基于流形學(xué)習(xí)的滾動(dòng)軸承性能退化趨勢預(yù)測研究.pdf

1、空間滾動(dòng)軸承作為空間機(jī)械設(shè)備的關(guān)鍵部件，其工作性能的好壞直接影響到整機(jī)的正常運(yùn)行。空間滾動(dòng)軸承的運(yùn)行環(huán)境極端惡劣，容易造成軸承在運(yùn)行一段時(shí)間后產(chǎn)生各種各樣的缺陷，隨著其繼續(xù)運(yùn)轉(zhuǎn)，初始缺陷進(jìn)一步擴(kuò)展，其運(yùn)行狀態(tài)和性能逐漸退化。并且，由于空間場合軸承應(yīng)用的限制，空間滾動(dòng)軸承不可能更換，也不可能采用備份來保證軸承的可靠性，所以軸承一旦出現(xiàn)問題，將導(dǎo)致整個(gè)空間活動(dòng)部件的失效甚至毀壞。目前只能開展地面模擬空間環(huán)境下滾動(dòng)軸承性能退化趨勢預(yù)測的方法研

2、究。因此，需要研究地面模擬空間環(huán)境下滾動(dòng)軸承性能退化趨勢預(yù)測的方法。采集滾動(dòng)軸承的振動(dòng)信號進(jìn)行處理分析，實(shí)現(xiàn)其性能退化趨勢預(yù)測，準(zhǔn)確及時(shí)地判斷其運(yùn)行狀態(tài)是否變化，預(yù)測其運(yùn)行狀態(tài)的發(fā)展趨勢，為其設(shè)計(jì)與維護(hù)提供指導(dǎo)依據(jù)，避免人員傷亡和設(shè)備的損失。
　　基于振動(dòng)信號的空間滾動(dòng)軸承性能退化趨勢預(yù)測可以為軸承可靠性評估和剩余壽命預(yù)測提供依據(jù)?？臻g活動(dòng)件結(jié)構(gòu)復(fù)雜，各零部件間振動(dòng)信號疊加和耦合，且空間滾動(dòng)軸承的工作環(huán)境惡劣、運(yùn)行工況多變，導(dǎo)致其

3、振動(dòng)信號有噪聲大，非線性等特性?？臻g滾動(dòng)性能退化趨勢預(yù)測孕育于正常狀態(tài)，沒有明顯故障，特征十分微弱。而滾動(dòng)軸承趨勢預(yù)測的關(guān)鍵就在于提取能表征其運(yùn)行狀態(tài)的特征指標(biāo)，以全面、準(zhǔn)確地反映其運(yùn)行狀態(tài)。因此，研究一種具有非線性降噪、能建立起敏感特征指標(biāo)的性能退化趨勢預(yù)測方法具有重要意義。
　　目前，基于振動(dòng)信號的趨勢預(yù)測方法因各自的局限性，都還不能全面、準(zhǔn)確地反映空間滾動(dòng)軸承的運(yùn)行狀態(tài)。近年來，流形學(xué)習(xí)得到了廣泛應(yīng)用與發(fā)展。流形學(xué)習(xí)是數(shù)據(jù)的

4、一種非線性降維方法，可以有效地挖掘出嵌入在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu)，將其應(yīng)用于空間滾動(dòng)軸承性能趨勢預(yù)測具有重要意義。因此，論文基于流形學(xué)習(xí)方法，結(jié)合其他信號分析方法，深入研究了基于流形學(xué)習(xí)的空間滾動(dòng)軸承性能退化趨勢預(yù)測的方法。具體內(nèi)容安排如下：
　?、籴槍臻g滾動(dòng)軸承信號強(qiáng)噪聲干擾大、非線性的問題，提出了自適應(yīng)鄰域的流形學(xué)習(xí)降噪方法。首先通過相空間重構(gòu)將一維非線性時(shí)間序列重構(gòu)到高維空間，充分顯露出非線性序列中所蘊(yùn)含的信息。再利

5、用局部切空間排列流形算法把高維空間映射到有用信號的本征維空間中，從而去除分布在高維空間的噪聲。研究自適應(yīng)鄰域方法，使鄰域結(jié)構(gòu)更符合數(shù)據(jù)分布情況，并采用極大似然法估計(jì)信號的本征維數(shù)。自適應(yīng)鄰域的流形學(xué)習(xí)降噪方法提高了空間滾動(dòng)軸承振動(dòng)信號非線性的降噪效果。
　?、卺槍臻g滾動(dòng)軸承性能趨勢預(yù)測中難以建立有效特征指標(biāo)的問題，提出了基于自適應(yīng)鄰域LPP的空間滾動(dòng)軸承性能退化趨勢預(yù)測特征指標(biāo)構(gòu)建方法。分析了滾動(dòng)軸承振動(dòng)信號的多域特征提取方法，

6、針對多域高維特征間存在冗余、相互沖突，影響后續(xù)退化趨勢預(yù)測的準(zhǔn)確度的問題，采用自適應(yīng)鄰域LPP融合特征集，并將融合指標(biāo)作為軸承性能退化趨勢預(yù)測的特征指標(biāo)。
　?、坩槍鹘y(tǒng)的趨勢預(yù)測模型不能預(yù)測空間滾動(dòng)軸承狀態(tài)的問題，提出了基于最小二乘支持向量機(jī)預(yù)測模型。在流形學(xué)習(xí)算法的基礎(chǔ)上，將維數(shù)約簡后的特征信息作為最小二乘支持向量機(jī)的輸入，訓(xùn)練并建立趨勢預(yù)測模型，實(shí)現(xiàn)空間滾動(dòng)軸承性能退化趨勢預(yù)測。
　?、茉谝陨涎芯康幕A(chǔ)上以C＃為開發(fā)平