基于时间序列分析和智能算法的故障预测方法研究

发布时间：2017-04-15 12:10

  本文关键词：基于时间序列分析和智能算法的故障预测方法研究，由笔耕文化传播整理发布。

【摘要】：故障预测是保障机械设备安全运行的关键技术,通过分析设备历史和当前的运行状态,揭示设备随后状态发展趋势的规律和特征,为科学设定设备维修策略提供依据。本文介绍了故障趋势预测的分类及方法,并开展了基于时间序列分析、支持向量机及遗传算法寻优的轴承预测方法研究,主要内容如下： 重点介绍了自回归模型、灰色模型及其建模过程。针对轴承振动信号分析提取其有效值和小波包分解的频带能量,作为特征参数建立时间序列,引入滚动轴承故障的相对判断标准得到轴承的状态阈值,以故障注意状态下的数据为研究对象,开展了基于时间序列分析的故障预测方法研究。结果表明,自回归模型对时间序列有较好的动态跟踪效果,在建模数据选择合适的情况下能够对轴承状态达到预警目的；灰色模型能够把握序列的主要趋势,但对数据的动态跟踪效果较差,预测效果不理想,受建模数据选择影响较大。 支持向量机在小样本情况下具有一定的优势,论文以轴承为研究对象,进行了基于支持向量回归的故障预测方法研究。结果表明,该方法在合理选择回归数据的情况下有较好的预测效果,适合用于短期的故障预测,但预测的准确性受参数的影响很大。 建模数据的选择会影响模型参数和预测结果,利用遗传算法的寻优特性,提出基于遗传算法的寻优预测方法,并以线性回归为例,验证了该方法的有效性。同时将该方法应用于支持向量回归模型和灰色预测模型中,有效的提高了预测精度、实现了故障预警。
【关键词】：故障预测 时间序列分析 自回归模型 支持向量机 遗传算法
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 学位论文数据集3-4
• 摘要4-6
• ABSTRACT6-12
• 第一章 绪论12-16
• 1.1 故障诊断及趋势预测技术12-13
• 1.2 故障预测方法13-14
• 1.3 课题研究背景和意义14-15
• 1.4 课题来源及主要研究内容15-16
• 第二章 基于自回归模型和灰色模型的时间序列故障预测16-40
• 2.1 时间序列分析16
• 2.2 AR模型介绍16-21
• 2.2.1 模型的识别16-17
• 2.2.2 模型定阶17-18
• 2.2.3 模型的参数估计18-19
• 2.2.4 模型的适应性检验19-20
• 2.2.5 基于AR模型的时间序列分析建模步骤20-21
• 2.3 灰色模型应用于时间序列分析21-23
• 2.4 故障预测实例23-38
• 2.4.1 实验介绍23-27
• 2.4.2 时域参数预测分析27-33
• 2.4.3 小波包能量特征参数预测分析33-38
• 2.5 本章小结38-40
• 第三章 基于支持向量机的故障预测40-50
• 3.1 支持向量机原理40-42
• 3.1.1 线性可分情况40-41
• 3.1.2 非线性情况41-42
• 3.1.3 核函数42
• 3.2 支持向量回归算法42-43
• 3.3 基于SVR的故障预测方法43-44
• 3.4 故障预测实例44-49
• 3.4.1 有效值SVR预测44-47
• 3.4.2 小波包频带能量参数SVR预测47-49
• 3.5 本章小结49-50
• 第四章 基于遗传算法的寻优预测50-66
• 4.1 遗传算法概述50
• 4.2 基本遗传算法步骤50-54
• 4.2.1 染色体编码与解码51-52
• 4.2.2 个体适应度的检测评估52-53
• 4.2.3 遗传算子53
• 4.2.4 基本遗传算法的运行参数53-54
• 4.3 基于遗传算法的寻优预测方法54-56
• 4.4 故障预测实例56-60
• 4.5 基于遗传算法寻优的SVR预测60-62
• 4.6 基于遗传算法寻优的灰色预测62-63
• 4.7 本章小结63-66
• 第五章 结论与展望66-68
• 5.1 结论66
• 5.2 问题与展望66-68
• 参考文献68-72
• 致谢72-74
• 研究成果及发表的学术论文74-76
• 作者和导师简介76-77
• 附件77-78

【参考文献】

中国期刊全文数据库 前10条

1 张星辉;康建设;刘占军;李志勇;;轴承故障诊断与故障预测方法[J];轴承;2011年01期

2 李锋;汤宝平;刘文艺;;遗传算法优化最小二乘支持向量机的故障诊断[J];重庆大学学报;2010年12期

3 侯澍e，

本文编号：308368