免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        機械設備中滾動軸承故障預測方法

                        添加時間:2019/08/09 來源:江南大學 作者:朱朔
                        本文深入研究了滾動軸承故障預測關鍵方法,從特征向量提取與降維、性能退化評估、剩余壽命預測三個方面探討了提高滾動軸承故障預測精度的方法,針對提取的特征向量維數過高及傳統的降維方法破壞高維數據流形問題。
                        以下為本篇論文正文:

                        摘 要

                          滾動軸承是機械設備中的重要部件,據統計,約 30%的旋轉機械故障是由滾動軸承損傷所造成,這些故障會產生昂貴的停機損失,甚至是人員傷亡。因此,對滾動軸承故障預測的關鍵方法:特征向量提取與降維、性能退化評估、剩余壽命預測進行研究與改進,使設備接近或達到零停機狀態,具有重要的意義。

                          針對提取的特征向量維數過高及局部保留投影(Linearity Preserving Projection,LPP)算法在降維過程中因忽略數據的全局結構而破壞高維數據流形問題,提出一種基于改進LPP 算法的滾動軸承特征向量降維方法。提取滾動軸承振動信號時域、時頻域特征向量,并利用改進 LPP 算法對多域特征向量降維,最后,以降維后的特征向量作為輸入,以連續隱半馬爾科夫模型(Continuous Hidden Semi-Markov Model,CHSMM)作為分類器,對滾動軸承進行故障類型識別。實驗結果表明,改進 LPP 算法克服了 LPP 算法沒有考慮高維數據全局結構的缺陷,顯著提高了數據的聚類效果;基于改進 LPP 和 CHSMM 方法的軸承故障類型識別的總體正確率為 89%,相比于基于 LPP 和 CHSMM 的方法,提高了 21.5%,進一步說明了改進 LPP 算法在軸承特征向量降維應用中的有效性。

                          針對支持向量數據描述(Support Vector Data Description,SVDD)算法對滾動軸承早期故障不敏感、參數選擇困難問題,提出一種基于自適應果蠅優化算法-小波支持向量數 據 描 述 (Adaptive Fruit Fly Optimization Algorithm-Wave Support Vector DataDescription,AFOA-WSVDD)的滾動軸承性能退化評估方法。提取滾動軸承早期無故障振動信號的時域、時頻域特征向量,采用改進 LPP 算法進行特征降維;針對現有核函數對滾動軸承早期故障不敏感問題,將小波核函數引入到 SVDD 算法中;針對 SVDD 算法參數選擇困難問題,以支持向量個數與總樣本數的比值為適應度函數,采用 AFOA 對其核參數進行優化,建立 AFOA-WSVDD 評估模型。最后,將軸承后期振動數據的特征向量輸入到 WSVDD 模型中,得到軸承的性能退化指標。實驗結果表明,采用所提方法能準確的對軸承早期故障作出預警,與基于 SVDD 算法的方法相比,提早了 17 個小時。

                          針對 CHSMM 對滾動軸承剩余壽命預測精度低問題,提出一種基于改進 CHSMM的滾動軸承剩余壽命方法。采用改進 LPP 算法對多域特征向量進行降維;針對狀態駐留時間概率密度函數不符合實際而引起的剩余壽命預測精度低問題,將高斯混合概率密度函數引入到 CHSMM 中,建立退化狀態識別模型和剩余壽命預測模型。最后,將軸承全生命周期數據輸入到模型中,得到軸承的退化狀態和剩余壽命。實驗結果表明,采用所提方法能準確的對軸承剩余壽命進行預測,與基于原始 CHSMM 的方法相比,退化狀態識別的正確率提高了 12%,剩余壽命預測的正確率提高了 23%。

                          關鍵詞:滾動軸承;故障預測;LPP;WSVDD;性能退化;CHSMM;剩余壽命

                          隨著科技的不斷進步,機械設備變得越來越智能,給我們帶來方便的同時,其可靠性問題也變得日益突出。機械設備的整體性能與各部件的健康狀態密切相關,任何一個部件性能的退化,如果得不到及時的維修,都會產生安全隱患甚至人員傷亡。因此,如何有效的評估機械設備的運行狀態,預測其剩余壽命,從而制定合理的維修策略,使整個制造過程實現零故障、零隱患、零意外,成為了現代制造業研究的重要問題。

                          現有的維修方式主要有事后維修和定期維修兩種。事后維修是在設備出現故障后進行維修,避免了故障的進一步惡化,減少了由此帶來的部分損失,但由于是在發生故障后才采取措施,仍造成了大量的財產損失和人員傷亡;而定期維修是每隔一段時間,對設備進行一次維修,不考慮設備的實際健康狀態,這種維修方式彌補了事后維修的部分不足,但無法處理突發性故障,并且當維修間隔設置不當時,會產生維修不足或維修過剩問題,前者會產生和事后維修一樣的弊端,后者會造成不必要的人力物力浪費[1]。近年來,隨著現代維修理論的不斷進步,維修方式也發生了改變,傳統的維修方式正在向基于狀態監測(Condition-based monitoring,CBM)的視情維修方式轉變。視情維修是一種預測性維修方式,它通過獲取能表征設備運行狀態的數據,實時監測設備的健康狀況,對設備的早期故障進行預警,并預測其未來的健康狀態,為合理制定維修策略奠定了基礎,使設備接近零停機狀態[2,3]。由于視情維修克服了傳統維修方式的不足,近年來已經在工業裝備中廣泛應用,例如波音公司將 CBM 應用到民航領域,稱作“飛機狀態管理”

                          系統,該系統減少了 25%的由于航班延遲及取消所產生的費用。NISSAN 公司在工業機器人的健康管理方面引進了預測分析模型,提前了三個星期對機器人早期故障進行了預測,及時的對機器人進行預防性檢測,使機器接近或達到零停機狀態,減少了企業的停機損失[4]。CBM 研究的重點是故障預測,它是視情維修的基礎,只有正確的對設備進行故障預測,才能制定合理的維修策略。

                          滾動軸承是機械設備必不可少的部件,尤其是旋轉機械,大到火車、機床、機器人,小到自行車都廣泛包含著滾動軸承,其可靠性對機械設備的壽命有重要的影響[5]。據統計,超過一半的機械設備失效與軸承缺陷有關,在 2014 年火車出軌事件中,超過 60%是軸承過熱引起的[6]。與其他部件相比,滾動軸承健康狀態的影響因素較多,與它的運行負載、溫度、潤滑、生產材料等有較大關系,即使同種工況下的軸承,其壽命也呈現出較大的離散性,給軸承故障預測帶來了巨大困難。傳統的故障預測技術對簡單的故障預測效果較好,但對于壽命離散性較大、具有較強非線性的軸承,預測效果卻不盡如人意。因此,對傳統的滾動軸承故障預測技術進行創新,準確的對軸承當前健康狀態進行評估,預測其剩余壽命,將故障消除在萌芽階段,具有重要的意義。

                          近年來,作為實施視情維修的基礎,滾動軸承故障預測關鍵方法成為行業內的研究熱點。這里的故障預測關鍵方法主要包括三個方面[7]:○1 退化特征提取與特征降維;○2 性能退化評估(對軸承的早期故障進行預警);○3 剩余壽命預測。圖 1-2 為滾動軸承故障預測技術研究的主要內容。

                          溫度監測法是通過溫度傳感器測量軸承的溫度,識別軸承的健康狀態。當軸承出現故障時,故障處的摩擦力會變大,使軸承的溫度顯著上升,據此可以識別軸承的運行狀態。但軸承只有在出現嚴重故障時,溫度才會顯著上升,當出現早期退化時,其溫度變化并不明顯,因此很難監測早期的故障信息[8]。

                          軸承從開始使用到失效要旋轉上萬轉,潤滑油可以減少旋轉產生的摩擦力,延長軸承壽命,軸承在旋轉過程中,磨損產生的顆粒會沉積在潤滑油中,油液分析法正是通過分析潤滑油中的磨損顆粒,監測軸承的運行狀況,但這種監測方法需要操作人員有較強的實際經驗,而且潤滑油中的磨損顆粒容易受到其他部件的污染,產生誤判[9]。

                          振動監測法是在軸承表面安裝振動傳感器,通過分析振動信息,可以辨別軸承的故障程度和類型。這種監測方式便于實施,對早期故障敏感,故障識別率較高,是目前應用最為廣泛的信號采集方式,本文的研究都是基于振動信號進行分析的。滾動軸承通常運行在較為復雜的環境中,測得的振動信號是非穩定、非線性的,而且含有較強的噪聲,因此,特征向量的有效提取,對性能退化評估、剩余壽命預測的準確性有重要影響。目前,滾動軸承常用的特征提取方法分為三類:時域特征參數提取、頻域特征參數提取、時頻域特征參數提取。

                          時域特征參數提取就是對采集到的信號直接進行運算,計算其時域統計量,例如峭度、均方根、方根幅值、偏斜度等。例如 Zarei J 等[12]提取軸承振動信號的時域特征峭度、均方根、偏斜度、標準差,以人工神經網絡(Artificial Neural Networks,ANN)作為分類器,對軸承的故障類型進行識別,Gangsar P 等[13]提取軸承振動信號的時域特征標準差、偏斜度、峭度作為特征向量,以支持向量機(Support Vector Machine,SVM)作為預測和分類模型,對軸承進行了故障預測和分類。時域特征參數提取是一種最簡單、最容易實施的特征提取方式,但也存在著一些不足,例如均方根隨著軸承的性能退化,幅值不斷增大,單調性較好,但卻不能反映出軸承的初期缺陷;峭度是軸承的一個重要特征參數,對于一個性能良好的軸承,其峭度理論值為 3,當軸承性能退化時,峭度幅值變大,但峭度容易受到負載和轉速的影響[14]。因此,許多學者對此進行了改進,提取了一些新的時域特征參數,Nayana B R 等[15]

                          提出了新的時域特征 waveform length、slopesign changes、zero crossing,并利用線性判別分析(Linear DiscriminantAnalysis,LDA)、樸素貝葉斯(Naive Bayes,NB)、SVM 驗證了提出特征向量的有效性。Tahir M M 等[16]針對振動信號的波動性,提出一種集中趨勢特征預處理的技術,實驗證明了所提方法的有效性。

                        機械設備中滾動軸承故障預測方法:

                        CHSMM 的拓撲結構
                        CHSMM 的拓撲結構

                        改進 CHSMM 訓練流程圖
                        改進 CHSMM 訓練流程圖

                        基于改進 CHSMM 的滾動軸承剩余壽命預測方法
                        基于改進 CHSMM 的滾動軸承剩余壽命預測方法

                        軸承壽命測試試驗臺
                        軸承壽命測試試驗臺

                        軸承 1 多域特征
                        軸承 1 多域特征

                        軸承 2 多域特征
                        軸承 2 多域特征

                        改進 CHSMM 迭代曲線
                        改進 CHSMM 迭代曲線

                        目 錄

                          摘 要
                          Abstract
                          第一章 緒論
                            1.1 課題研究的背景與意義
                            1.2 滾動軸承故障預測關鍵方法的研究現狀
                              1.2.1 滾動軸承特征提取與降維
                              1.2.2 滾動軸承性能退化評估
                              1.2.3 滾動軸承剩余壽命預測
                            1.3 本文研究內容
                          第二章 滾動軸承的故障機理與振動分析
                            2.1 引言
                            2.2 滾動軸承的基本結構
                            2.3 滾動軸承的振動機理與特征頻率
                              2.3.1 滾動軸承的振動機理
                              2.3.2 滾動軸承的固有頻率與故障特征頻率
                            2.4 滾動軸承的性能退化演變規律
                            2.5 本章小結
                          第三章 滾動軸承的特征向量提取與降維
                            3.1 引言
                            3.2 時域特征提取
                            3.3 時頻域特征提取
                            3.4 改進 LPP 理論
                            3.5 實驗及結果分析
                            3.6 本章小結
                          第四章 基于 AFOA-WSVDD 的滾動軸承性能退化評估
                            4.1 引言
                            4.2 WSVDD 理論
                            4.3 WSVDD 參數優化
                            4.4 性能退化評估方法
                            4.5 實驗分析
                              4.5.1 實驗平臺簡介
                              4.5.2 AFOA 性能檢驗
                              4.5.3 基于 AFOA-WSVDD 的性能退化評估
                            4.6 性能退化評估結果的驗證
                              4.6.1 經驗模態分解
                              4.6.2 Hilbert 包絡解調
                              4.6.3 基于 EMD 和 Hilbert 包絡解調的評估結果驗證方法
                              4.6.4 評估結果驗證
                            4.7 本章小結
                          第五章 基于改進 CHSMM 的滾動軸承剩余壽命預測
                            5.1 引言
                            5.2 改進 CHSMM 理論
                            5.3 改進 CHSMM 的參數初始化和多觀測序列問題
                              5.3.1 改進 CHSMM 的多觀測序列問題
                              5.3.2 改進 CHSMM 的參數初始化
                            5.4 基于改進 CHSMM 的剩余壽命預測方法
                              5.4.1 退化狀態識別
                              5.4.2 剩余壽命預測
                            5.5 實驗及結果分析
                              5.5.1 實驗平臺簡介
                              5.5.2 多域特征提取與降維
                              5.5.3 退化狀態識別
                              5.5.4 剩余壽命預測
                            5.6 本章小結
                          第六章 主要結論與展望
                            6.1 主要結論
                            6.2 展望
                          致 謝
                          參考文獻
                          附 錄:作者在攻讀碩士學位期間發表的論文

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        相關標簽:機械畢業設計
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
                        免费看男阳茎进女阳道视频