基于磷虾群算法的SVR滚动轴承性能衰退预测方法技术

基于磷虾群算法的SVR滚动轴承性能衰退预测方法，属于泛函逼近的旋转机械预测方法领域。首先分析时域、频域、时频域特征指标，提出基于CEEMD和小波包半软阈值降噪相结合的特征提取方法，对滚动轴承进行故障诊断。又针对多特征参数对滚动轴承故障衰退特征进行综合评价，提出LLE非线性特征降维方法与模糊C均值结合的方法，最后介绍了支持向量回归机基本理论，以此基础提出基于磷虾群算法的多变量支持向量回归机的预测模型，对SVR中的参数进行优化，选取最优C、σ参数。本发明专利技术具有预测精度高，计算用时短，聚类后的特征值预测效果好的特点。通过以上三个步骤可以进行滚动轴承的衰退过程精确预测。

【技术实现步骤摘要】
基于磷虾群算法的SVR滚动轴承性能衰退预测方法
本专利技术属于泛函逼近的旋转机械预测方法领域，具体涉及基于CEEMD与小波包变换相结合特征提取，并采用多特征融合技术对非线性信号进行降维处理的方法。
技术介绍
随着科学技术上的突破与飞跃，旋转机械设备故障的诊断和预测得到人们广泛关注，而大型旋转机械设备也随着时代的发展自动化、精密化、复杂化程度越来越高，工作环境的要求也越来越严格。设备会随着时间的推移逐渐进入耗损故障高发阶段。工厂中的整条生产线可能会由于单独零部件发生故障而瘫痪，既会给企业造成经济危机又可能发生人员意外伤亡的风险。对于性能退化预测方法的研究，正是为了预估设备的损坏时间及要发生故障的零部件及时进行更换，保证设备正常运行延长设备使用寿命。国外方面，20世纪60年代，滚动轴承状态监测技术开始迅速发展。1962年，Gustafsson和Tallian研究发现可以通过滚动轴承振动加速度信号的峰值变化来振动轴承的早期故障。1974年，美国波音公司的D.R.Harting开启了共振解调
的先锋。1998年，NordenE.Huang等人提出了一种新型信号处理方法Hilbert-H本文档来自技高网...

【技术保护点】
一种基于磷虾群算法的SVR滚动轴承性能衰退预测方法，其特征在于：所述的方法包括如下步骤：步骤一；基于CEEMD和小波包阈值降噪的特征提取；分析时域、频域、时频域特征指标，反应滚动轴承的故障诊断能力，提出新的CEEMD与小波包半软阈值相结合的理论算法；步骤二；基于C‑LLE的滚动轴承降维；针对多特征参数对滚动轴承故障衰退特征进行评价，并对特征降维的多种方法进行理论分析，提出LLE非线性特征降维方法与模糊C均值结合的方法，在滚动轴承整个监测过程中，区分滚动轴承不同损伤程度，对滚动轴承退化趋势进行预测和分类，将滚动轴承的正常振动信号和最终失效故障信号作为训练数据，建立模糊C聚类模型；步骤三；基于支持...

【技术特征摘要】
1.一种基于磷虾群算法的SVR滚动轴承性能衰退预测方法，其特征在于：所述的方法包括如下步骤：步骤一；基于CEEMD和小波包阈值降噪的特征提取；分析时域、频域、时频域特征指标，反应滚动轴承的故障诊断能力，提出新的CEEMD与小波包半软阈值相结合的理论算法；步骤二；基于C-LLE的滚动轴承降维；针对多特征参数对滚动轴承故障衰退特征进行评价，并对特征降维的多种方法进行理论分析，提出LLE非线性特征降维方法与模糊C均值结合的方法，在滚动轴承整个监测过程中，区分滚动轴承不同损伤程度，对滚动轴承退化趋势进行预测和分类，将滚动轴承的正常振动信号和最终失效故障信号作为训练数据，建立模糊C聚类模型；步骤三；基于支持向量回归机性能衰退预测；在向量回归机基本理论的基础上，提出基于磷虾群算法的多变量支持向量机的性能退化评估方法，采用磷虾群算法对SVR中的参数进行优化，选取最优C、σ参数。2.根据权利要求1所述的基于磷虾群算法的SVR滚动轴承性能衰退预测方法，其特征在于：步骤一的具体步骤如下：步骤一一；对安装于滚动轴承座上的加速度传感器设置采样时间和频率，然后确定加速度传感器通道个数，并采集滚动轴承不同损伤状态下的振动信号，接着预处理得到的故障信号，作为故障预测的输入信号；对所述的滚动轴承原始信号进行CEEMD分解，分解出从高频到低频的IMF分量，而滚动轴承的噪声信号包含在高频信号中；步骤一二；确定高频信号中含有噪声的IMF分量，选定合适的阈值函数，对高频信号进行小波包阈值降噪处理；步骤一三；对高频区降噪后的IMF分量和低频区未降噪的IMF分量进行信号重构，得到降噪后的信号。3.根据权利要求1所述的基于磷虾群算法的S...

【专利技术属性】
技术研发人员：王亚萍，马华鑫，许迪，葛江华，匡宇麒，赵强，付岩，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23