摘要:针对轴承退化过程的健康评估和趋势预测问题,本文提出一种轴承健康评估和退化趋势预测集成方法,该方法主要包括特征提取和健康评估、退化趋势预测两个部分.在特征提取时,为实现退化过程的准确评估,本文分别从时域,时-频域等角度尽可能多地提取相关特征并采用三个特征属性指标选择对退化过程较敏感的特征;健康评估阶段,本文利用自组织特征映射网络(SOM)中的最小量化误差构成[0,1]之间的健康指标HI用于判断轴承健康状态;退化趋势预测时,本文提出一种改进的ELM(极限学习机)的建模方法,该方法首先通过PSO优化算法计算出最优网络输入到隐含层的学习参数,接着利用两个激励函数结果的平均值作为隐含层输出结果,以提高模型的稳定性和预测精度.将上述方法应用到2012年PHM挑战赛轴承实验数据上,结果表明,经过特征选择后所提的健康指标HI能很好地跟踪轴承退化过程,与Lssvm,BPnn,ELM预测方法相比较,本文改进的ELM建模方法具有更高的预测精度.