基于lcd和gmm的滚动轴承寿命预测方法 the life forecasting method for rolling bearing based on lcd and gmm.pdfVIP

下载本文档

2
0
约1.58万字
约 5页
2017-11-02 发布于上海
举报
版权申诉

基于lcd和gmm的滚动轴承寿命预测方法 the life forecasting method for rolling bearing based on lcd and gmm.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于lcd和gmm的滚动轴承寿命预测方法 the life forecasting method for rolling bearing based on lcd and gmm

设备设计／诊断维修／再制造现代制造工程(Modern 2016年第7期 ManufacturingEngineering) 基于LCD和GMM的滚动轴承寿命预测方法+ 刘吉彪1，程军圣2，刘燕飞2 摘要：滚动轴承寿命预测的关键在于振动信号特征提取和模式识别，提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后，提取各个分量的特征值并加入时间因子重构特征向量；然后利用GMM对全寿命数据的特征向量进行聚类，将全寿命数据在时域上分成若干个退化状态；最后将不同退化状态下的数据作为训练样本对神经网络进行训练，并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明，将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。关键词：局部特征尺度分解；高斯混合模型；神经网络；时间因子；滚动轴承；寿命预测中图分类号：TN911．7；THl65文献标志码：A文章编号：1671—3133(2016)07珈120珈5 DoI：10．16731／i．cnki．1671—3133．2016．07．024 Thelife methodfor basedon forecasting rollingbearing LCDandGMM Liu Yanfei2 Jibia01，ChengJunshen92，Liu (1 ofMechanical Department Engineering，HenanPolytechnicInstitute，Nanyang473000，Henan，China； 2 ofMechanical andVehicle 41 College Engineering，HunanUniversity，Changsha0082，China) ofthelife forroller isvibrationfeatureextractionand Abstract：The life key forecasting bearing signal recognition．The pattern for roller basedonLocalCharacteristic-scale GaussainMixture forecasting Model(GMM)is bearing Decomposition(LCD)and thewholelifedataof is LCD featurevaluesofthe proposed．Firstly，after rollingbearingdecomposedby method，the components are extractedandthefeaturevectorisreconstructedthetime thefeaturevectorsareclusteredintimedomain