摘 要

随着现代社会的发展，为了高效率完成作业，作为物流行业常用的旋转机械设备也愈趋向于集成化发展。对旋转机械安全可靠运行的要求也相应提高。机械设备的可靠运行需要设备上每一个部件的正常运转与配合。而滚动轴承是旋转机械中最常用的关键零部件之一，整个集成系统的工作正常与否很大程度上取决于滚动轴承的健康状态。但由于其在工作运行的关键位置导致其工作条件比较恶劣，因而滚动轴承的寿命参差性非常大而且极其容易发生损伤，因此需要对滚动轴承的健康状态进行有效监测。本研究对基于极限学习机（ELM）神经网络的滚动轴承健康状态预测的理论及步骤方法进行了深入的研究。具体的主要研究工作如下：

在了解国内外故障预测和健康管理技术研究现状的基础上，本文着重分析介绍了本课题采用的基于振动信号的健康监测技术。

由于滚动轴承振动信号是不平稳和非线性的，导致很多特征提取方法对提取轴承振动信号特征向量略有不足，因此本文采用了集合经验模态分解法提取振动信号的特征。ELM算法具有简单方便，易于实现，不易陷入局部最优，运行速度快，泛化性能好等优点，能够很好的解决传统的神经网络算法有着过拟合，容易陷入局部最优以及训练速度较慢等问题。目前已经在功能拟合和预测等应用领域都有着成功的应用。因此本文采用ELM神经网络算法来进行滚动轴承的健康状态监测。

关键词: 神经网络，滚动轴承，极限学习机，集合经验模态分解，健康状态监测

Abstract

With the development of modern society, in order to complete the work efficiently, the rotating machinery equipment tends to be integrated. Therefore, it’s highly desirable to improve the safety and reliability of rotation machinery. The reliable operation of mechanical equipment depends on healthy status of every component on the equipment. The rolling bearing is one of the most common key components in the rotating machinery, -the normal operation of the whole integrated system largely influenced by the health of the rolling bearing. However, due to its poor working conditions at the key position of operation, the life of the rolling bearing is highly uneven and extremely prone to damage. Therefore, the health status of the rolling bearing needs to get effective monitoring. In this paper, the method and theory of rolling bearing health prediction based on ELM algorithm are studied. The specific main research work is as follows:

In the light of understanding the research status of PHM technology at home and abroad, this paper analyzes the health monitoring technology based on vibration signal adopted in this project.

Because the vibration signal of rolling bearing is unstable and nonlinear, the classical feature extraction methods are not enough to extract the feature vectors of the vibration signal of rolling bearing. Therefore, in order to extract the features of the vibration signal, the method of empirical mode decomposition is adopted. ELM algorithm is simple and convenient, hard to be trapped in the local optimal, easy to implement, fast running, good generalization performance and other advantages. Besides, it can solve the problems of traditional neural network algorithm with overfitting, liable to be trapped in local optimal and slow training speed. Nowadays, it has been successfully applied in functional fitting and prediction. Therefore, ELM neural network algorithm is used in this paper to monitor the health status of rolling bearings.

Keywords: neural network, rolling bearing, ultimate learning machine, ensemble empirical mode decomposition, health status monitoring

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究目的及意义 1

1.2 健康监测技术国内外研究现状 2

1.3 研究内容及方法 4

1.4 本章小结 5

第2章 滚动轴承故障分析及特征提取 6

2.1 滚动轴承基本结构 6

2.2 滚动轴承常见故障及振动特征 7

2.2.1 滚动轴承主要失效形式 7

2.2.2 滚动轴承振动信号特征分析 8

2.3 振动信号处理方法 9

2.3.1 时域分析 10

2.3.2 频域分析 12

2.3.3 时频分析 13

2.4 经验模态分解 15

2.4.1 EMD方法基本原理 15

2.4.2 集合经验模态分解 16

2.5 本章小结 18

第3章 滚动轴承状态识别与分析方法 19

3.1 SVM 19

3.2 神经网络 20

3.2.1 BP神经网络 20

3.2.2 极限学习机 22

3.3 几种方法的比较 25

3.4 本章小结 25

第4章 实验分析 26

4.1 实验数据 26

4.2 特征参数提取 27

4.3 预测结果及分析 30

4.4 本章小结 32

第5章 经济环境分析 33

第6章 总结与展望 34

参考文献 35

致 谢 37

绪论

研究目的及意义

在现代化生产中，从原材料的提供与流入到完成品的流出，这一系列流程如果没有物流系统做支撑很难进行连续化运作。可以说，物流活动为生产的连续性提供了保障^[1]。在物流活动中，物流设备是物流系统的物质基础，没有物流设备就不能够完成现代机械化流水作业。随着科技的进步，为了提高工作效率，物流设备逐渐往集成化方向发展，设备的结构由于更加智能、精密也变得更加复杂。这种发展趋势虽然提高了设备的自动化程度，但也使得每一个零部件之间的联系变得更加密切。而物流设备的健康状态是由其运行状态反映出来的，设备的零部件一旦发生损伤，相应的部分机械设备会偏离正常方向运转，即设备运行失常。而在物流自动化系统中，如果某台关键设备运行失常，通常也会导致整个系统机械设备不能正常运行，因而导致系统停滞，造成巨大的经济损失。因此，对设备进行健康状态监测是有必要的，这是物流设备向现代化、自动化发展的必经之路。状态监测，即对设备运行状况和与潜在故障有关的因素进行的监测，与故障诊断是有着密切联系的^[2]。状态监测的前提是故障诊断，即在机械设备运行过程中运用故障诊断方法发现早期故障。而机械设备结构复杂，难以用一套方法适用于各个部件，因此对设备的关键零部件进行健康状态监测具有十分重要的意义。

物流机械设备中大部分都是旋转机械，而滚动轴承是各类旋转机械中最常用的零部件之一，整个集成系统的工作正常与否很大程度上取决于滚动轴承的健康状态。根据实际现象统计得出的数据可以看出，旋转机械的故障有相当一部分是由轴承故障引起的，可见滚动轴承的工作状态很大程度上地影响着旋转机械的运转状况。与此同时，滚动轴承一直在比较恶劣的环境下进行工作，而且因为它有着承受传递载荷的功能而导致其常年受到多种载荷的多重作用，在这样的多重原因之下它也成为机械设备中最易发生损伤的零件之一。此外，滚动轴承的一大特点就是寿命离散性很大^[3]。这个特点会导致以下两种情况时常发生：一种是滚动轴承早就已经远超设计寿命但仍然能够维持在正常状态，另一种是滚动轴承离达到其理论设计寿命尚还很远就各种故障频频发生。所以，传统的根据设计寿命对滚动轴承进行定时维修的做法是行不通的，而是要选择对轴承进行健康状态预测。因为滚动轴承实际疲劳寿命的离散性以及对工况的依赖性，决定了对滚动轴承实施状态监测及预知维修的必要性和重要性。通过有效的设备状态监测与故障诊断技术，可以准确监测滚动轴承的实际工作状态并对轴承的健康状态进行预测，这样可以有效延长轴承的工作时间，减少不必要的因轴承故障导致的停机维修，从而提高经济效益。另外，对滚动轴承进行健康状态预测能及时正确地预防甚至消除各种异常或故障，提高设备的可靠性和安全性，同时可以尽量延长设备的使用寿命，降低费用，把因设备故障造成的损失降低到最低水平。总的来说，设备健康状态预测技术不但能预防事故的发生，还能带来巨大的经济效益。因此，对滚动轴承的健康状态预测进行研究对于保障机械安全运转和提高经济效益具有十分重要的意义。

健康监测技术国内外研究现状

从20世纪60年代起，美国就开始进行设备健康状态预测技术的研究。此后，随着技术的进步机械设备愈发复杂精细，机械设备健康状态预测技术这门学科在此背景下，随着传感器技术、计算机科学的发展慢慢发展起来。以此为基础的故障预测和健康管理（PHM）技术逐渐引起人们的重视，并被众多国内外学者关注和深入研究^[4]。