基于AR-SVPMCD的多傳感器信息融合故障診斷方法研究.pdf

1、隨著工業(yè)化的發(fā)展，機(jī)械設(shè)備結(jié)構(gòu)趨于連鎖化，產(chǎn)品質(zhì)量性能指標(biāo)持續(xù)升高，一旦某一環(huán)節(jié)出現(xiàn)故障，會導(dǎo)致整個生產(chǎn)鏈的斷裂，產(chǎn)生巨大的損失。因此，機(jī)械設(shè)備的故障監(jiān)測具有重大的工程實踐意義?；诠收媳O(jiān)測數(shù)據(jù)的復(fù)雜化、非線性化等特征，分別針對預(yù)測模型冗余、特征描述不充分和識別穩(wěn)定性不夠的缺陷，引入基于逐步變量預(yù)測模型的模式識別方法（簡稱SVPMCD）、時序分析AR模型、信息融合技術(shù)到故障診斷領(lǐng)域以實現(xiàn)機(jī)械設(shè)備的狀態(tài)監(jiān)測，本文對基于AR-SVPMCD的

2、多傳感器信息融合故障診斷方法展開研究，相關(guān)工作如下:
　　首先，針對變量預(yù)測模型在特征量較多的情況下會出現(xiàn)模型冗余問題，導(dǎo)致信號特征描述不夠準(zhǔn)確，識別率降低的缺陷，引入逐步回歸分析，提出了一種基于逐步變量預(yù)測模型的模式識別方法。通過對變量預(yù)測模型進(jìn)行“最優(yōu)選擇”，得到精簡的逐步變量預(yù)測模型，提高了識別精度。仿真數(shù)據(jù)實驗和機(jī)械故障實驗驗證了改進(jìn)方法的有效性。
　　其次，利用時序分析短序列動態(tài)建模與預(yù)測預(yù)報的優(yōu)勢，將AR模型與基

3、于逐步變量預(yù)測模型的模式識別方法相結(jié)合，提出了一種基于時序分析和逐步變量預(yù)測模型的模式識別方法（簡稱AR-SVPMCD）。通過采用對被測信號進(jìn)行AR建模后得到的自回歸參數(shù)作為特征量訓(xùn)練逐步變量預(yù)測模型，大大提高了識別的精度。仿真數(shù)據(jù)實驗和機(jī)械故障實驗驗證了該方法的優(yōu)越性。
　　最后，針對單一傳感器提供信息不全面和運行狀態(tài)不確定的缺陷，引入多傳感器信息融合技術(shù)，提出了一種基于AR-SVPMCD的多傳感器信息融合故障診斷方法。通過AR