基于数据挖掘技术的轴承寿命预测的研究

《基于数据挖掘技术的轴承寿命预测的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要数据挖掘技术是近年来数据库领域中新出现的一个研究方向，该方向己成为国内外学者研究的热点领域。本文以大连海事大学自动化研究所与瓦轴集团轴承试验测试中心合作的轴承疲劳寿命二期技术改造项目为选题背景，结合当前国内外轴承寿命预测研究的发展现状，针对数据库和数据仓库技术在工业领域的广泛应用以及现在各个工厂基本上都对重要设备实施了实时监控，由传感器不间断的传回试验机组运行状态的各种数据及其参数，已经形成大型数据库这一事实，提出了将数据挖掘技术应用于轴承寿命预测领域，找出典型数据中潜在有用的知识，完成预测问题。支持向量机是数据挖掘中的一项新技术，是继

2、神经网络后机器学习的热点研究技术，它主要应用于分类和回归问题中。由于使用结构风险最小化原则代替经验风险最小化原则，使它能较好地处理小样本情况下的学习问题。又由于采用了核函数思想，使它能把非线性问题转化为线性问题来解决并降低了算法的复杂度。目前，支持向量机已经成为国际上机器学习领域新的研究热点。通过对数据挖掘的新方法一支持向量机算法，进行研究，将其应用于轴承的寿命预测中。本文研究的主要内容是轴承寿命预测问题，即根据现场采集到的轴承的振动信号，经过分析处理，采用支持向量分类机和支持向量回归机两种方法来预测轴承的寿命，大大降低了轴承疲劳寿命试验的

3、费用。基于数据挖掘的轴承寿命预测在生产实践中可以产生显著的经济效益，因此在生产实际中有着广泛的需求，但是把数据挖掘的新方法～支持向量机这种算法应用于轴承寿命预测上，这方面的理论和实际应用在国内还不多见。因此本文的工作，不仅在理论领域有一定的价值，而且还有具有广阔的应用前景。实验证明，根据具体问题，这种算法可以提取出有价值的轴承寿命预测规律，能够对轴承寿命比较准确的预测。关键词：数据挖掘；支持向量机；寿命预测；疲劳寿命TheResearchofBearingLifePredictionBasedonDataMiningTechnologyAb

4、stractDataminingtechnologyisaresearchaspect，whichappearsindatabasefieldsrecently'andithasbecomeahotspotfieldwhichtheinternaloroverseasscholarsareresearchinginto．ThispaperisbackgroundedontheprojectofSecondTechnologyAlterationfortheTestofBearingFatigueLife．whichiscooperatedb

5、yDalianMaritimeUniversityAutomationInstituteandtheBeatingTestInspiringCenterofWaFangDianBearingGroup．Combinedwiththecurrentdevelopmentstatusoftheresearchonbearing'slifeathomeandabroad，aimingatthefactthatdata-baseanddatawarehousetechnologyhavebeenappliedinindustrialfieldwid

6、elyandtherealityoftheinstallationofon--lineandoff-linemonitoringsystemtothesignificantequipmentsandlarge--scaledatabasesanddatawarehousesforming,anewmethodispresentedthatisusingDataMiningtechnologyinthefieldofbearing『slifepredictiontofindoutthelatentandusefulknowledgeinthe

7、typicaldataandfinishtheproblemofprediction．SupportVectorMachineisakindofnewtechnology,andisthehotissuefollowingartificialneuralnetworkinmachinelearning．Itinvolvesanypracticalproblemssuchasclassificationandregressionestimation．ThemainadvantageofSVMisthatitcanservebetterinth

8、eprocessingofsmall—samplelearningproblemsbythereplacementofExperientialRiskMinimizationby