论文部分内容阅读
滚动轴承是机械设备中使用最广泛，且极易损坏的零件之一，由其引发的故障是引起设备失效的重要原因。对滚动轴承进行工作状态和寿命预测研究是评价轴承制造质量的关键，对其进行研究具有十分重要的意义。论文研究了滚动轴承的工作状态和寿命预测方法，使用局部特征尺度分解（Local characteristic scale decomposition，简称LCD）算法提取振动信号的特征值，将高斯混合聚类算法和变量预测模型（Variable predictive model based classdiscriminate，简称VPMCD）结合，对滚动轴承进行工作状态的识别和寿命预测。论文主要研究内容如下：1、分析了滚动轴承的主要故障模式及特性，以及滚动轴承的退化状态演化规律。然后探讨了滚动轴承工作状态的识别方法，为滚动轴承的工作状态与寿命预测方法研究奠定基础。2、研究了LCD算法的基本理论，LCD是一种新的自适应、非平稳信号的处理方法，该方法能够将复杂的非平稳信号自适应地分解为若干瞬时频率具有物理意义的单分量信号的和，从而能够有效地对滚动轴承的振动信号进行特征值提取。然后利用仿真信号比较了LCD相对固有时间尺度分解（Intrinsic time-scaledecomposition，简称ITD）及经验模态分解（Empirical mode decomposition，简称EMD）算法的优点，并通过实验来验证LCD在滚动轴承工作状态和寿命预测研究中的有效性。3、研究了高斯混合聚类算法的基本理论，用作滚动轴承退化状态识别和寿命预测的全寿命数据是随时间非线性变化的不确定类别的数据，因此首先需要利用高斯混合聚类算法将原始数据准确聚类成N个退化状态，然后才能使用模式识别方法根据既定的不同退化状态对数据进行训练和测试。将该算法与LCD算法相结合，并且将时间因子作为特征值引入高斯混合聚类算法，从而实现对滚动轴承全寿命数据的退化状态分类，并有效识别出原始信号的异常点。4、研究了VPMCD算法的基本理论，该方法是一种全新的模式识别方法，通过利用各特征参数之间的相互内在关系来建立变量预测模型，再利用预测模型对待测数据进行模式识别及分类。论文将其与高斯混合聚类及LCD算法相结合应用于滚动轴承工作状态和寿命预测研究中，并通过实验，与目前广泛应用在滚动轴承模式识别中的神经网络相比较，结果验证了其在分类精度和训练速度上的优势。