基于灰色ELM的滾動軸承故障預(yù)測.pdf

1、隨著旋轉(zhuǎn)機械設(shè)備趨于大型化、高效化、集成化，這對旋轉(zhuǎn)機械安全可靠運行的要求也相應(yīng)提高。滾動軸承是現(xiàn)代旋轉(zhuǎn)機械設(shè)備中最具關(guān)鍵作用的組成部件之一，它的工作狀態(tài)正常與否直接關(guān)系著機械設(shè)備乃至整個系統(tǒng)的運行狀態(tài)，但由于工作條件的惡劣造成其壽命參差性很大和容易損傷的缺點，因此需要對滾動軸承實施有效的故障預(yù)測。本課題“基于灰色ELM的滾動軸承故障預(yù)測”對采用灰色理論方法和ELM神經(jīng)網(wǎng)絡(luò)進行滾動軸承故障預(yù)測中所涉及的理論、方法和關(guān)鍵技術(shù)進行了深入的研

2、究，主要研究工作如下:
　　通過系統(tǒng)分析滾動軸承故障預(yù)測主要方法及國內(nèi)外在該領(lǐng)域的研究現(xiàn)狀，指出快速、準確的軸承故障預(yù)測技術(shù)已成為研究重點。在三大類故障預(yù)測技術(shù)中，重點分析介紹了了本文采用的基于數(shù)據(jù)的故障預(yù)測技術(shù)。
　　針對滾動軸承振動信號具有非平穩(wěn)性和非線性的特點以及各種經(jīng)典方法的不足之處，運用灰色理論來預(yù)測軸承故障發(fā)展。深入研究了灰色模型的建模機理和適用范圍。針對傳統(tǒng)灰色GM(1，1)模型的不足，探討了一系列改進灰色模型

3、。其中，灰色多變量預(yù)測模型MGM(1，n)模型從系統(tǒng)的角度對多個診斷指標進行統(tǒng)一描述，本文用滾動軸承實驗予以驗證。
　　由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)梯度學習算法存在著訓練時間長、過度擬合訓練樣本和易陷入局部最優(yōu)等問題。本課題引入了ELM神經(jīng)網(wǎng)絡(luò)，ELM（極限學習機）具有學習時間短、算法簡單容易實現(xiàn)、良好的泛化性能和能避免陷入局部最優(yōu)等優(yōu)點，已經(jīng)成功應(yīng)用于函數(shù)擬合和預(yù)測等應(yīng)用領(lǐng)域。介紹了極限學習機的相關(guān)基礎(chǔ)理論，對前饋神經(jīng)網(wǎng)絡(luò)學習算法和極限學

4、習機算法進行了研究。
　　在實際環(huán)境中的滾動軸承的振動信號在的噪聲背景下不易提取，兼有非線性和非平穩(wěn)的特點。本文對滾動軸承的振動信號進行經(jīng)驗?zāi)B(tài)分解，經(jīng)過理論和仿真分析，發(fā)現(xiàn)在非線性信號處理方面EEMD分解較EMD分解有更好的抗混疊效果;自相關(guān)函數(shù)降噪性能優(yōu)越，在故障提取特征方面具有很大的優(yōu)勢。
　　灰色模型能夠預(yù)測發(fā)展序列，ELM神經(jīng)網(wǎng)絡(luò)具有高度的非線性映射特性，本文提出一種新的組合權(quán)系數(shù)的計算方法，將二者有機結(jié)合，建立灰