文献综述
1.1 研究意义和价值
对企业制造设备开展性能退化评估与预测研究, 及时掌握其性能状态及走势, 以制定合理、可靠的维修计划, 避免设备意外故障的发生, 对减少设备维护费用、保持产品质量稳定性都具有重要的意义[1]。机械设备性能退化评估技术在提高设备的可靠性和利用率、缩短停机维修时间、实现设备主动维护和智能维护方面有着重要的意义，是故障诊断技术的重要组成部分[2]。
滚动轴承也是最容易损耗的部件之一，机械故障的一部分由滚动轴承引起。因而，对滚动轴承的故障诊断技术进行研究具有重要实际意义。目前各种机电设备广泛使用于生产制造企业，自动化、智能化、大型化和集成化是未来机电设备的重要发展方向。虽然机电设备内部不同部分、不同组件之间一般各有分工，但彼此之间往往相互关联，存在密切的合作关系，构成一个有机整体。一般情况下，机电设备内部某个部分或者某个元件出现故障或者失效，将引发整个机电设备一系列的连锁反应，轻则影响整个机电设备系统的正常运行，给企业造成一定经济损，甚至是人身伤害事故。轴承是旋转机械中的关键部件，有效地对其进行性能退化评估对指导设备维护、防止设备意外失效有非常重要的意义[3]。
1.2 研究现状
目前对机械设备性能退化的评估以及寿命预测就是为了在机械设备出现故障前对设备进行准确的维护，但是滚动轴承的性能状态无法直接观察到。目前大多研究集中在基于数据驱动的故障预测方法，主要包括隐马尔可夫模型及其改进模型、支持向量数据描述、神经网络模型、比例风险模型等。
1.2.1 基于隐马尔科夫模型
滚动轴承的运行状态与退化程度息息相关，对无故障样本进行小波包分解得到能量值并将其和时域值作为原始特征，然后对原始特征进行降维后分为训练和待测数据。用无故障样本训练HMM 模型，稳定后保持模型不变通过迭代的方式将待测样本输入到训练好的HMM，获得最大输出似然概率作为性能退化程度指标，用轴承加速疲劳试验和包络解调对进行验证[4]。HMM将最大输出似然概率当作性能退化程度指标可以解决正负样本偏离现象和容易达到上限值的问题，同时HMM适用于大样本数据， 可以实现在线实时监测评估轴承的性能退化，所以本文用HMM进行评估。
1.2.2 基于模糊 c-均值聚类
模糊 c-均值聚类算法已被成功应用于故障模式识别中[5],基于类内加权误差平方和目标函数的模糊 c-均值聚类算法是其中应用最为广泛的一种[6]。该方法以正常状态和失效时刻的数据为基础 ，建立智能评估模型,，以待测数据隶属于正常状态的程度作为退化指标。以特定的滚动轴承为研究对象 ，对其疲劳寿命加速试验中全寿命周期的性能退化进行评估 ，结果验证了该方法的可行性和有效性[7]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
