文献类型：期刊文章

作　　者：徐洲常[1,2] 王林军[1,2] 刘洋[1,2] 蔡康林[1,2] 陈正坤[1,2] 陈保家[1,2]

XU Zhouchang;WANG Linjun;LIU Yang;CAI Kanglin;CHEN Zhengkun;CHEN Baojia(Hubei Key Laboratory of Hydroelectric Machinery Design and Maintenance, China Three Gorges University, Yichang, Hubei 443002, China;The College of Machinery and Power, China Three Gorges University, Yichang, Hubei 443002, China)

机构地区：[1]三峡大学水电机械设备设计与维护湖北省重点实验室,湖北宜昌443002 [2]三峡大学机械与动力学院,湖北宜昌443002

出　　处：《西安交通大学学报》

基　　金：国家自然科学基金资助项目(51975324)。

年　　份：2022

卷　　号：56

期　　号：3

起止页码：197-205

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明:与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。

关 键 词：滚动轴承 状态评估  主成分分析  差分进化灰狼群算法  剩余寿命预测

分 类 号：TH133.33]