论文部分内容阅读
滚动轴承在生产中的使用非常广泛,在设备中的地位非常重要,因此,滚动轴承的失效会使得整个设备停止工作,降低生产效率。根据实时监控滚动轴承的状态来对故障进行提前预知,从而对滚动轴承的寿命进行预测,以达到反映其综合失效程度,提高生产效率,降低事故发生的目的。所以,对滚动轴承寿命预测进行研究具有实际的应用价值。本文以滚动轴承为研究对象,首先讨论了传统的振动信号处理的方法:根据振动信号进行特征提取,然后由特征的趋势来预测滚动轴承寿命。随后讨论了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的滚动轴承寿命预测。并将神经网络(Neural Network,NN)、支持向量机(Support Vector Machine,SVM)与EEMD结合起来用于滚动轴承寿命分析。最后本文重点使用深度学习(Deep Learing,DL)模型对滚动轴承寿命预测进行研究。本文使用了三种常见的DL模型:深度信念网络(Deep Belief Networks,DBN)、栈式自编码(Stacked AutoEncoder,SAE)以及由极限学习机(Extreme Learning Machine,ELM)拓展得到的深度极限学习机(Deep Extreme Learing Machine,DELM)。本文在三种原始模型的基础上,从数据的降维和参数优化两方面对DL模型进行了改进。并将改进后的模型用于滚动轴承寿命预测,通过对比实验分析结果,验证了改进的DL模型在实际应用中的效果优于原始模型。本文进行的主要研究工作如下:1.讨论了振动信号的三种分析方法,根据特征进行趋势分析。采用时频域分析方法中的EEMD对原始信号进行分解,对分解的信号提取特征,将提取的特征作为NN和SVM模型的输入数据,分别利用两种模型来完成滚动轴承的寿命预测。2.使用原始的DBN模型进行滚动轴承寿命分析;然后为了降低训练时间,由于DBN模型的反向调节过程耗费时间较多,将ELM模型作为DBN的输出层得到DBN-ELM模型;基于降维的思想,本文将主成分分析(Principal Component Analysis,PCA)和流形学习方法中的局部线性嵌入(Locally Linear Emberding,LLE)与DBN模型进行结合,得到PCA-DBN和LLE-DBN模型。将三种改进的DBN模型用于滚动轴承寿命预测,验证了模型的可行性;最后通过对比分析,验证了LLE-DBN模型有更好的预测效果。3.采用原始的SAE模型进行滚动轴承的寿命预测分析。由于SAE模型的主要参数是由经验确定,适应能力不强。基于此,本文提出一种自适应栈式自编码(Adaptation Stacked AutoEncoder)模型。该模型是通过误差和信息熵自动进行层数和节点数确定,使得ASAE模型具有更强的适应能力。将ASAE模型运用到滚动轴承的寿命预测中,验证了ASAE模型的可行性;最后通过对比ASAE模型和SAE模型的预测效果,说明了ASAE模型的预测效果更优,验证了ASAE模型在预测上具有一定的优越性。4.采用DELM模型进行滚动轴承寿命预测的分析。针对DELM模型预测的不足,对DELM模型的节点数进行优化,提出了动态粒子群优化的深度极限学习机模型(Dynamic Particle Swarm Optimization-Deep Extreme Learing Machine,DPSO-DELM)。该方法相比原始模型,能够根据实际的情况对节点数进行优化,提高模型的预测效果。根据实验验证结果,说明DELM和DPSO-DELM模型用于滚动轴承寿命预测是可行的。最后再通过对比试验,说明DPSO-DELM模型具有较好的应用价值。