论文部分内容阅读
轮毂轴承作为汽车核心的零部件之一,其运行可靠性的优劣与汽车行驶时的安全、舒适程度密切相关。为保障汽车的正常行驶及实现轮毂轴承的预防维护,本文将某载重型汽车中后桥轮毂轴承作为研究对象,结合其结构特性及实际运行特点,对灰色GM(1,1)模型和BP神经网络模型进行寻优预测研究,同时提出一种数据拟合效果更优的组合预测模型,搭建轮毂轴承综合性能智能测试试验台,进行了加速疲劳寿命试验,验证了模型对轮毂轴承退化趋势的预测精度,并设计了轮毂轴承故障预测系统。1围绕课题背景,介绍了故障预测方法及其国内外研究现状;针对汽车轮毂轴承的结构特性及实际运行特点,对轮毂轴承的振动机理、主要的失效形式以及振动信号的特征提取方法进行了研究。2着重描述了灰色GM(1,1)预测模型、BP神经网络预测模型的具体建模原理,以及在保有各单一模型原有预测优势的基础上,通过变更白化背景值得到改进的灰色GM(1,1)模型,并且经过遗传算法优化初始权、阈值得到GA-BP神经网络预测模型;结合中频发电机轴承故障案例,验证了上述各模型的预测精度,同时,按照误差平方和最小原则,对上述改进(优化)模型赋予合适的权值系数,构建组合预测模型,进而使模型的预测精度得到了进一步的提高。3搭建轮毂轴承智能测试试验台,对轮毂轴承进行加速疲劳寿命试验,通过试验台数据采集装置获取到轮毂轴承样本数据;依据设备振动相对判别标准及试验轴承实际退化趋势,定量划分轴承损伤程度,同时,选取RMS值作为样本时间序列,对上述各模型的预测效果进行了分析验证。4基于Visual Basic和Matlab软件编程环境,完成了轴承故障预测系统的设计,其中预测系统可执行的功能模块有用户登录、轴承故障预测、样本输入输出、数据查询单元、数据统计单元等。