导读:本文包含了轴承寿命预测论文开题报告文献综述及选题提纲参考文献，主要关键词:轴承,有刷电机,寿命预测,退化状态
轴承寿命预测论文文献综述
何颋,郑怀华,李灵兵[1]（2019）在《直流永磁有刷电机轴承寿命智能预测方法研究》一文中研究指出为了提高对直流有刷电机轴承寿命预测的精准度,设计提出了基于CHSMM预测的电机寿命预测方法。从时域和频域两方面提取轴承震动信号,利用PRA数据算法进行降维,在传统CHSMM预测算法的基础上,引入高斯分布密度函数,将预测算法与函数数据结合,生成预测概率密度函数,求取轴承运行状态驻留时间,基于时间参数推导轴承当前退化状态,进而计算预期寿命,实现轴承寿命预测。实验数据表明,利用新设计的寿命预测方法,轴承退化状态识别精准度可以提高15%左右,剩余价值系数求值精准度提高19.5%左右,可以有效提高轴承预测精准度。(本文来源于《自动化与仪器仪表》期刊2019年11期）
者娜,杨剑锋,刘文彬,陈良超[2]（2019）在《KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究》一文中研究指出为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。(本文来源于《机械设计与制造》期刊2019年11期）
谢中秋[3]（2019）在《轴承用聚酰亚胺保持架材料的储存寿命预测》一文中研究指出以拉伸强度为特性指标,对轴承用聚酰亚胺保持架材料进行加速老化试验,根据试验结果构建两步法和整体法2种模型,2种模型相互验证表明,轴承用聚酰亚胺保持架材料在室温存储下的寿命至少为37年。(本文来源于《轴承》期刊2019年11期）
戴邵武,陈强强,丁宇[4]（2019）在《基于时域特征的滚动轴承寿命预测》一文中研究指出为了更好地表征滚动轴承性能退化趋势,提出基于时域特征和支持向量机的滚动轴承退化趋势预测方法;首先提取振动信号的时域特征组成高维特征集,利用主成分分析方法(PCA)对时域高维特征集进行维数约简,以消除各特征指标之间的冗余及信息冲突等问题;然后将维数约简后的特征向量作为输入数据,输入至由粒子群(PSO)优化的支持向量机中,建立退化趋势预测模型,从而完成退化趋势预测。运用滚动轴承全寿命试验数据进行验证分析,结果表明该方法能够获取准确的预测结果。(本文来源于《计算机测量与控制》期刊2019年10期）
张继冬,邹益胜,邓佳林,张笑璐[5]（2019）在《基于全卷积层神经网络的轴承剩余寿命预测》一文中研究指出传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。(本文来源于《中国机械工程》期刊2019年18期）
马海龙[6]（2019）在《基于主元特征融合和SVM的轴承剩余寿命预测》一文中研究指出为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据样本条件下轴承剩余寿命难以估算的问题,提出了一种基于主元特征融合和支持向量机(SVM)的轴承剩余寿命预测方法。该方法采集振动加速度信号构建数据样本,提取有效值、峰值、小波熵等表征轴承退化趋势的特征指标;采用主元分析融合多个特征指标,消除特征间的冗余和相关性,构造出相对多特征的退化特征量;将退化特征量输入SVM模型中进行轴承剩余寿命预测。现场工程应用结果表明,基于主元特征融合和SVM的轴承剩余寿命预测方法可在小样本条件下筛选出包含信号绝大部分信息的主元,从而在保证预测精度的同时,减少了计算量。(本文来源于《工矿自动化》期刊2019年08期）
唐旭,徐卫晓,谭继文,王彦松[7]（2019）在《基于LSTM的滚动轴承剩余使用寿命预测》一文中研究指出为了准确反映滚动轴承的剩余使用寿命随着时间的变化,提出了使用具有时序功能的长短期记忆网络(LSTM)来预测滚动轴承退化程度的方法。按照时间顺序提取振动信号的均方根值、峰度、偏斜度等15个时域特征作为判断滚动轴承退化的特征值,将其输入到长短期记忆网络中,将网络输出的轴承退化值设定为0～1,0表示轴承完好,1为预定的滚动轴承寿命。再将退化值映射到对应组数的剩余使用寿命上,分析退化预测值与真实值的偏离程度。LSTM的预测值逼近真实值,拟合预测值便可得到滚动轴承的剩余使用寿命曲线,可以通过曲线较准确判断轴承退化程度。(本文来源于《机械设计》期刊2019年S1期）
郭艳杰[8]（2019）在《铁路列车轴承疲劳寿命预测方法研究》一文中研究指出研究本项目旨在将神经网络理论和灰色预测方法引入到轴承健康管理中,研究滚动轴承振动机理、信号特征及其非线性动力学模型,提取机车高速运行时滚动轴承的温度和振动信号,采用神经网络与灰色预测相结合的方法对电力机车轴承进行健康管理的仿真试验和轴承寿命预测方法研究。(本文来源于《内燃机与配件》期刊2019年14期）
刘波,宁芊,刘才学,艾琼,何攀[9]（2019）在《基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测》一文中研究指出为了准确识别轴承当前所处的退化状态,并进一步精确有效地预测其剩余寿命,提出一种基于连续型隐马尔可夫模型(CHMM)与PSO-SVM相结合的预测方法。首先,提取轴承振动全寿命周期信号的时域、频域、时频域的特征,并构建特征空间;然后,利用CHMM将轴承全寿命周期划分若干个退化阶段,并通过选取不同阶段的特征训练样本,采用PSO-SVM进行预测模型的训练,分别得到不同阶段的剩余寿命预测模型;最后,运用滚动轴承全寿命数据对所提方法进行测试,并与全寿命周期数据CHMM分区段后的SVM模型和未分区段的PSO-SVM模型的预测方法作对比。实验结果表明该方法能有效提高预测精度,具有一定的实用性。(本文来源于《计算机应用》期刊2019年S1期）
曾宇[10]（2019）在《滚动轴承多域退化表征指标提取及寿命预测研究》一文中研究指出随着高铁里程的持续增长,动车组的安全性、可靠性越来越成为重中之重。轴承作为高速列车安全行驶的核心部件,其健康状态直接影响着行驶安全。准确提取轴承的退化表征指标,是进行轴承工作模式识别、故障判断、寿命预测的关键。本文对轴承结构特性、失效形式及载荷特性等进行了研究,重点分析了轴承振动特性及退化状态。以轴承试验台数据有效构建轴承退化表征指标,并以这些指标为准则,通过IMS轴承数据研究了轴承的退化趋势表征和剩余寿命预测。本文主要工作如下:1.设计了一种同步挤压S变换与SVD算法相结合的降噪预处理研究。针对轴承振动信号的复杂背景噪声特性,对S变换和奇异值分解的降噪预处理方法进行了改进,结合同步挤压方法设计了基于同步挤压S变换的时频系数矩阵获取,结合差分谱方法精确地确定阈值。试验信号结果表明,该方法可有效去除噪声,且获得良好的重构信号。2.以不同特征指标对轴承不同故障类型及程度的敏感度不一致为原则,分别在时域、频域、小波包域及熵域四个域中共提取36个指标。为了避免不同轴承引起的误差,采用相对化处理。由于各指标间信息的重复性和噪声的迭加性,利用偏相关分析进行一次筛选,剔除无法有效表征故障类型及程度的参数指标,最终选取19个指标组成混合域特征参数。3.基于核主元分析构建轴承退化性能表征指标。由于主元分析方法无法获取非线性关系,引入径向基核函数,映射于空间进行主元分析,以贡献率大于85%为原则,最终获得2个核主元,有效降低计算复杂度。试验数据结果表明,获得的核主元可以有效地判断10种不同故障类型和程度的轴承,且通过一次筛选后的最终结果明显优于未进行一次筛选的。与主元分析方法相比,核主元分析方法可以有效地提取参数之间的非线性关系,提取的指标可有效地表征轴承退化。4.设计了基于遗传算法、经验模态分解与BP神经网络相结合的轴承寿命预测研究。针对核主元趋势的不稳定性,利用经验模态分解的核主元进行主趋势提取。在对轴承全寿命周期退化状态分析中,通过趋势变化来判断退化过程中的五个阶段:正常期、轻微退化、恢复期、严重退化、急剧退化。分别对不同阶段的退化特性,提出基于多阶段BP神经网络的寿命预测研究,并引入遗传算法,优化网络结构参数。结果表明,该算法有效降低了误差,提高了预测精确。(本文来源于《北京交通大学》期刊2019-07-01）
轴承寿命预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
轴承寿命预测论文参考文献
[1].何颋,郑怀华,李灵兵.直流永磁有刷电机轴承寿命智能预测方法研究[J].自动化与仪器仪表.2019
[2].者娜,杨剑锋,刘文彬,陈良超.KPCA和改进SVM在滚动轴承剩余寿命预测中的应用研究[J].机械设计与制造.2019
[3].谢中秋.轴承用聚酰亚胺保持架材料的储存寿命预测[J].轴承.2019
[4].戴邵武,陈强强,丁宇.基于时域特征的滚动轴承寿命预测[J].计算机测量与控制.2019
[5].张继冬,邹益胜,邓佳林,张笑璐.基于全卷积层神经网络的轴承剩余寿命预测[J].中国机械工程.2019
[6].马海龙.基于主元特征融合和SVM的轴承剩余寿命预测[J].工矿自动化.2019
[7].唐旭,徐卫晓,谭继文,王彦松.基于LSTM的滚动轴承剩余使用寿命预测[J].机械设计.2019
[8].郭艳杰.铁路列车轴承疲劳寿命预测方法研究[J].内燃机与配件.2019
[9].刘波,宁芊,刘才学,艾琼,何攀.基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测[J].计算机应用.2019
[10].曾宇.滚动轴承多域退化表征指标提取及寿命预测研究[D].北京交通大学.2019