機械系統(tǒng)旋轉(zhuǎn)部件退化跟蹤與故障預(yù)測方法研究.pdf

1、在現(xiàn)代工業(yè)生產(chǎn)當(dāng)中，各種機械設(shè)備長期運行在高速、高溫、高壓、重載荷等惡劣工況下，其性能不可避免地發(fā)生退化從而導(dǎo)致設(shè)備故障。故障一旦發(fā)生，不僅會造成巨大的經(jīng)濟損失，甚至可能導(dǎo)致災(zāi)難性的人員傷亡和環(huán)境污染事故。而軸承、齒輪等旋轉(zhuǎn)部件作為機械設(shè)備當(dāng)中的關(guān)鍵部件，其運行狀態(tài)影響著整個機械設(shè)備的工作狀況。因此，為了確保機械設(shè)備安全高效的運行，對于機械設(shè)備中關(guān)鍵的旋轉(zhuǎn)部件進行健康監(jiān)測并建立科學(xué)的維護策略成為當(dāng)前工業(yè)界和學(xué)術(shù)界最為活躍的研究重點。目前

2、，機械系統(tǒng)旋轉(zhuǎn)部件的故障維護策略已經(jīng)從最初的故障后維修和周期預(yù)防性檢修，發(fā)展到了現(xiàn)今基于設(shè)備狀態(tài)的維修策略，并逐漸向智能預(yù)見性維護策略即故障預(yù)測方向發(fā)展。相比傳統(tǒng)的故障診斷方法主要針對已出現(xiàn)的故障進行識別與分類，故障預(yù)測方法則是在故障發(fā)生之前跟蹤機械部件整個壽命周期內(nèi)的退化狀態(tài)，并建立模型對部件的剩余使用壽命進行預(yù)測。因此，機械旋轉(zhuǎn)部件的故障預(yù)測研究對于降低停機時間、保證產(chǎn)品質(zhì)量、提高生產(chǎn)效率有著極為重要的意義。
　　針對現(xiàn)有故障

3、預(yù)測研究在非線性退化跟蹤方法、在線預(yù)測模型的實時性以及數(shù)據(jù)驅(qū)動模型和物理模型的結(jié)合等方面的不足，本文以機械系統(tǒng)旋轉(zhuǎn)部件為研究對象，以混沌時間序列分析中非線性相空間重構(gòu)理論為基礎(chǔ)，開展了旋轉(zhuǎn)部件退化跟蹤及壽命預(yù)測的研究。主要研究工作包含以下四個方面:
　　(1)介紹了基于Takens嵌入定理的非線性時間序列相空間重構(gòu)理論，并針對相空間重構(gòu)中的兩個重要參數(shù)（即延遲時間和嵌入維數(shù)）的常用選擇方法進行了詳細(xì)研究。定性討論和仿真實驗結(jié)果表明

4、，基于互信息法以及虛假鄰近點法的坐標(biāo)延遲相空間重構(gòu)方法能夠從原系統(tǒng)的單變量時間序列當(dāng)中重構(gòu)相空間，并保留原系統(tǒng)相空間的基本結(jié)構(gòu)以及動力學(xué)特性。因此，本研究采用互信息法和虛假鄰近點法選取延遲時間和嵌入維數(shù)，來重構(gòu)時間序列的相空間，為后續(xù)機械旋轉(zhuǎn)部件信號的非線性特征提取打下基礎(chǔ)。
　　(2)提出了基于改進遞歸定量分析的機械旋轉(zhuǎn)部件退化狀態(tài)跟蹤方法。將遞歸定量分析方法中提取的多個非線性特征參數(shù)應(yīng)用于機械旋轉(zhuǎn)部件的故障診斷;應(yīng)用基于標(biāo)準(zhǔn)差

5、的閾值選取改進了遞歸定量分析方法，構(gòu)造出更加穩(wěn)定且對故障不失敏感性的遞歸熵特征，同時結(jié)合基于切比雪夫不等式的健康閾值設(shè)定方法，進行了旋轉(zhuǎn)部件的全壽命周期退化跟蹤研究，并利用卡爾曼濾波算法預(yù)測了部件出現(xiàn)初始故障的時間。實驗數(shù)據(jù)驗證結(jié)果表明，遞歸定量分析方法提取的非線性特征參數(shù)可以有效識別機械旋轉(zhuǎn)部件故障的嚴(yán)重程度;遞歸熵特征可以有效、穩(wěn)定地跟蹤機械旋轉(zhuǎn)部件的退化過程;卡爾曼濾波算法能夠在短時間內(nèi)準(zhǔn)確預(yù)測部件初始故障出現(xiàn)的時間;另外，該退化

6、跟蹤算法可以滿足機械旋轉(zhuǎn)部件在線跟蹤的實時性要求。
　　(3)提出了基于增強型粒子濾波算法的機械旋轉(zhuǎn)部件剩余使用壽命預(yù)測方法。分別提出自適應(yīng)重要性密度函數(shù)選擇算法以及基于神經(jīng)網(wǎng)絡(luò)的粒子平滑算法，用于解決傳統(tǒng)粒子濾波算法中存在的粒子退化、粒子多樣性喪失等問題，并在此基礎(chǔ)上設(shè)計了基于增強型粒子濾波的機械旋轉(zhuǎn)部件剩余使用壽命預(yù)測方法。實驗數(shù)據(jù)驗證結(jié)果表明，增強型粒子濾波算法能夠有效抑制粒子退化現(xiàn)象以及粒子貧化現(xiàn)象，預(yù)測精度高于傳統(tǒng)粒子濾

7、波算法和支持向量回歸算法;另外，該剩余使用壽命預(yù)測算法實時性較好，可以滿足機械旋轉(zhuǎn)部件在線剩余壽命預(yù)測的實時性要求。
　　(4)提出了基于多時間尺度建模的機械旋轉(zhuǎn)部件退化狀態(tài)跟蹤和剩余使用壽命預(yù)測方法。利用數(shù)據(jù)驅(qū)動模型能夠描述系統(tǒng)快變時間尺度行為以及物理模型能夠描述系統(tǒng)慢變時間尺度行為的特性，基于多時間尺度建模的思想，將數(shù)據(jù)驅(qū)動模型和物理模型有機地結(jié)合起來，分別采用多維AR模型和時間分段策略改進了傳統(tǒng)相空間彎曲算法和帕里斯裂紋擴展