基于邏輯回歸和支持向量機的設(shè)備狀態(tài)退化評估與趨勢預測研究.pdf

1、現(xiàn)代工業(yè)不斷向大型化、連續(xù)化、高速化、重載化和智能化等方向發(fā)展。這些發(fā)展降低了生產(chǎn)成本、提高了生產(chǎn)效率，大大提高了產(chǎn)品的設(shè)計、制造和服務速度；同時，倘若這類復雜的設(shè)備發(fā)生意外的或突然的故障，不僅會影響企業(yè)的生產(chǎn)效率、造成經(jīng)濟損失，而且會增加企業(yè)的維護和修繕成本，嚴重時甚至造成人員傷亡、引發(fā)社會問題。因此，如何準確有效地針對關(guān)鍵旋轉(zhuǎn)機械設(shè)備開展狀態(tài)監(jiān)測和故障預測工作，避免設(shè)備惡性突發(fā)事故是當前迫切需要解決的問題。本文對基于邏輯回歸和支持向

2、量機的設(shè)備狀態(tài)退化評估與趨勢預測進行了研究。主要內(nèi)容包括： ⑴在Bently轉(zhuǎn)子實驗臺進行機器狀態(tài)模擬，模擬了設(shè)備的運行狀態(tài)的退化情況包括：正常、加載不同不平衡質(zhì)量、不平衡外加徑向碰磨等共7個逐漸退化的狀態(tài)。采集機器狀態(tài)振動信號，并對獲取的原始狀態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理，時域和頻域的特征提取，以便利用獲取數(shù)據(jù)對退化評估模型和趨勢預測模型進行驗證。 ⑵研究了運用邏輯回歸模型評估設(shè)備的運行狀態(tài)的退化情況。將設(shè)備的運行狀態(tài)定義為正

3、常、可接受、異常、故障四種退化狀態(tài)。在模型變量選擇時，利用設(shè)備故障的主要振動信號時域和頻域特征值作為自變量，以設(shè)備的較為明顯的特征值的大小范圍來定義對應的先驗狀態(tài)值。邏輯回歸模型的評估參數(shù)的可解釋性，很好的解決了數(shù)據(jù)的冗余性，在評估時候，可以有針對性的選擇較好的自變量。評估結(jié)果曲線較好的反應了轉(zhuǎn)子模擬的退化情況。 ⑶研究了采用支持向量機回歸對設(shè)備的運行狀態(tài)的趨勢進行預測。并對支持向量機模型的參數(shù)選擇提出了利用交叉驗證方法求最優(yōu)解