基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测

论文摘要

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。

论文目录

• 0 引言
• 1 振动信号特征提取及特征空间
•   1.1 加速度疲劳寿命实验特征提取
•   1.2 特征提取后结果分析
•   1.3 PCA降维处理
• 2 CHMM
•   2.1 CHMM原理
•   2.2 CHMM区段划分
• 3 建立PSO-SVM模型
•   3.1 SVM理论
•   3.2 PSO优化SVM参数
•   3.3 基于CHMM和PSO-SVM模型区段预测
• 4 实验与结果分析
• 5 结语

文章来源

类型: 期刊论文

作者: 刘波,宁芊,刘才学,艾琼,何攀

关键词: 性能退化,剩余寿命预测,特征提取,连续型隐马尔可夫模型,逻辑回归

来源: 计算机应用 2019年S1期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 机械工业

单位: 四川大学电子信息学院,新疆师范大学物理与电子工程学院,中国核动力设计研究院

基金: 装备预研项目

分类号: TH133.33

页码: 31-35

总页数: 5

文件大小: 825K

下载量: 355