滾動(dòng)軸承性能退化評(píng)價(jià)與趨勢(shì)預(yù)測(cè)研究.pdf

1、滾動(dòng)軸承作為機(jī)械設(shè)備中的關(guān)鍵部件，其運(yùn)行狀態(tài)的優(yōu)劣往往影響到整臺(tái)設(shè)備的運(yùn)行性能。滾動(dòng)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(shí)別軸承當(dāng)前所處的退化狀態(tài)，對(duì)預(yù)防滾動(dòng)軸承進(jìn)一步退化和故障的發(fā)生具有重要意義。然而，正確評(píng)價(jià)和預(yù)測(cè)滾動(dòng)軸承的退化狀態(tài)需要解決兩個(gè)關(guān)鍵問題:第一，確定合適的工作狀態(tài)評(píng)價(jià)指標(biāo)，反映軸承性能退化過程;第二，建立合適的故障預(yù)測(cè)模型，根據(jù)歷史數(shù)據(jù)進(jìn)行合理、準(zhǔn)確的預(yù)測(cè)。本文針對(duì)以上兩個(gè)關(guān)鍵問題進(jìn)行研究，并提出有效的解決

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

3、承性能退化過程受多種因素影響，單一預(yù)測(cè)模型難以滿足預(yù)測(cè)精度的問題，提出一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的混合智能趨勢(shì)預(yù)測(cè)方法。該方法首先應(yīng)用自組織網(wǎng)絡(luò)評(píng)價(jià)模型得出最小量化誤差，作為軸承性能退化評(píng)價(jià)指標(biāo)。利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的非線性和支持向量機(jī)處理小樣本的優(yōu)點(diǎn)，分別進(jìn)行趨勢(shì)預(yù)測(cè)。對(duì)兩種趨勢(shì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合，形成混合智能預(yù)測(cè)模型。最后，以滾動(dòng)軸承性能退化試驗(yàn)驗(yàn)證該方法的有效性，結(jié)果表明該混合模型比單一預(yù)測(cè)模型的預(yù)測(cè)精度要高，