机械运转时会发生渐进式的故障,为了尽早侦测出现的异常征兆,并对机械系统建立预兆式维护作业。利用回归分析法建立性能衰退预测模型,从机械振动变化预测机械性能衰退趋势,分析机械系统故障种类、故障问题,建立机台振动总量估算法及性能衰退管理方法。探讨故障诊断层级,建立振动信号测量诊断平台,通过对振动时域信号特征提取与分析,从而实现对机械系统进行性能评估及故障识别。实验结果表明:指数模型和测量数据具高关联性,适合于预估机械性能衰退,为机械系统的预兆式维护提供了技术参考。

针对滚动轴承中存在数据样本量大、非平稳信号波动复杂等问题,提出基于流形学习和M-KH-SVR(Multivariable-Krill Herd-Support Vector Regression)的滚动轴承衰退预测方法。该方法首先提取了滚动轴承的时域和频域特征,组成初始特征向量;然后利用相关度量系数(Multiple Correlation Coefficient,MCC)对初始特征进行筛选,得到相关程度较高的特征向量集,并通过局部线性嵌入(Locally Linear Embedding,LLE)方法进行特征降维,进而组成新的故障特征集;最后将磷虾群算法引入到多变量支持向量回归机中,并对其参数c和σ进行优化,利用磷虾群局部寻优和全局寻优的能力,提高了参数选择效率。通过对多变量特征进行实验对比分析,结果表明该方法与传统单一参数及多特征参数方法相比,具有良好的泛化性,大幅度提高了运算效率和预测精度,对滚动轴承的衰退阶段划分更加精确。