基于極限學(xué)習(xí)機的設(shè)備故障預(yù)測方法及應(yīng)用研究.pdf

1、為了提升設(shè)備使用效率，降低維修維護成本，避免重大事故發(fā)生，實現(xiàn)設(shè)備故障的趨勢預(yù)測，論文以滾動軸承和齒輪為研究對象，圍繞極限學(xué)習(xí)機及相關(guān)的人工神經(jīng)網(wǎng)絡(luò)模型開展了預(yù)測方法及應(yīng)用研究。以振動信號的時域特征參數(shù)和形態(tài)分形維數(shù)為預(yù)測特征量，分別運用灰色神經(jīng)網(wǎng)絡(luò)、Elman反饋神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機對特征量進行預(yù)測，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行對比，證明了極限學(xué)習(xí)機模型在故障預(yù)測中的有效性，具體內(nèi)容如下:
　　(1)開展了基于灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測

2、方法及應(yīng)用研究。以軸承故障為研究對象，提取原始振動信號的時域特征參數(shù)，根據(jù)其時間序列趨勢，將故障發(fā)展分為三個階段，分別截取等量數(shù)據(jù)并計算其相對變化值，對比分析各個時域特征參數(shù)對于早期故障的敏感性和故障持續(xù)發(fā)展的穩(wěn)定性，選取有量綱參數(shù)的有效值和無量綱參數(shù)的峭度作為特征量，運用BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)分別對不同的數(shù)據(jù)集進行趨勢預(yù)測，并以齒輪故障為研究對象實現(xiàn)對比驗證。
　　(2)開展了基于Elman神經(jīng)網(wǎng)絡(luò)的故障預(yù)測方法及應(yīng)用研究。

3、簡述了Elman網(wǎng)絡(luò)作為一種動態(tài)反饋型網(wǎng)絡(luò)與前向型神經(jīng)網(wǎng)絡(luò)的區(qū)別和特點，分別以軸承和齒輪為研究對象，以有效值和峭度為特征參數(shù)，運用Elman神經(jīng)網(wǎng)絡(luò)對其進行趨勢預(yù)測，并研究了不同神經(jīng)元個數(shù)對于預(yù)測結(jié)果的影響。
　　(3)開展了基于形態(tài)分形維數(shù)及極限學(xué)習(xí)機的故障預(yù)測方法及應(yīng)用研究。簡述了極限學(xué)習(xí)機(ELM)相對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法優(yōu)勢，實現(xiàn)了其在軸承和齒輪中的故障預(yù)測，并分析了隱含層神經(jīng)元的個數(shù)對于預(yù)測性能的影響。為了進一步提

4、升預(yù)測精度，引入了分形維數(shù)和數(shù)學(xué)形態(tài)學(xué)的基本思想，通過計算原始時域振動信號的形態(tài)分形維數(shù)，揭示了其作為預(yù)測特征量的可行性，運用ELM模型對經(jīng)過形態(tài)分形維數(shù)處理后的信號進行趨勢預(yù)測，對比了時域參數(shù)下ELM模型的預(yù)測結(jié)果，并綜合比較了相應(yīng)預(yù)測模型的性能。
　　結(jié)果表明:以時域參數(shù)為特征量時，ELM模型的預(yù)測誤差最小，精度最高，可以準確地擬合故障發(fā)展趨勢，且不受神經(jīng)元個數(shù)的影響;灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度次之，可以在較少的數(shù)據(jù)情況下實現(xiàn)