论文部分内容阅读
滚动轴承作为机械设备中最常用的核心基础零部件之一,其健康状况会影响整个机械系统的精密度、安全性等。处于运行状态中的滚动轴承可能会由于润滑不匀、销蚀、负载过大等原因而产生磨损、轴承内外圈断裂或是滚珠受损残缺等退化迹象,从而影响机械设备的正常运行,造成工业生产损失。因此,对滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测能为机械设备的维护提供指导,进而提前进行维修保养,降低机械设备的维修成本并提高其安全性。
本文从基于数据驱动的RUL预测技术的方向出发,以数据驱动的热点分支深度学习人工神经网络为理论基础,针对现实工业环境中滚动轴承的过程数据噪声干扰大、掺杂无用信号、能量低等特性,提出了一种基于时频分析与深度学习的滚动轴承RUL预测模型,研究主要工作如下:
(1)针对目前大多数滚动轴承的RUL预测方法是直接使用其原始的包含噪声、能量较低、掺杂无用信号的过程数据进行RUL预测而导致的退化特征分析不完全、预测精度不高等问题,提出了使用时频分析技术对滚动轴承的原始时域振动数据进行处理分析。单一的时域分析会忽略数据的频域特性,频域分析则缺少信号的时间信息,导致退化特征分析不完全,具有一定的局限性。为了充分挖掘滚动轴承振动信号的退化特征,提高RUL预测精度,本文使用了同时具有较高的时间和频率分辨率的小波变换对样本数据进行处理得到相应的时频图数据集。
(2)现有的基于理论力学、统计学等RUL预测模型在机械设备日益复杂化的形势下进行RUL预测的工作量和难度不断增加,耗时耗力且比较依赖于专家经验。而随着信息技术的快速发展使得工业过程数据采集变得高效便捷,为基于数据驱动的RUL预测技术提供了充足的数据资源,使其逐渐展现出巨大的发展潜力。针对上述问题,本文以滚动轴承为研究对象,展开了基于数据驱动热点分支的深度学习RUL预测模型的研究工作。为了降低神经网络的运算负担,对滚动轴承时频图数据集采用了双线性插值算法进行了降维操作,最终用作神经网络的输入。之后,分别研究了在BP神经网络、传统卷积神经网络、全卷积层神经网络、全局池化神经网络等不同结构下滚动轴承RUL预测方法,在得到网络输出后,使用加权平均降噪算法来降低预测结果存在的的噪声干扰和波动现象,从而进一步提高预测精度。
通过在公开数据集上的实验结果表明,本文提出的基于时频分析与深度学习的滚动轴承RUL预测模型架构具有良好的预测效果。
本文从基于数据驱动的RUL预测技术的方向出发,以数据驱动的热点分支深度学习人工神经网络为理论基础,针对现实工业环境中滚动轴承的过程数据噪声干扰大、掺杂无用信号、能量低等特性,提出了一种基于时频分析与深度学习的滚动轴承RUL预测模型,研究主要工作如下:
(1)针对目前大多数滚动轴承的RUL预测方法是直接使用其原始的包含噪声、能量较低、掺杂无用信号的过程数据进行RUL预测而导致的退化特征分析不完全、预测精度不高等问题,提出了使用时频分析技术对滚动轴承的原始时域振动数据进行处理分析。单一的时域分析会忽略数据的频域特性,频域分析则缺少信号的时间信息,导致退化特征分析不完全,具有一定的局限性。为了充分挖掘滚动轴承振动信号的退化特征,提高RUL预测精度,本文使用了同时具有较高的时间和频率分辨率的小波变换对样本数据进行处理得到相应的时频图数据集。
(2)现有的基于理论力学、统计学等RUL预测模型在机械设备日益复杂化的形势下进行RUL预测的工作量和难度不断增加,耗时耗力且比较依赖于专家经验。而随着信息技术的快速发展使得工业过程数据采集变得高效便捷,为基于数据驱动的RUL预测技术提供了充足的数据资源,使其逐渐展现出巨大的发展潜力。针对上述问题,本文以滚动轴承为研究对象,展开了基于数据驱动热点分支的深度学习RUL预测模型的研究工作。为了降低神经网络的运算负担,对滚动轴承时频图数据集采用了双线性插值算法进行了降维操作,最终用作神经网络的输入。之后,分别研究了在BP神经网络、传统卷积神经网络、全卷积层神经网络、全局池化神经网络等不同结构下滚动轴承RUL预测方法,在得到网络输出后,使用加权平均降噪算法来降低预测结果存在的的噪声干扰和波动现象,从而进一步提高预测精度。
通过在公开数据集上的实验结果表明,本文提出的基于时频分析与深度学习的滚动轴承RUL预测模型架构具有良好的预测效果。