果蠅算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)滾動軸承故障預(yù)測.pdf

1、旋轉(zhuǎn)機械在航空、航天、船舶等復雜裝備系統(tǒng)中具有重要作用，滾動軸承作為旋轉(zhuǎn)機械的重要部件之一，其健康狀態(tài)的好壞對整個設(shè)備具有重大影響。然而目前的研究主要集中于對機械當前運行狀態(tài)進行故障診斷和評價，對其健康管理和故障預(yù)測方面研究較少。因此，對滾動軸承的故障預(yù)測方面進行研究可以為其預(yù)知維修和健康管理提供較多的幫助。
　　首先，對滾動軸承進行振動信號降噪處理，針對經(jīng)驗?zāi)B(tài)分解方法(EMD)、集合經(jīng)驗?zāi)B(tài)分解(EEMD)方法中存在的模態(tài)混疊

2、問題，采用完備總體經(jīng)驗?zāi)B(tài)分解(CEEMD)方法對振動信號數(shù)據(jù)進行降噪和固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)分量分解。與EMD和EEMD的降噪效果進行對比，證明了該方法的有效性。
　　其次，針對多尺度熵算法粗?；^程容易丟失信息等缺點，采用CEEMD結(jié)合多尺度熵的特征提取方法對篩選后IMF分量進行特征提取，并通過與普通多尺度熵方法進行的特征提取效果進行對比，驗證了改進方法的優(yōu)越性。
　　再次

3、，針對傳統(tǒng)廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）故障預(yù)測精度較低，預(yù)測模型建立困難的問題，采用果蠅算法對廣義回歸神經(jīng)網(wǎng)絡(luò)光滑因子進行尋優(yōu)，從而建立果蠅算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)（FOA-GRNN）預(yù)測模型。通過對Mackey-Glass時間序列進行數(shù)據(jù)預(yù)測，并與普通GRNN和粒子群優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)（PSO-GRNN）的預(yù)測效果進行對比，證明改進后的方法其預(yù)測精度較高，均方根誤差及預(yù)測所用時間較少。
　　最后，采用滾動軸承故障模擬實驗臺