旋轉(zhuǎn)機(jī)械設(shè)備關(guān)鍵部件故障診斷與預(yù)測(cè)方法研究.pdf

1、科學(xué)技術(shù)的不斷發(fā)展，使得人們的生活水平日益提高，人類社會(huì)不斷向前發(fā)展。在工業(yè)社會(huì)，機(jī)械設(shè)備朝著集中化、大型化、自動(dòng)化、高速化、連續(xù)化、精密化方向不斷發(fā)展，起著舉足輕重的作用。旋轉(zhuǎn)機(jī)械設(shè)備已廣泛應(yīng)用于機(jī)械傳動(dòng)系統(tǒng)中，如汽車傳動(dòng)系統(tǒng)、高速列車、油砂泵等。例如，航天飛機(jī)技術(shù)的發(fā)展，使得人類邀游太空成為可能;噴氣式飛機(jī)可以將乘客在兩小時(shí)內(nèi)送到千里之外的目的地;高速鐵路技術(shù)不斷發(fā)展，時(shí)速高達(dá)350km/的高速動(dòng)車組大大縮短了北京到上海的時(shí)間，帶動(dòng)

2、京滬鐵路沿線的經(jīng)濟(jì)發(fā)展;油砂中蘊(yùn)含有大量有價(jià)值的能源，可以從中提煉瀝青、原油等，作為傳輸油砂這種物質(zhì)的大型油砂泵，被廣泛應(yīng)用于石油工業(yè)，極大的提高了煉油系統(tǒng)的效率。然而復(fù)雜的機(jī)械設(shè)備將增加發(fā)生故障的可能性和故障類型的復(fù)雜性，機(jī)械的意外故障將會(huì)導(dǎo)致整個(gè)生產(chǎn)流程中斷，產(chǎn)生重大經(jīng)濟(jì)損失，甚至危及人身安全。油砂泵生產(chǎn)線一旦由于油砂泵故障導(dǎo)致中止，將遭受每小時(shí)高達(dá)數(shù)百萬(wàn)美金的損失。2003年2月1日，美國(guó)“哥倫比亞”號(hào)航天飛機(jī)發(fā)生空中解體事故，7

3、名宇航員全部遇難，給美國(guó)航天產(chǎn)業(yè)帶來(lái)沉重打擊[6]。2003年4月2日，某潛艇出海訓(xùn)練，返航上浮時(shí)啟動(dòng)柴油主機(jī)，由于未能打開指揮臺(tái)上方的進(jìn)氣閥門，造成主機(jī)吸空潛艇內(nèi)的空氣，并使1-7艙在負(fù)壓力下無(wú)法迅速打開艙口蓋，70位艇員全部在戰(zhàn)位上短時(shí)間內(nèi)窒息犧牲。2011年7月23日20時(shí)30分左右，北京至福州的D301次列車行駛至溫州市雙嶼路段時(shí)，與杭州開往福州的D3115次列車追尾，導(dǎo)致D301次1、2、3列車廂側(cè)翻，從高架橋上墜落，毀壞嚴(yán)重

4、，事故已造成40人死亡，200多人受傷。2004年10月，在浙贛線、石太線、京滬線等處，發(fā)生4次因車軸疲勞斷裂和1次因車輪疲勞斷裂造成的貨物列車脫軌重大事故。多年來(lái)，復(fù)雜設(shè)備的意外故障已經(jīng)造成了巨大的經(jīng)濟(jì)損失和人員傷亡。為了盡量避免上述現(xiàn)象，美國(guó)每年支出高達(dá)6000億美金來(lái)維護(hù)設(shè)備[20]，油砂公司不得不在油砂泵關(guān)鍵部件損壞之前早早更換部件來(lái)盡量避免意外故障，而這些過(guò)度維護(hù)造成了極大的資源浪費(fèi)和經(jīng)濟(jì)損失。因此，采用經(jīng)濟(jì)、有效的手段保障設(shè)

5、備穩(wěn)定、可靠運(yùn)行，對(duì)設(shè)備關(guān)鍵部件進(jìn)行狀態(tài)監(jiān)測(cè)，可以保證生產(chǎn)的有序進(jìn)行，有效預(yù)防災(zāi)難事故的發(fā)生，也是當(dāng)前科技發(fā)展的重要研究課題之一。
　　機(jī)械設(shè)備故障診斷與預(yù)測(cè)技術(shù)(Mechanical Fault Diagnosis and Prognosis)是一種利用各種測(cè)量和監(jiān)視方法，對(duì)設(shè)備狀態(tài)進(jìn)行記錄、分析，對(duì)異常狀態(tài)進(jìn)行報(bào)警，并對(duì)設(shè)備剩余壽命進(jìn)行預(yù)測(cè)的先進(jìn)技術(shù)。運(yùn)用上述技術(shù)，可以及時(shí)發(fā)現(xiàn)早期故障，避免惡性事件的發(fā)生，還可以避免維修不足和

6、過(guò)度維修帶來(lái)的經(jīng)濟(jì)損失，具有巨大的經(jīng)濟(jì)效益和社會(huì)效益。
　　滾動(dòng)軸承是將運(yùn)轉(zhuǎn)的軸與軸座之間的滑動(dòng)摩擦變?yōu)闈L動(dòng)摩擦，從而減少摩擦損失的一種精密的機(jī)械元件，是旋轉(zhuǎn)機(jī)械設(shè)備的重要部件，被用于高速列車、發(fā)動(dòng)機(jī)、汽輪機(jī)等設(shè)備中。在使用過(guò)程中，軸承承擔(dān)了較大的負(fù)荷，由于加工制造、安裝、使用環(huán)境等因素，必然會(huì)受到各種機(jī)械應(yīng)力、熱應(yīng)力，使得軸承的健康狀態(tài)發(fā)生變化，出現(xiàn)不同程度的損傷從而產(chǎn)生缺陷，當(dāng)缺陷發(fā)展到一定程度導(dǎo)致機(jī)械設(shè)備故障。在2003年一

7、年內(nèi)全國(guó)貨運(yùn)列車軸承故障就有913起。統(tǒng)計(jì)表明，軸承的正常運(yùn)行直接影響到整個(gè)設(shè)備的健康狀態(tài)，旋轉(zhuǎn)機(jī)械設(shè)備的故障有很大比例是由于軸承的故障引起的[16]。齒輪是機(jī)械設(shè)備中最常用的傳動(dòng)方式，齒輪箱是旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，它廣泛應(yīng)用于機(jī)床、車輛等場(chǎng)合，對(duì)工業(yè)等各個(gè)領(lǐng)域具有重要的意義。齒輪磨損為其常見故障之一[17]，齒輪磨損會(huì)影響齒輪間的正常嚙合，由此產(chǎn)生的沖擊將嚴(yán)重降低設(shè)備性能。因此，其健康狀況影響著整個(gè)機(jī)械系統(tǒng)的工作狀態(tài)，意外故障的不及

8、時(shí)處理將導(dǎo)致難以想象的后果，油砂泵葉輪作為油砂泵的關(guān)鍵零件，長(zhǎng)期經(jīng)受油砂物質(zhì)的沖擊、腐蝕，成為油砂泵的最易損件之一。軸承、齒輪、油砂泵葉輪等旋轉(zhuǎn)設(shè)備的關(guān)鍵部件，影響到整個(gè)機(jī)械系統(tǒng)的穩(wěn)定運(yùn)行，對(duì)它們進(jìn)行有效的狀態(tài)監(jiān)測(cè)、診斷、預(yù)測(cè)，具有十分重要的科學(xué)意義。
　　軸承、齒輪、油砂泵葉輪等旋轉(zhuǎn)設(shè)備的關(guān)鍵部件發(fā)生缺陷后，在旋轉(zhuǎn)過(guò)程中，缺陷不規(guī)則表面受碰撞將導(dǎo)致采集到的振動(dòng)或聲音信號(hào)中產(chǎn)生沖擊成分[22]。因此，振動(dòng)或聲音信號(hào)包含豐富的設(shè)備狀

9、態(tài)信息，對(duì)這些信號(hào)進(jìn)行分析是常用的工程方法之一。
　　基于信號(hào)處理技術(shù)的設(shè)備狀態(tài)特征提取是機(jī)械故障診斷與預(yù)測(cè)技術(shù)的關(guān)鍵，方法主要有時(shí)域處理、頻域處理、時(shí)頻域處理三大類。在時(shí)域處理方法中，常見的統(tǒng)計(jì)特征有均值、峰值、均方根、方根幅值、絕對(duì)平均值、方差、歪度、峭度等有量綱參數(shù)以及波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)等無(wú)量綱參數(shù)。它們與設(shè)備狀態(tài)信息有密切關(guān)系，其中，均方根為信號(hào)的有效值，反映信號(hào)的能量大小;方差反映信號(hào)分散程

10、度;歪度反映信號(hào)幅值概率密度函數(shù)對(duì)縱軸的不對(duì)稱度;峭度是表征曲線陡峭程度的物理量，對(duì)大幅值敏感，隨著故障的出現(xiàn)，峰值，均方根，峭度值都會(huì)增加，且峭度增加快，對(duì)探測(cè)信號(hào)的脈沖成分尤其有效。另外一種時(shí)域方法為時(shí)域同步平均法，可以保留特征頻率成分，其他噪聲成分相互抵消并隨著平均次數(shù)增加而趨于消失從而增強(qiáng)故障特征成分。匹配追蹤方法是將一已知訊號(hào)拆解成由許多被稱作為原子訊號(hào)的加權(quán)總和，而且企圖找到與原來(lái)訊號(hào)最接近的解。該方法可以有效提取機(jī)械故障信

11、號(hào)中的瞬態(tài)成分。Freudinger等人[43]介紹了一種對(duì)時(shí)間信號(hào)和Laplace小波求向量?jī)?nèi)積的相關(guān)濾波方法獲取模態(tài)動(dòng)力學(xué)特性。Wang等人[45]利用基于參數(shù)識(shí)別的瞬態(tài)模型與故障信號(hào)進(jìn)行相關(guān)濾波得到的最大相關(guān)系數(shù)進(jìn)行故障識(shí)別，均取得了顯著效果。另一種時(shí)域處理方法為數(shù)學(xué)形態(tài)學(xué)濾波方法，它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。它是由賽拉(J.Serra)博士和導(dǎo)師馬瑟榮教授在從事

12、鐵礦核分析及預(yù)測(cè)其開采價(jià)值的研究中提出“擊中/擊不中變換”的理論，并在理論層面上第一次引入了形態(tài)學(xué)的表達(dá)式，建立了顆粒分析方法。數(shù)學(xué)形態(tài)學(xué)的算法具有天然的并行實(shí)現(xiàn)的結(jié)構(gòu)，實(shí)現(xiàn)了形態(tài)學(xué)分析和處理算法的并行，大大提高了圖像分析和處理的速度。作為一種基于數(shù)學(xué)形態(tài)學(xué)的非線性濾波方法被廣泛應(yīng)用到各個(gè)領(lǐng)域。例如Nikolaou等人利用平直結(jié)構(gòu)元素對(duì)軸承振動(dòng)信號(hào)進(jìn)行分析[24]，Hao等人[46]利用形態(tài)小波變換對(duì)被噪聲湮沒(méi)的軸承故障信號(hào)進(jìn)行分解，提

13、取故障特征，Wang等人[47]對(duì)形態(tài)濾波器加以改進(jìn)，提高對(duì)故障信號(hào)的濾波性能，均取得不錯(cuò)的效果。頻域處理方法可以很方便的分析信號(hào)頻域成分，能夠提供比時(shí)域處理方法更豐富的信息。傅里葉變換為經(jīng)典的頻域處理方法，針對(duì)現(xiàn)實(shí)中獲取的離散信號(hào)，相應(yīng)發(fā)展了離散傅里葉變換以及快速傅里葉變換，可以觀察我們感興趣的特定頻率成分。除此以外，其他頻域方法諸如倒頻譜[53]可以檢測(cè)功率譜中的諧波和邊頻帶成分。對(duì)于非高斯信號(hào)，高階頻譜可以提供比功率譜更豐富的診斷

14、信息，他們已廣泛應(yīng)用于故障診斷中。對(duì)于非平穩(wěn)信號(hào)中出現(xiàn)的故障相關(guān)的瞬態(tài)成分，不能很好地被時(shí)域或頻域方法獲取。隨之發(fā)展的時(shí)頻分析方法提供了時(shí)間域與頻率域的聯(lián)合分布信息，清楚地描述了信號(hào)頻率隨時(shí)間變化的關(guān)系。例如短時(shí)傅里葉變換方法通過(guò)不同的時(shí)間窗將信號(hào)分成多個(gè)部分，分別進(jìn)行傅里葉變換，可以看到頻域隨時(shí)間變化的信息。Wang等人[55]提出基于短時(shí)傅里葉變化的譜峭度方法，比時(shí)域譜峭度方法對(duì)故障特征更敏感。Zanardelli等人[56，57]

15、利用短時(shí)傅里葉變換系數(shù)作為特征向量識(shí)別永磁交流電機(jī)的電氣與機(jī)械故障。然而它不能兼顧時(shí)間分辨率和頻域分辨率，且窗函數(shù)寬度、形狀需要人為設(shè)定，只能識(shí)別信號(hào)中緩慢變化的非穩(wěn)態(tài)成分。Wigner-Ville分布是一種經(jīng)典的時(shí)頻分析方法，它是信號(hào)中心協(xié)方差函數(shù)的傅里葉變換，揭示了信號(hào)瞬時(shí)功率譜密度。該時(shí)頻分布時(shí)頻聚集性好但出現(xiàn)交叉項(xiàng)，影響對(duì)信號(hào)特征的分析和理解[60]。近年來(lái)，小波變換理論作為一種先進(jìn)的時(shí)頻分析方法，被廣泛應(yīng)用于機(jī)械故障診斷中，它

16、是由Morlet等人[65]于1984年提出。與傅里葉變換相比，小波變換是時(shí)間和頻率的局部變換，通過(guò)伸縮和平移等運(yùn)算功能可對(duì)信號(hào)進(jìn)行多尺度的細(xì)化分析。Kankar等人[68]計(jì)算連續(xù)小波系數(shù)的統(tǒng)計(jì)特征并輸入到機(jī)器學(xué)習(xí)工具中對(duì)軸承故障進(jìn)行診斷，Qiu等人[69]利用小波濾波器和重組定義的指數(shù)來(lái)評(píng)估軸承健康狀態(tài)隨時(shí)間變化情況，Wang等人[70]利用離散小波變換建立健康指數(shù)來(lái)描述軸承退化狀況。He等人[72]對(duì)手表信號(hào)進(jìn)行小波分解來(lái)分析奇異

17、性。小波分解需要對(duì)小波奇函數(shù)、分解層次等進(jìn)行預(yù)定義，存在人為因素。經(jīng)驗(yàn)?zāi)B(tài)分解方法是由臺(tái)灣學(xué)者黃鍔博士[77]提出的一種新的自適應(yīng)信號(hào)處理方法，它可以將信號(hào)分解成若干不同的振動(dòng)模態(tài)（本征模態(tài)函數(shù)）。Yan等人[79]運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解方法得到的瞬時(shí)頻率探測(cè)軸承的狀態(tài)退化，F(xiàn)an等人[80]利用本征模態(tài)函數(shù)的幅值加速度能量表述軸承和齒輪的故障特征，Dong等人[82]利用改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解方法將原始信號(hào)分解成若干本征模態(tài)函數(shù)，然后選擇合適的

18、本征模態(tài)函數(shù)進(jìn)行故障診斷，均取得較好的效果。經(jīng)驗(yàn)?zāi)B(tài)分解方法不涉及基函數(shù)選擇、窗口設(shè)定、能量泄漏等問(wèn)題，具有較好的適應(yīng)性，但是模態(tài)混疊問(wèn)題、邊際點(diǎn)效應(yīng)問(wèn)題影響著經(jīng)驗(yàn)?zāi)B(tài)分解方法的性能。隨后，整體平均經(jīng)驗(yàn)?zāi)B(tài)分解算法被提出[86]，它是一種噪聲輔助的方法，可以有效解決模態(tài)混疊問(wèn)題。已被成功運(yùn)用于轉(zhuǎn)子、軸承、齒輪等關(guān)鍵部件的故障診斷[87]。Zhang等人[88]對(duì)整體平均經(jīng)驗(yàn)?zāi)B(tài)分解算法的參數(shù)設(shè)定問(wèn)題進(jìn)行了系統(tǒng)總結(jié)。
　　另一種方法

19、是通過(guò)建立物理模型刻畫設(shè)備退化過(guò)程的方法，該方法需要對(duì)研究對(duì)象的系統(tǒng)結(jié)構(gòu)、故障機(jī)理、故障演變等具有系統(tǒng)性的理解。Loparo等人[91]通過(guò)建立模型的方法研究了機(jī)械故障的診斷。如果一個(gè)準(zhǔn)確的模型被建立，結(jié)果性能會(huì)優(yōu)于其他方法，但是由于設(shè)備的復(fù)雜性，建立一個(gè)合理的物理模型將變得非常困難。
　　信號(hào)處理的故障診斷方法需要診斷者具備專業(yè)的技能，能從信號(hào)時(shí)域、頻域、時(shí)頻域中掌握設(shè)備的故障狀態(tài)。近年來(lái)，隨著計(jì)算技術(shù)的發(fā)展，基于人工智能的故障

20、模式識(shí)別方法被逐漸引入到故障診斷與預(yù)測(cè)領(lǐng)域中，其一般包含以下幾步:
　　特征提取，通過(guò)常見的信號(hào)預(yù)處理算法，如時(shí)域、頻域、時(shí)頻域處理方法，提取如表5.1，表6.1中所列的統(tǒng)計(jì)特征，作為特征向量，描述設(shè)備狀態(tài)[92]。
　　特征選擇，從信號(hào)中所提取的包含多個(gè)統(tǒng)計(jì)量的特征向量維數(shù)較大，其中并不是每個(gè)特征都對(duì)故障狀態(tài)很敏感，同時(shí)，額外的特征會(huì)增加運(yùn)算負(fù)擔(dān)并影響識(shí)別性能。因此，對(duì)特征進(jìn)行合理的篩選是很關(guān)鍵的一步。主成分分析、獨(dú)立成分

21、分析是常見的特征選擇方法[98-100]。Yuan等人[101]利用主成分分析減少故障特征維數(shù)對(duì)渦輪給水泵進(jìn)行診斷，Widodo等人[102]利用獨(dú)立成分分析減少異步電機(jī)的特征數(shù)目。另外一種有效的特征選擇方法為距離評(píng)估技術(shù)，Lei等人[103-105]多次運(yùn)用該方法有效地減少特征數(shù)目，并實(shí)現(xiàn)了機(jī)械故障的高精度識(shí)別。
　　故障診斷與預(yù)測(cè)，借助于人工智能算法，可以為特征向量與故障模式或剩余壽命之間的關(guān)系建立非線性模型。人工神經(jīng)網(wǎng)絡(luò)是一

22、種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，具備多輸入多輸出結(jié)構(gòu)。誤差反向傳播神經(jīng)網(wǎng)絡(luò)為常用的數(shù)學(xué)模型，常見的3層神經(jīng)網(wǎng)絡(luò)如圖2.2所示，包含輸入層，隱含層，輸出層。Rafiee等人[111]利用人工神經(jīng)網(wǎng)絡(luò)診斷齒輪故障，Lei等人[112]通過(guò)自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷。Zhang等人[115]提取頻域特征，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行剩余壽命預(yù)測(cè)。然而，該模型在層數(shù)以及節(jié)點(diǎn)數(shù)目的確定上缺乏理論依據(jù)[113]。

23、此外，人工神經(jīng)網(wǎng)絡(luò)收斂速度慢，訓(xùn)練過(guò)程中存在過(guò)度擬合或擬合不足等問(wèn)題。近年來(lái)，Vapnik等人[116]研究出了基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法，數(shù)學(xué)理論完善，泛化能力強(qiáng)，且訓(xùn)練過(guò)程中不需要大量樣本，已被大量應(yīng)用于機(jī)械故障診斷與預(yù)測(cè)工作中。Li等人[119]應(yīng)用支持向量機(jī)對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷，結(jié)果優(yōu)于人工神經(jīng)網(wǎng)絡(luò)方法，Hao等人[121]用形態(tài)多尺度分析進(jìn)行特征提取，支持向量機(jī)進(jìn)行軸承故障分類、識(shí)別。作為支持向量機(jī)理論的延伸，支持向量

24、回歸理論[122-124]被研究用于回歸分析問(wèn)題，Moura等人[125]將支持向量回歸器與其他學(xué)習(xí)方法進(jìn)行比較，對(duì)工程部件的剩余壽命進(jìn)行預(yù)測(cè)，結(jié)果表明，支持向量回歸方法更為優(yōu)越。
　　其他人工智能算法，例如相關(guān)向量機(jī)，隱馬爾科夫模型，K均值，模糊C均值等方法亦被用于故障診斷與預(yù)測(cè)領(lǐng)域。
　　在本論文中，主要針對(duì)以下問(wèn)題進(jìn)行研究:
　　形態(tài)學(xué)濾波算法作為一種圖像處理算法，近年來(lái)被引入到故障診斷領(lǐng)域，其包含4種基本算子，

25、不同算子具備不同的信號(hào)處理性能，通過(guò)不同算子間適當(dāng)?shù)慕Y(jié)合可以發(fā)揮不同算子的優(yōu)勢(shì)。結(jié)構(gòu)元素的長(zhǎng)度選擇也是一個(gè)關(guān)鍵工作，長(zhǎng)度不當(dāng)會(huì)導(dǎo)致濾波無(wú)效或信息去除過(guò)多的問(wèn)題。目前常見的方法有兩類，一類是固定尺度法[24]，即設(shè)定結(jié)構(gòu)元素長(zhǎng)度為故障周期的某個(gè)倍數(shù)，因此需要預(yù)知故障周期;另一類方法為多尺度方法[131]，利用不同長(zhǎng)度的結(jié)構(gòu)元素進(jìn)行形態(tài)濾波，然后對(duì)所有結(jié)果進(jìn)行平均，該方法需要多次進(jìn)行形態(tài)濾波，相對(duì)耗時(shí)。
　　高速列車軸承在高速情況下承

26、載整個(gè)車廂重量，一旦軸承發(fā)生故障將面臨脫軌危險(xiǎn)。道旁聲學(xué)檢測(cè)系統(tǒng)通過(guò)采集軸承的聲音信號(hào)進(jìn)行分析，由于運(yùn)動(dòng)列車與采集系統(tǒng)之間存在相對(duì)運(yùn)動(dòng)，采集到的信號(hào)受多普勒效應(yīng)影響嚴(yán)重，考慮多普勒效應(yīng)影響下的軸承聲學(xué)信號(hào)分析是一大難題。
　　信號(hào)處理的故障診斷方法需要專業(yè)技能判斷故障，且在工作環(huán)境復(fù)雜，設(shè)備結(jié)構(gòu)復(fù)雜的情況下，很難獲得有效的設(shè)備故障狀態(tài)信號(hào)，很難單純的通過(guò)信號(hào)處理方法進(jìn)行故障識(shí)別。而人工智能的識(shí)別方法通過(guò)數(shù)據(jù)特征與故障類型之間的非線

27、性關(guān)系可以自動(dòng)識(shí)別故障，具有很好的應(yīng)用前景，如何更有效的提取和篩選特征，實(shí)現(xiàn)故障類型的高精度識(shí)別是研究重點(diǎn)。
　　軸承故障是從萌生、發(fā)展、逐步到嚴(yán)重的過(guò)程。在故障初始階段，故障輕微、狀態(tài)特征微弱，這就使得實(shí)施診斷，尤其是定量診斷非常困難，如何有效提取反映故障狀態(tài)、程度的特征，建立有效的軸承定量診斷模型，對(duì)掌握軸承的健康狀態(tài)，具有重要意義。
　　油砂泵作為油砂公司的重要設(shè)備，一旦生產(chǎn)中斷，將帶來(lái)重大經(jīng)濟(jì)損失，一些學(xué)者對(duì)油砂泵模

28、型、剩余壽命預(yù)測(cè)進(jìn)行了研究[155，156]，但是很多工作都是基于實(shí)驗(yàn)室環(huán)境，實(shí)際工況下的剩余壽命預(yù)測(cè)工作很少。
　　為了解決上述問(wèn)題，本文進(jìn)行了以下工作:
　　考慮信號(hào)中噪聲的分布特點(diǎn)，我們對(duì)不同時(shí)刻的信號(hào)采用不同的結(jié)構(gòu)元素長(zhǎng)度，結(jié)構(gòu)元素的長(zhǎng)度由該時(shí)刻信號(hào)極值點(diǎn)間隔來(lái)動(dòng)態(tài)決定，同時(shí)為了綜合濾波算子的優(yōu)勢(shì)，我們提出了變尺度差分算子進(jìn)行形態(tài)濾波。對(duì)仿真數(shù)據(jù)和實(shí)際軸承信號(hào)進(jìn)行分析，結(jié)果表明，提出的變尺度形態(tài)學(xué)濾波算法可以增強(qiáng)故障

29、頻率特征，且計(jì)算效率優(yōu)于傳統(tǒng)方法。
　　對(duì)于受多普勒效應(yīng)影響的機(jī)車軸承信號(hào)，本文提出了多普勒瞬態(tài)模型，選擇Laplace小波為基函數(shù)建立周期性瞬態(tài)成分，然后人為加入多普勒效應(yīng)產(chǎn)生畸變，即通過(guò)聲學(xué)理論，研究推導(dǎo)信號(hào)從發(fā)生到接受情況下時(shí)間的偏移和幅值調(diào)制情況，在參數(shù)選擇上，以多普勒瞬態(tài)模型和實(shí)際故障信號(hào)的相關(guān)系數(shù)為目標(biāo)函數(shù)進(jìn)行優(yōu)化。通過(guò)機(jī)車軸承內(nèi)外圈故障數(shù)據(jù)分析來(lái)看，最優(yōu)多普勒瞬態(tài)模型脈沖間隔與軸承內(nèi)外圈故障脈沖理論值較為吻合。

30、>　　在基于人工智能的故障診斷方面，本文提出了一種新的故障智能識(shí)別策略，利用小波包對(duì)原始信號(hào)進(jìn)行分解，然后對(duì)所有小波包進(jìn)行特征提取，利用距離評(píng)估技術(shù)對(duì)所有特征進(jìn)行敏感性評(píng)估。結(jié)合支持向量回歸理論提出新的支持向量回歸分類器用于最終故障狀態(tài)識(shí)別。對(duì)軸承、齒輪的故障數(shù)據(jù)分析表明，本文的方法在識(shí)別精度上要優(yōu)于傳統(tǒng)方法。
　　在上一步工作的基礎(chǔ)上，本文又提出了雙層支持向量回歸決策機(jī)構(gòu)用于軸承的定性與定量識(shí)別，分別從時(shí)域、頻域提取故障特征，然

31、后利用第一層的故障模式識(shí)別函數(shù)和第二層的故障程度識(shí)別函數(shù)進(jìn)行定性、定量診斷。結(jié)果表明，雙層支持向量回歸決策機(jī)構(gòu)可以較為理想的識(shí)別軸承故障和尺寸，且方法優(yōu)于傳統(tǒng)的二元支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)。
　　國(guó)外某知名油砂公司為本研究提供了寶貴的油砂泵工業(yè)環(huán)境下的全壽命振動(dòng)數(shù)據(jù)。選擇信號(hào)頻譜的若干敏感子頻帶進(jìn)行頻域能量特征提取，然后對(duì)歷史特征進(jìn)行統(tǒng)計(jì)，選擇歷史方差、均值等作為特征向量，建立油砂泵磨損狀態(tài)識(shí)別模型，通過(guò)結(jié)合樣本歷史剩余壽命，推導(dǎo)