基于流形學習的滾動軸承性能退化趨勢預測研究.pdf

1、空間滾動軸承作為空間機械設備的關鍵部件，其工作性能的好壞直接影響到整機的正常運行?？臻g滾動軸承的運行環(huán)境極端惡劣，容易造成軸承在運行一段時間后產(chǎn)生各種各樣的缺陷，隨著其繼續(xù)運轉，初始缺陷進一步擴展，其運行狀態(tài)和性能逐漸退化。并且，由于空間場合軸承應用的限制，空間滾動軸承不可能更換，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，將導致整個空間活動部件的失效甚至毀壞。目前只能開展地面模擬空間環(huán)境下滾動軸承性能退化趨勢預測的方法研

2、究。因此，需要研究地面模擬空間環(huán)境下滾動軸承性能退化趨勢預測的方法。采集滾動軸承的振動信號進行處理分析，實現(xiàn)其性能退化趨勢預測，準確及時地判斷其運行狀態(tài)是否變化，預測其運行狀態(tài)的發(fā)展趨勢，為其設計與維護提供指導依據(jù)，避免人員傷亡和設備的損失。
　　基于振動信號的空間滾動軸承性能退化趨勢預測可以為軸承可靠性評估和剩余壽命預測提供依據(jù)。空間活動件結構復雜，各零部件間振動信號疊加和耦合，且空間滾動軸承的工作環(huán)境惡劣、運行工況多變，導致其

3、振動信號有噪聲大，非線性等特性?？臻g滾動性能退化趨勢預測孕育于正常狀態(tài)，沒有明顯故障，特征十分微弱。而滾動軸承趨勢預測的關鍵就在于提取能表征其運行狀態(tài)的特征指標，以全面、準確地反映其運行狀態(tài)。因此，研究一種具有非線性降噪、能建立起敏感特征指標的性能退化趨勢預測方法具有重要意義。
　　目前，基于振動信號的趨勢預測方法因各自的局限性，都還不能全面、準確地反映空間滾動軸承的運行狀態(tài)。近年來，流形學習得到了廣泛應用與發(fā)展。流形學習是數(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構，將其應用于空間滾動軸承性能趨勢預測具有重要意義。因此，論文基于流形學習方法，結合其他信號分析方法，深入研究了基于流形學習的空間滾動軸承性能退化趨勢預測的方法。具體內(nèi)容安排如下：
　?、籴槍臻g滾動軸承信號強噪聲干擾大、非線性的問題，提出了自適應鄰域的流形學習降噪方法。首先通過相空間重構將一維非線性時間序列重構到高維空間，充分顯露出非線性序列中所蘊含的信息。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。研究自適應鄰域方法，使鄰域結構更符合數(shù)據(jù)分布情況，并采用極大似然法估計信號的本征維數(shù)。自適應鄰域的流形學習降噪方法提高了空間滾動軸承振動信號非線性的降噪效果。
　?、卺槍臻g滾動軸承性能趨勢預測中難以建立有效特征指標的問題，提出了基于自適應鄰域LPP的空間滾動軸承性能退化趨勢預測特征指標構建方法。分析了滾動軸承振動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)退化趨勢預測的準確度的問題，采用自適應鄰域LPP融合特征集，并將融合指標作為軸承性能退化趨勢預測的特征指標。
　　③針對傳統(tǒng)的趨勢預測模型不能預測空間滾動軸承狀態(tài)的問題，提出了基于最小二乘支持向量機預測模型。在流形學習算法的基礎上，將維數(shù)約簡后的特征信息作為最小二乘支持向量機的輸入，訓練并建立趨勢預測模型，實現(xiàn)空間滾動軸承性能退化趨勢預測。
　?、茉谝陨涎芯康幕A上以C＃為開發(fā)平