文献类型：期刊文章

作　　者：刘波[1] 宁芊[1,2] 刘才学[3] 艾琼[3] 何攀[3]

LIU Bo;NING Qian;LIU Caixue;AI Qiong;HE Pan(College of Electronics and Information Engineering, Sichuan University, Chengdu Sichuan 610065, China;School of Physics and Electronic Engineering, Xinjiang Normal University, Urumqi Xinjiang 830054, China;Nuclear Power Institute of China, Chengdu Sichuan 610213, China)

机构地区：[1]四川大学电子信息学院,成都610065 [2]新疆师范大学物理与电子工程学院,乌鲁木齐830054 [3]中国核动力设计研究院,成都610213

出　　处：《计算机应用》

基　　金：装备预研项目

年　　份：2019

卷　　号：39

期　　号：A01

起止页码：31-35

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为了准确识别轴承当前所处的退化状态,并进一步精确有效地预测其剩余寿命,提出一种基于连续型隐马尔可夫模型(CHMM)与PSO-SVM相结合的预测方法。首先,提取轴承振动全寿命周期信号的时域、频域、时频域的特征,并构建特征空间;然后,利用CHMM将轴承全寿命周期划分若干个退化阶段,并通过选取不同阶段的特征训练样本,采用PSO-SVM进行预测模型的训练,分别得到不同阶段的剩余寿命预测模型;最后,运用滚动轴承全寿命数据对所提方法进行测试,并与全寿命周期数据CHMM分区段后的SVM模型和未分区段的PSO-SVM模型的预测方法作对比。实验结果表明该方法能有效提高预测精度,具有一定的实用性。

关 键 词：性能退化  剩余寿命预测 特征提取  连续型隐马尔可夫模型  逻辑回归

分 类 号：TP206.3]