基于LS-SVM的軸承故障趨勢預(yù)測方法研究.pdf

1、滾動軸承作為旋轉(zhuǎn)機械中十分重要的零部件，在工程機械、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、變工況的運行狀態(tài)下，滾動軸承性能的不斷衰退易誘發(fā)整個設(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。因此滾動軸承的運行狀態(tài)對設(shè)備的安全運行具有重要影響，針對其的狀態(tài)監(jiān)測和故障趨勢預(yù)測具有重大意義。本文以滾動軸承為研究對象，通過采集振動信號，提取時域、頻域、時頻域特征變量，圍繞LS-SVM及改進(jìn)模型進(jìn)行了故

2、障趨勢預(yù)測方法研究與分析，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，LS-SVM及改進(jìn)模型在趨勢預(yù)測中具有更高的預(yù)測精度，具體內(nèi)容如下:
　　(1)針對傳統(tǒng)LS-SVM單步預(yù)測模型預(yù)測時間短，無法得到足夠的未來發(fā)展趨勢等問題，提出了基于迭代更新的多步預(yù)測模型。在傳統(tǒng)LS-SVM單步預(yù)測模型的基礎(chǔ)上，利用預(yù)測值重新構(gòu)造訓(xùn)練樣本對，同時引入迭代更新算法，利用預(yù)測值對模型參數(shù)重新優(yōu)化修正，實現(xiàn)模型的不斷更新，能夠有效降低誤差累積導(dǎo)致的預(yù)測精度下降等問題。

3、以滾動軸承振動信號為研究對象，對比傳統(tǒng)預(yù)測方法，驗證了提出方法的有效性。
　　(2)針對單變量預(yù)測結(jié)構(gòu)簡單、信息匱乏，不能充分描述軸承退化性能等缺點，提出了一種提出基于時移的多變量LS-SVM。模型結(jié)合傳統(tǒng)多變量預(yù)測模型和嵌入理論，在樣本對中加入了不同時間切片下的狀態(tài)信息，更加深入地挖掘樣本信息。同時引入移動窗口對模型進(jìn)行更新，提高了模型處理非線性、非平穩(wěn)問題的能力。通過仿真分析和軸承預(yù)測實驗驗證了方法的有效性。
　　(3)

4、針對實際時間序列中存在的時間累積效應(yīng)，進(jìn)一步提高預(yù)測模型對實際問題的適應(yīng)能力以及預(yù)測精度，結(jié)合過程LS-SVM和時移多變量預(yù)測，提出了過程時移多變量LS-SVM預(yù)測模型，通過在核函數(shù)中引入積分算子實現(xiàn)時間聚合運算，為簡化運算，引入正交基函數(shù)對系統(tǒng)輸入進(jìn)行正交展開。與傳統(tǒng)多變量預(yù)測方法進(jìn)行對比，綜合比較了模型預(yù)測效果。
　　本文以LS-SVM為基礎(chǔ)，提出了多種改進(jìn)方法，并利用滾動軸承振動信號進(jìn)行實驗驗證，結(jié)果表明本文提出方法能夠有效