论文部分内容阅读
回转支承广泛应用于工程机械、海上平台、风力发电机等大型机械结构中需要作相对旋转运动的基础部件，一旦失效将会导致整机失效，甚至引起重大事故。同时由于安装位置不便于拆装，且拆装费用高，周期长，因此研究回转支承的健康状态评估，为建立合理的维护计划提供依据，对有效延长回转支承使用寿命具有重要意义。传统的健康状态评估方法，主要是以单特征信号为数据源的故障诊断或状态评估，由于单一信号造成信息丢失，影响回转支承健康状态评价精度。因此本文以多特征信号为数据源，建立基于人工智能的健康评估模型并进行验证。 本文建立了回转支承的全寿命状态监测实验系统，通过温度传感器和扭矩传感器采集了回转支承整个寿命周期的大量数据并进行数据预处理。同时，以实验的历史数据为基础，在人工智能算法研究的基础上对于回转支承健康状态评估。主要研究内容如下: 首先介绍了基于神经网络的健康评估模型，分别利用单一的BP、Elman神经网络模型对回转支承健康度将进行预测，并分析对比两种评估模型的预测结果。结果表明，基于Elman神经网络预测模型能显著地加快网络训练速度，并提高回转支承预测精度。 针对单独使用神经网络的不足，随后利用遗传算法对Elman网络进行优化，采用相同的数据建立遗传Elman健康评估模型，并通过仿真分析选择合适的遗传算子。结果表明，与Elman神经网络相比，遗传Elman网络模型对回转支承健康度的预测精度更高，网络训练速度更快。 为了提高神经网络模型训练速度和拟合精度，利用模糊聚类算法对实验数据进行分类，建立基于自适应神经网络模糊推理系统(ANFIS)的健康评估模型。通过仿真比较，基于减法聚类的ANFIS模型对回转支承健康度评估精度高于基于模糊C均值聚类的ANFIS模型。 最后通过多项统计指标对BP、Elman、GA-Elman、减法聚类ANFIS、模糊C均值聚类ANFIS等健康评估模型进行评价和分析对比。结果表明，从精度上来看，GA-Elman模型对回转支承健康度评估精度最高，预测结果最好的。所以可以作为回转支承健康状态评估方法。但是从稳定性方面来看，基于减法聚类的ANFIS评估模型是略胜一筹，而且也是具有一定的预测精度，且符合人类逻辑思维习惯，所以也可以作为回转支承健康评估方法之一。