基于AR和PSO_SVR的故障趋势预测

详细信息    查看全文 | 推荐本文 |

英文篇名：Fault Trend Prediction Based on AR and PSO_SVR 作者：刘玉茹 ; 宁芊 英文作者：Liu Yuru;Ning Qian;College of Electronic Information,Sichuan University;Science and Technology on Eletcronic Information Control Laboratory; 关键词：自回归模型 ; 支持向量回归 ; 主成分析 ; 特征提取 ; 故障趋势预测 英文关键词：AR;;PSO;;SVR;;fault trend prediction;;feature extraction;;PCA 中文刊名：JZCK 英文刊名：Computer Measurement & Control 机构：四川大学电子信息学院;电子信息控制重点实验室; 出版日期：2018-05-25 出版单位：计算机测量与控制 年：2018 期：v.26;No.236 语种：中文; 页：JZCK201805048 页数：4 CN：05 ISSN：11-4762/TP 分类号：199-201+206

摘要

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数;最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测;将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。
        Aiming at the nonlinear and non-stationary time series generated by mechanical equipment,the AR algorithm is used to smooth the non-stationary data and determine the order of the model.Then,the SVR algorithm is used to fit the stationary data,and the PSO Algorithm to optimize SVR algorithm parameters.The model is used to predict the degradation trend of rolling bearings.Firstly,the time domain and frequency domain characteristics of the bearings are extracted,and then the data are predicted based on the data after PCA dimension reduction..Finally,the results of this model are compared with those of AR and PSO_SVR alone.The experimental results show that the model is better.

引文

[1]曾声奎,Michael G.Pecht,吴际.故障预测与健康管理(PHM)技术的现状与发展[J].航空学报,2005,26(5):626-632.
    [2]韩昕锋,任立坤.基于神经网络的轴承故障预测模型[J].海军航空工程学院学报,2015(3):281-285.
    [3]左红,顾家铭,于锦禄.基于支持向量机的滚动轴承故障诊断研究[J].轴承,2008(8):36-39.
    [4]朱晓乐,王华,符菊梅,等.基于ARMA模型的动力系统缓变数据故障趋势预测[J].载人航天,2011,17(2):54-58.
    [5]任海军,孙瑞志,刘广利.基于AR_SVR模型的时间序列预测算法的研究[J].计算机工程与设计,2010,31(2):421-424.
    [6]熊伟丽,徐保国.基于PSO的SVR参数优化选择方法研究[J].系统仿真学报,2006,18(9):2442-2445.
    [7]孙建.滚动轴承振动故障特征提取与寿命预测研究[D].大连:大连理工大学,2015:13-18.
    [8]王建利.滚动轴承性能退化评价与趋势预测研究[D].大连:大连理工大学,2013.
    [9]万书亭,吴美玲.基于时域参数趋势分析的滚动轴承故障诊断[J].机械工程与自动化,2010(3):108-110.
    [10]董绍江.基于优化支持向量机的空间滚动轴承寿命预测方法研究[D].重庆:重庆大学,2012.
    [11]范明明.基于主成分分析的多变量混沌时间序列预测研究[D].大连:大连理工大学,2006.