發(fā)布時間：2020-11-22 11:35

　　 隨著數(shù)據(jù)分析和工業(yè)物聯(lián)網(wǎng)技術的快速發(fā)展,基于數(shù)據(jù)驅(qū)動與物理系統(tǒng)模型相結(jié)合的設備故障預測與健康管理技術(PHM)受到青睞�？墒乖O備由視情維修向狀態(tài)監(jiān)測和健康管理的轉(zhuǎn)變,具有故障診斷與剩余壽命預測的能力。但目前滾動軸承的PHM系統(tǒng)大多僅依據(jù)大量狀態(tài)數(shù)據(jù)進行分析,通過加強算法來提高健康管理能力,但卻忽視了與軸承本身服役性能和失效機理的有機融合。因此,本文通過強化物理系統(tǒng)與數(shù)據(jù)驅(qū)動方法的結(jié)合,構(gòu)建面向智能制造的PHM系統(tǒng)。首先,設計了滾動軸承PHM系統(tǒng)的功能體系,此系統(tǒng)可用于滾動軸承服役全壽命周期,具備初始階段無歷史數(shù)據(jù)情況下基于軸承物理模型的系統(tǒng)狀態(tài)判斷、服役過程中基于已有數(shù)據(jù)分析和軸承物理模型結(jié)合的實時狀態(tài)管理、服役中后期基于狀態(tài)分析和壽命發(fā)展模型的剩余壽命預測三大功能。通過輸入軸承基本參數(shù)及工況參數(shù)可以對軸承進行溫度求解、擬動力學計算以及故障特征頻率求解,將分析結(jié)果與實時監(jiān)測信號對比分析可進行軸承服役初期的狀態(tài)判定;建立了基于滾動軸承的失效形式和故障癥狀的故障樹,當軸承狀態(tài)監(jiān)測信號出現(xiàn)異常時,可根據(jù)故障樹對軸承進行初步故障分析,并根據(jù)故障診斷知識庫查找故障原因和改善措施。然后,根據(jù)潤滑狀態(tài)定義了軸承單點失效模型,界定了疲勞失效與磨損失效邊界;根據(jù)疲勞發(fā)展模型與磨損發(fā)展模型,計算了疲勞裂紋和磨損量隨時間的變化關系,并模擬了疲勞缺陷與磨損缺陷的振動特征響應。最后,通過粒子濾波方法,分別將疲勞發(fā)展模型和磨損發(fā)展模型與振動特征值結(jié)合建立狀態(tài)空間模型,并通過BP神經(jīng)網(wǎng)絡建立了滾動軸承組合退化模型,綜合以上模型,搭建了滾動軸承PHM系統(tǒng)的剩余壽命預測模塊;結(jié)合網(wǎng)絡已有的軸承全壽命振動數(shù)據(jù)進行了預處理和特征提取,并根據(jù)Fisher準則選擇出了最優(yōu)特征值;對軸承進行了疲勞退化分析、磨損退化分析和組合退化分析;基于C#語言與Matlab語言混編搭建了滾動軸承PHM平臺,實現(xiàn)了滾動軸承的故障監(jiān)測與狀態(tài)管理。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH133.33
【部分圖文】：

壽命預測的能力。一般來說，機械裝備在使用過程中會由正常狀態(tài)轉(zhuǎn)為直至功能失效，圖 1-1 為機械設備的健康狀態(tài)退化曲線，當設備性能開，距離功能失效仍有部分使用時間。若是在機械設備性能退化時能感知并預測剩余有效時間，便能針對性的進行系統(tǒng)決策，在使設備的使用時的同時，降低了維修費用，極大的提高了安全保障能力和生產(chǎn)效率。

1.2.1 滾動軸承 PHM 流程滾動軸承的健康管理包括對原始數(shù)據(jù)預處理、特征值選擇與提取、故障模式識別、性能退化評估、性能趨勢預測和提供維修決策等步驟[2]，PHM 基本流程和常用方法如圖 1-2 所示。

軸承溫升的殘差均值
【相似文獻】

相關期刊論文 前10條

1 楊永鋒;王鵬飛;;軸承內(nèi)圈開裂分析[J];熱處理;2017年02期

2 楊春東;拆除壞軸承內(nèi)圈的方法[J];中國棉花加工;1998年02期

3 席華林;巧拆風機軸上的壞軸承內(nèi)圈[J];中國棉花加工;1997年05期

4 郭穗明;;溫差對烘缸軸承的影響[J];紙和造紙;1987年03期

5 肖永清;;汽車滾動軸承的維修[J];汽車工藝;1987年05期

6 K.P.BALAN;吳鎖春;;傳動軸的失效分析[J];國外金屬熱處理;1987年06期

7 周龍聲;;機修工藝講座 第十講 滾動軸承的裝配與調(diào)整[J];機械工人.冷加工;1987年12期

8 侯焱;;7518軸承的拆卸方法[J];現(xiàn)代化農(nóng)業(yè);1988年09期

9 趙展堂;53000型軸承內(nèi)圈滾道仿形車削[J];軸承;1988年04期

10 尹雪晨;內(nèi)燃機可以使用滾動軸承嗎[J];車用發(fā)動機;1988年02期

相關博士學位論文 前7條

1 徐波;基于機器學習的旋轉(zhuǎn)機械故障診斷方法的研究[D];武漢科技大學;2019年

2 陸爽;基于現(xiàn)代信號分析和神經(jīng)網(wǎng)絡的滾動軸承智能診斷技術研究[D];吉林大學;2004年

3 陳錦江;軸承數(shù)字化設計及其在高速陶瓷球軸承結(jié)構(gòu)設計中的應用[D];天津大學;2004年

4 于永澔;軸承部件等離子體浸沒離子注入批量改性均勻性研究[D];哈爾濱工業(yè)大學;2007年

5 陳偉;郵政旋轉(zhuǎn)設備系統(tǒng)故障診斷方法研究[D];北京郵電大學;2016年

6 汪凱;渦輪鉆具滾動軸承故障診斷系統(tǒng)的研究[D];西南石油大學;2016年

7 王曉龍;基于振動信號處理的滾動軸承故障診斷方法研究[D];華北電力大學(北京);2017年

相關碩士學位論文 前10條

1 胡琦;基于六西格瑪?shù)腉公司變速箱一軸軸承質(zhì)量改善研究[D];南昌大學;2019年

2 梁競之;滾動軸承的故障監(jiān)測與狀態(tài)管理系統(tǒng)研究[D];哈爾濱工業(yè)大學;2019年

3 邵啟鵬;柔性薄壁軸承故障特征提取和診斷的深度學習網(wǎng)絡模型研究[D];華南理工大學;2019年

4 嚴波;基于時柵傳感技術的帶位置檢測功能軸承研究[D];重慶理工大學;2019年

5 李攀;軸承內(nèi)圈內(nèi)徑尺寸及形位精度檢測裝置的研究[D];鄭州大學;2019年

6 姜姍;電機智能軸承在線監(jiān)測系統(tǒng)及故障預警技術研究[D];哈爾濱理工大學;2019年

7 張安安;基于CNN圖像分類的軸承多狀態(tài)識別[D];中北大學;2019年

8 余超;鐵路貨車軸承清洗設備改進設計及清洗工藝參數(shù)優(yōu)化[D];上海交通大學;2017年

9 周廩;大通道可鉆軸承的設計與分析[D];長江大學;2019年

10 高翔;基于集成傳感器的軸承旋轉(zhuǎn)套圈測溫系統(tǒng)研制[D];哈爾濱工業(yè)大學;2018年

本文編號：2894577