基于數(shù)據(jù)融合LSSVM的滾動軸承剩余壽命預(yù)測.pdf

1、軸承是工業(yè)設(shè)備的重要連接部件，一直以來，滾動軸承都是設(shè)備故障狀態(tài)的熱門研究對象。研究滾動軸承的剩余壽命有助于提高機(jī)械設(shè)備的使用壽命，提前制定合理的故障維護(hù)措施，大大的降低軸承故障給企業(yè)帶來的經(jīng)濟(jì)損失和意外傷害。本論文分別采用最小二乘支持向量機(jī)（Least Squares Support Vector Machine，以下簡稱LS-SVM）回歸預(yù)測模型進(jìn)行全壽命滾動軸承的剩余壽命預(yù)測，以馬氏距離與核主成分分析融合得到的特征作為研究對象，經(jīng)

2、過預(yù)測結(jié)果對比，核主成分分析融合的特征預(yù)測效果更好。
　　在信號分析與處理中，需要對采集的數(shù)據(jù)進(jìn)行預(yù)處理。在本論文中，我們采用改進(jìn)的基于提升小波變換（Lifting Wavelet Transform，LWT）方法進(jìn)行滾動軸承振動信號的降噪處理。首先，對全壽命數(shù)據(jù)進(jìn)行提升小波分析得到分解后的小波系數(shù)，然后對小波系數(shù)進(jìn)行提升小波逆變換得到重構(gòu)之后的信號，通過計算信號的重構(gòu)分量與原信號的相關(guān)系數(shù)(Correlation Coeffic

3、ient，CC)，對小于設(shè)定閾值的小波系數(shù)置零，最后再使用處理后的小波系數(shù)進(jìn)行提升小波重構(gòu)以完成消噪處理。經(jīng)過預(yù)處理的數(shù)據(jù)需要進(jìn)行特征提取，研究選用時域特征、頻域特征和小波特征作為表征信號特性的參數(shù)。
　　在模型建立之前，需要利用提取得到的信號特征構(gòu)造模型的輸入特征參數(shù)。第四章使用馬氏距離(Mahalanobis Distance，MD)與核主成分分析(Kernel PrincipalComponent Analysis，KPCA

4、)的方法進(jìn)行特征參數(shù)的融合，得到兩組不同的信號特征，即分別為單參數(shù)特征和多參數(shù)特征。第五章主要是研究LS-SVM模型的建立和滾動軸承剩余壽命的預(yù)測。選擇徑向基函數(shù)作為模型的核函數(shù)，通過參數(shù)優(yōu)化得到預(yù)測效果更好的懲罰因子與核函數(shù)參數(shù)，進(jìn)而得到LS-SVM的模型。論文最后利用LS-SVM模型對單參數(shù)輸入與多參數(shù)輸入的滾動軸承的剩余壽命進(jìn)行預(yù)測。試驗研究結(jié)果表明，基于核主成分分析(KPCA)原理進(jìn)行特征融合得到的多參數(shù)輸入的LS-SVM模型的