基于全矢極限學習機的軸承故障預測研究.pdf

1、當前機械設備向著更加高效化、集成化和大型化的方向發(fā)展，因此如何保證其安全穩(wěn)定的運行具有重大研究意義。隨著計算機技術和傳感器技術的發(fā)展，故障預測理論和技術也隨之發(fā)展完善，并為上述問題提供一種較好的解決途徑。但是傳統(tǒng)的信息采集方式是用單一傳感器來采集單通道信息來進行分析，因為信息不夠全面，可靠性并不是很好。而全矢譜技術則將互為正交的兩個通道的信號加以融合，能更全面準確反映出設備運行狀態(tài)。預測算法方面，一直是人工智能研究的熱點，而且近年出現(xiàn)了

2、一系列新的算法，比如極限學習機，具備良好的精度和可靠性，并且具有計算量小，速度快等特點。本文將全矢譜技術與神經(jīng)網(wǎng)絡和極限學習機相結合，并以滾動軸承為對象進行故障預測研究，主要研究內(nèi)容如下幾個方面：
　?。?）采用全矢Hilbert解調(diào)方法提取滾動軸承的故障特征頻率，通過仿真和實例分析，本方法可以有效將特征頻率提取出來，為神經(jīng)網(wǎng)絡訓練樣本的提取奠定理論基礎；
　　（2）提出了基于全矢模糊神經(jīng)網(wǎng)絡的故障預測模型，并進行實例驗證，

3、結果表明，因為模糊神經(jīng)網(wǎng)絡自身的缺陷，預測結果穩(wěn)定性不佳，容易造成誤診；
　?。?）提出了基于全矢小波神經(jīng)網(wǎng)絡的故障預測模型，并進行實例驗證，結果表明，利用小波基函數(shù)對神經(jīng)網(wǎng)絡進行改造，可以提高神經(jīng)網(wǎng)絡在滾動軸承故障預測中的效果。但是小波神經(jīng)網(wǎng)絡依然沒有解決傳統(tǒng)神經(jīng)網(wǎng)絡的故有缺陷，依然采用梯度下降的學習方法，因此容易陷入局部極值而影響預測模型效果；
　　（4）針對傳統(tǒng)神經(jīng)網(wǎng)絡的不足，提出全矢極限學習機的軸承故障預測模型，通過