滾動軸承性能退化評價與趨勢預測研究.pdf

1、滾動軸承作為機械設備中的關(guān)鍵部件，其運行狀態(tài)的優(yōu)劣往往影響到整臺設備的運行性能。滾動軸承從正常狀態(tài)到故障往往經(jīng)歷一系列退化狀態(tài)，正確識別軸承當前所處的退化狀態(tài)，對預防滾動軸承進一步退化和故障的發(fā)生具有重要意義。然而，正確評價和預測滾動軸承的退化狀態(tài)需要解決兩個關(guān)鍵問題:第一，確定合適的工作狀態(tài)評價指標，反映軸承性能退化過程;第二，建立合適的故障預測模型，根據(jù)歷史數(shù)據(jù)進行合理、準確的預測。本文針對以上兩個關(guān)鍵問題進行研究，并提出有效的解決

2、方法。
　　自組織映射網(wǎng)絡是故障診斷和狀態(tài)評價中常用的人工神經(jīng)網(wǎng)絡之一。本文通過研究滾動軸承不同工作狀態(tài)下的HHT包絡譜特征，提出一種基于HHT和自組織網(wǎng)絡的滾動軸承狀態(tài)識別方法，試驗證明該方法能夠有效識別出滾動軸承的五種工作狀態(tài)。作為可靠的性能退化評價指標，最小量化誤差源自于自組織網(wǎng)絡模型，它能夠充分利用多個特征參數(shù)信息對滾動軸承的性能退化過程進行定量評價，滾動軸承內(nèi)圈故障性能退化試驗說明了該方法的有效性。
　　針對滾動軸

3、承性能退化過程受多種因素影響，單一預測模型難以滿足預測精度的問題，提出一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡和支持向量機的混合智能趨勢預測方法。該方法首先應用自組織網(wǎng)絡評價模型得出最小量化誤差，作為軸承性能退化評價指標。利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的非線性和支持向量機處理小樣本的優(yōu)點，分別進行趨勢預測。對兩種趨勢預測結(jié)果進行加權(quán)組合，形成混合智能預測模型。最后，以滾動軸承性能退化試驗驗證該方法的有效性，結(jié)果表明該混合模型比單一預測模型的預測精度要高，