论文部分内容阅读
滚动轴承是机械设备中减少摩擦损失的一种精密机械元件,70%大型机械结构的损坏与轴承损伤有关,因此研究滚动轴承的剩余使用寿命(Remaining Useful Life,RUL)有利于为机械设备提前制定合理的故障维护措施,大大降低因轴承故障带来的意外和损失。本论文采用深度学习模型长短时记忆网络(Long Short-Term Memory Neural Network,LSTM)并结合信号处理和退化指标构建完成滚动轴承的RUL预测。本文设计滚动轴承全寿命实验,通过径向力加载装置,使滚动轴承在较短时间内达到寿命极限,得到滚动轴承整个使用周期的全寿命振动信号,作为本文的原始数据以验证本文方法的有效性。本文通过互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与改进小波阈值降噪相结合的降噪方法对滚动轴承的振动信号进行降噪处理,对振动信号进行CEEMD分解得到若干个固有模态函数(Intrinsic Mode Function,IMF),通过自相关函数的单边波峰占比确定IMF分量信噪分离临界点,对噪声IMF分量进行改进小波阈值降噪,将降噪后的IMF分量与有效信号IMF分量进行信号重组得到最终的降噪信号。对降噪后的信号进行特征提取,提取出十三个振动信号常用的时域特征和频域特征,根据相关系数法(Correlation Coefficient,CC)进行特征筛选,通过核主成分分析法(Kernel Principal Component Analysis,KPCA)对筛选后的特征进行降维,根据贡献率得到若干个主成分,使用马氏距离(Mahalanobis Distance,MD)对主成分进行融合得到最终的滚动轴承退化指标。以退化指标为输入数据,通过LSTM对滚动轴承的RUL进行预测,完成滚动轴承寿命预测的KPCA-MDLSTM模型,通过评价指标打分值对模型的预测结果进行评价。为了证明本文方法相较于传统方法对滚动轴承剩余使用的预测准确性更高,将本文的KPCA-MA-LSTM模型的滚动轴承RUL预测结果逐一与LSTM直接对振动信号进行寿命预测的结果、无降噪处理的KPCA-MD-LSTM模型的预测结果和传统的PSO-BP神经网络模型、LS-SVR模型的预测结果进行对比,对比结果证明了本文模型的预测结果更加准确。