论文部分内容阅读
滚动轴承在国民经济和国防事业各个领域应用非常广泛,是机械设备的基础零部件,也是最易受损的部件,其可靠性和寿命会影响转子系统乃至整机的性能和寿命。通过对滚动轴承的状态进行监测,可准确判断其故障,预测其剩余寿命(Remaining Useful Life,RUL),从而综合反映其故障程度,所以研究滚动轴承的RUL有重大的实际工程价值。本文以滚动轴承寿命加速实验中采集到的振动信号为研究对象,首先分析了传统的滚动轴承RUL预测的三个步骤:信号处理、特征提取和RUL预测,讨论了基于自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法的滚动轴承趋势分析;然后研究了经粒子群优化算法(Particle Swarm Optimization,PSO)优化的浅层学习网络—误差反向传播(Error Back Propagation,BP)网络和最小二乘支持向量回归机(Least Squares Support Vector Machine,LS-SVR);接着讨论了目前流行的可直接处理原始数据的深度学习的典型模型—深度信念网络(Deep Belief Networks,DBN),并针对原始DBN预测方法中存在的缺陷进行了参数与结构两方面的改进,最后将上述理论模型应用于滚动轴承RUL的预测实验中;通过实验验证所提改进方法的有效性与优越性。本文的主要研究内容如下:1.讨论了滚动轴承RUL预测通用的三个步骤—信号处理、特征提取和RUL预测,首先使用ASTFA方法对滚动轴承实验振动信号进行了预处理,然后基于ASTFA方法进行了特征提取、选择与趋势分析,最后使用改进的浅层神经网络PSO-BP与PSO-LS-SVR进行了滚动轴承RUL预测。2.采用可直接处理原始数据并深度挖掘数据内部信息的人工智能方法—深度学习(Deep Learning,DL),进行滚动轴承趋势分析并进行RUL预测。首先研究了DL基本思想以及典型的DL模型;然后讨论了典型的双向深度网络模型—DBN模型,研究了其自下而上的逐层无监督贪婪算法,自上而下的有监督微调学习算法以及其中关键参数的确定方法;最后通过滚动轴承RUL预测实验,证明所使用方法的有效性与优越性。3.针对原始DBN预测模型中存在的明显缺点,对其参数进行了改进,提出了全参数动态学习深度信念网络预测模型(Global Parameters Dynamic Learning Deep Belief Networks,GPDLDBN)。首先详细研究了该模型的全参数动态学习策略,该方法相对于原始DBN预测模型中的固定学习率,具有更高的准确性与更快的收敛性;然后将所提出的GPDLDBN预测方法应用到滚动轴承RUL的预测实验中,通过具体的实验数据来证明GPDLDBN预测模型的有效性;最后通过对比实验验证了GPDLDBN预测模型的优越性。4.在经过参数优化的GPDLDBN预测模型的基础上,继续采用萤火虫算法(Firefly Algorithm,FA)进行网络结构的改进,提出了基于萤火虫算法优化的全参数动态学习深度信念网络预测模型(Firefly Algorithm-Global Parameters Dynamic Learning Deep Belief Networks,FA-GPDLDBN)。首先讨论了萤火虫算法的具体优化理念,然后采用萤火虫算法优化GPDLDBN网络结构,最后使用经萤火虫算法优化的GPDLDBN预测模型进行滚动轴承RUL预测实验,并通过对比实验来验证所提改进模型的有效性与优越性。