论文部分内容阅读
为了提升设备使用效率,降低维修维护成本,避免重大事故发生,实现设备故障的趋势预测,论文以滚动轴承和齿轮为研究对象,围绕极限学习机及相关的人工神经网络模型开展了预测方法及应用研究。以振动信号的时域特征参数和形态分形维数为预测特征量,分别运用灰色神经网络、Elman反馈神经网络和极限学习机对特征量进行预测,与传统的BP神经网络进行对比,证明了极限学习机模型在故障预测中的有效性,具体内容如下：(1)开展了基于灰色神经网络的故障预测方法及应用研究。以轴承故障为研究对象,提取原始振动信号的时域特征参数,根据其时间序列趋势,将故障发展分为三个阶段,分别截取等量数据并计算其相对变化值,对比分析各个时域特征参数对于早期故障的敏感性和故障持续发展的稳定性,选取有量纲参数的有效值和无量纲参数的峭度作为特征量,运用BP神经网络和灰色神经网络分别对不同的数据集进行趋势预测,并以齿轮故障为研究对象实现对比验证。(2)开展了基于Elman神经网络的故障预测方法及应用研究。简述了Elman网络作为一种动态反馈型网络与前向型神经网络的区别和特点,分别以轴承和齿轮为研究对象,以有效值和峭度为特征参数,运用Elman神经网络对其进行趋势预测,并研究了不同神经元个数对于预测结果的影响。(3)开展了基于形态分形维数及极限学习机的故障预测方法及应用研究。简述了极限学习机(ELM)相对于传统神经网络的结构和算法优势,实现了其在轴承和齿轮中的故障预测,并分析了隐含层神经元的个数对于预测性能的影响。为了进一步提升预测精度,引入了分形维数和数学形态学的基本思想,通过计算原始时域振动信号的形态分形维数,揭示了其作为预测特征量的可行性,运用ELM模型对经过形态分形维数处理后的信号进行趋势预测,对比了时域参数下ELM模型的预测结果,并综合比较了相应预测模型的性能。结果表明：以时域参数为特征量时,ELM模型的预测误差最小,精度最高,可以准确地拟合故障发展趋势,且不受神经元个数的影响；灰色神经网络模型的预测精度次之,可以在较少的数据情况下实现较高的预测精度；不同对象的验证结果均表明,传统的BP神经网络和Elman动态神经网络的预测结果较差。以形态分形维数为特征量时,ELM模型可以实现精确预测,相对于时域特征量,其预测精度更高,是一种有效的特征提取和故障预测方法。