-
题名基于主元特征融合和SVM的轴承剩余寿命预测
被引量：22
- 1
-
-
作者
马海龙
-
机构
北京天地龙跃科技有限公司
-
出处
《工矿自动化》
北大核心
2019年第8期74-78,共5页
-
基金
中国煤炭科工集团有限公司科技创新创业资金专项资助项目(2018QN035)
天地科技股份有限公司科技创新创业资金专项资助项目(2018-TD-QN045)
-
文摘
为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据样本条件下轴承剩余寿命难以估算的问题,提出了一种基于主元特征融合和支持向量机(SVM)的轴承剩余寿命预测方法。该方法采集振动加速度信号构建数据样本,提取有效值、峰值、小波熵等表征轴承退化趋势的特征指标;采用主元分析融合多个特征指标,消除特征间的冗余和相关性,构造出相对多特征的退化特征量;将退化特征量输入SVM模型中进行轴承剩余寿命预测。现场工程应用结果表明,基于主元特征融合和SVM的轴承剩余寿命预测方法可在小样本条件下筛选出包含信号绝大部分信息的主元,从而在保证预测精度的同时,减少了计算量。
-
关键词
轴承剩余寿命预测
主元特征融合
支持向量机
主元分析
退化特征量
-
Keywords
bearing residual life prediction
principal component feature fusion
support vector machine
principal component analysis
regressive feature
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名煤机设备轴承剩余寿命预测方法研究
被引量：2
- 2
-
-
作者
孙永新
-
机构
山西天地王坡煤业有限公司
-
出处
《工矿自动化》
北大核心
2021年第11期126-130,共5页
-
文摘
煤机设备轴承剩余寿命预测对设备维护具有重要意义。现有的轴承剩余寿命预测方法或难以建立精确的轴承失效数学模型,或预测精度受样本完备性和准确性的制约,且退化特征量通常采用时域、频域指标,受煤机恶劣工作环境影响较大,导致预测精度不高。针对该问题,提出一种基于经验模态分解(EMD)和灰色模型(GM)的煤机设备轴承剩余寿命预测方法:采用EMD对煤机设备轴承振动加速度信号进行滤波处理;提取滤波信号的均方根作为表征轴承健康状态的退化特征量,形成退化特征量序列;采用退化特征量序列训练GM,进而建立GM轴承剩余寿命预测模型来预测退化特征量的变化趋势,以退化特征量达到设定阈值的时间间隔作为剩余寿命预测值。试验台试验和工程应用结果表明,该方法可有效预测煤机设备轴承剩余寿命,预测精度较高,预测结果能指导现场设备维护。
-
关键词
煤机设备
轴承剩余寿命预测
经验模态分解
灰色模型
信号均方根
退化特征量
-
Keywords
coal mine machinery equipment
bearing residual life prediction
empirical mode decomposition
grey model
signal root mean square
degraded characteristic quantity
-
分类号
TD67
[矿业工程—矿山机电]
-
