒng)輸入進(jìn)行正交展開(kāi)。與傳統(tǒng)多變量預(yù)測(cè)方法進(jìn)行對(duì)比，綜合比較了模型預(yù)測(cè)效果。
　　本文以LS-SVM為基礎(chǔ)，提出了多種改進(jìn)方法，并利用滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明本文提出方法能夠有效