基于流形學(xué)習(xí)的滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)研究.pdf

1、空間滾動(dòng)軸承作為空間機(jī)械設(shè)備的關(guān)鍵部件，其工作性能的好壞直接影響到整機(jī)的正常運(yùn)行?？臻g滾動(dòng)軸承的運(yùn)行環(huán)境極端惡劣，容易造成軸承在運(yùn)行一段時(shí)間后產(chǎn)生各種各樣的缺陷，隨著其繼續(xù)運(yùn)轉(zhuǎn)，初始缺陷進(jìn)一步擴(kuò)展，其運(yùn)行狀態(tài)和性能逐漸退化。并且，由于空間場(chǎng)合軸承應(yīng)用的限制，空間滾動(dòng)軸承不可能更換，也不可能采用備份來(lái)保證軸承的可靠性，所以軸承一旦出現(xiàn)問(wèn)題，將導(dǎo)致整個(gè)空間活動(dòng)部件的失效甚至毀壞。目前只能開(kāi)展地面模擬空間環(huán)境下滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)的方法研

2、究。因此，需要研究地面模擬空間環(huán)境下滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)的方法。采集滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行處理分析，實(shí)現(xiàn)其性能退化趨勢(shì)預(yù)測(cè)，準(zhǔn)確及時(shí)地判斷其運(yùn)行狀態(tài)是否變化，預(yù)測(cè)其運(yùn)行狀態(tài)的發(fā)展趨勢(shì)，為其設(shè)計(jì)與維護(hù)提供指導(dǎo)依據(jù)，避免人員傷亡和設(shè)備的損失。
　　基于振動(dòng)信號(hào)的空間滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)可以為軸承可靠性評(píng)估和剩余壽命預(yù)測(cè)提供依據(jù)?？臻g活動(dòng)件結(jié)構(gòu)復(fù)雜，各零部件間振動(dòng)信號(hào)疊加和耦合，且空間滾動(dòng)軸承的工作環(huán)境惡劣、運(yùn)行工況多變，導(dǎo)致其

3、振動(dòng)信號(hào)有噪聲大，非線性等特性?？臻g滾動(dòng)性能退化趨勢(shì)預(yù)測(cè)孕育于正常狀態(tài)，沒(méi)有明顯故障，特征十分微弱。而滾動(dòng)軸承趨勢(shì)預(yù)測(cè)的關(guān)鍵就在于提取能表征其運(yùn)行狀態(tài)的特征指標(biāo)，以全面、準(zhǔn)確地反映其運(yùn)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(biāo)的性能退化趨勢(shì)預(yù)測(cè)方法具有重要意義。
　　目前，基于振動(dòng)信號(hào)的趨勢(shì)預(yù)測(cè)方法因各自的局限性，都還不能全面、準(zhǔn)確地反映空間滾動(dòng)軸承的運(yùn)行狀態(tài)。近年來(lái)，流形學(xué)習(xí)得到了廣泛應(yīng)用與發(fā)展。流形學(xué)習(xí)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(jié)構(gòu)，將其應(yīng)用于空間滾動(dòng)軸承性能趨勢(shì)預(yù)測(cè)具有重要意義。因此，論文基于流形學(xué)習(xí)方法，結(jié)合其他信號(hào)分析方法，深入研究了基于流形學(xué)習(xí)的空間滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)的方法。具體內(nèi)容安排如下：
　?、籴槍?duì)空間滾動(dòng)軸承信號(hào)強(qiáng)噪聲干擾大、非線性的問(wèn)題，提出了自適應(yīng)鄰域的流形學(xué)習(xí)降噪方法。首先通過(guò)相空間重構(gòu)將一維非線性時(shí)間序列重構(gòu)到高維空間，充分顯露出非線性序列中所蘊(yùn)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(hào)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(yīng)鄰域方法，使鄰域結(jié)構(gòu)更符合數(shù)據(jù)分布情況，并采用極大似然法估計(jì)信號(hào)的本征維數(shù)。自適應(yīng)鄰域的流形學(xué)習(xí)降噪方法提高了空間滾動(dòng)軸承振動(dòng)信號(hào)非線性的降噪效果。
　?、卺槍?duì)空間滾動(dòng)軸承性能趨勢(shì)預(yù)測(cè)中難以建立有效特征指標(biāo)的問(wèn)題，提出了基于自適應(yīng)鄰域LPP的空間滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)特征指標(biāo)構(gòu)建方法。分析了滾動(dòng)軸承振動(dòng)信號(hào)的多域特征提取方法，

6、針對(duì)多域高維特征間存在冗余、相互沖突，影響后續(xù)退化趨勢(shì)預(yù)測(cè)的準(zhǔn)確度的問(wèn)題，采用自適應(yīng)鄰域LPP融合特征集，并將融合指標(biāo)作為軸承性能退化趨勢(shì)預(yù)測(cè)的特征指標(biāo)。
　?、坩槍?duì)傳統(tǒng)的趨勢(shì)預(yù)測(cè)模型不能預(yù)測(cè)空間滾動(dòng)軸承狀態(tài)的問(wèn)題，提出了基于最小二乘支持向量機(jī)預(yù)測(cè)模型。在流形學(xué)習(xí)算法的基礎(chǔ)上，將維數(shù)約簡(jiǎn)后的特征信息作為最小二乘支持向量機(jī)的輸入，訓(xùn)練并建立趨勢(shì)預(yù)測(cè)模型，實(shí)現(xiàn)空間滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)。
　?、茉谝陨涎芯康幕A(chǔ)上以C＃為開(kāi)發(fā)平