基于核模式分析方法的旋轉(zhuǎn)機(jī)械性能退化評(píng)估技術(shù)研究.pdf

1、隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)需求的發(fā)展,各類先進(jìn)生產(chǎn)設(shè)備一方面不斷向復(fù)雜、高速、高效、輕型、微型或大型的方向發(fā)展,另一方面卻又面臨更加苛刻的工作和運(yùn)行環(huán)境。一旦設(shè)備的關(guān)鍵部件發(fā)生故障,就可能破壞整臺(tái)設(shè)備甚至影響整個(gè)生產(chǎn)過(guò)程,造成巨大經(jīng)濟(jì)損失,還可能導(dǎo)致災(zāi)難性的人員傷亡并產(chǎn)生嚴(yán)重的社會(huì)影響。因此,如何有效評(píng)估設(shè)備的運(yùn)行狀態(tài),從而能夠及時(shí)采取措施以防止災(zāi)難性事故的發(fā)生是當(dāng)前迫切需要解決的問題。
　　 設(shè)備從性能開始惡化到完全失效,要經(jīng)過(guò)

2、一個(gè)性能逐步退化的過(guò)程。如果能夠在設(shè)備性能退化的過(guò)程中檢測(cè)到設(shè)備性能退化的程度,那么就可以有針對(duì)地組織生產(chǎn)和設(shè)備維修,防止設(shè)備異常失效的發(fā)生。設(shè)備性能退化評(píng)估與預(yù)測(cè)正是基于以上思想提出的一種主動(dòng)設(shè)備維護(hù)的技術(shù)。設(shè)備性能退化評(píng)估與預(yù)測(cè)側(cè)重于對(duì)設(shè)備性能衰退狀態(tài)全過(guò)程的走向預(yù)測(cè),而不在于某個(gè)時(shí)間點(diǎn)的性能狀態(tài)診斷,因此,其與現(xiàn)有的故障診斷技術(shù)在理念上和方法上都有很大的不同。本文以旋轉(zhuǎn)機(jī)械的典型零部件為對(duì)象,深入開展了設(shè)備性能退化智能評(píng)估和預(yù)測(cè)的

3、理論體系和技術(shù)方法研究,包括以下幾個(gè)方面的內(nèi)容:
　　 從理論分析與工程應(yīng)用的角度出發(fā),闡述了論文的選題背景和研究意義。分析了設(shè)備性能退化評(píng)估方法、預(yù)測(cè)方法以及核模式分析方法等方面的國(guó)內(nèi)外發(fā)展現(xiàn)狀,總結(jié)了目前研究中需要解決的問題,確立了本論文的研究?jī)?nèi)容。
　　 簡(jiǎn)要地?cái)⑹隽撕四Ｊ椒治龇椒ǖ脑?將小波核函數(shù)引入核模式分析方法中,研究了小波核函數(shù)在支持向量機(jī)分類器、支持向量機(jī)回歸分析以及核主元分析中的應(yīng)用?；谄揭撇蛔兒撕?/p>

4、數(shù)Mercer條件,推導(dǎo)證明了Mexican hat小波函數(shù)構(gòu)造的容許小波核函數(shù)。利用仿真數(shù)據(jù)和軸承試驗(yàn)數(shù)據(jù),對(duì)比了小波核模式分析方法與RBF核模式分析方法的泛化能力,分析結(jié)果表明前者具有更好的性能。
　　 提出了循環(huán)平穩(wěn)熵分析方法,通過(guò)對(duì)軸承振動(dòng)信號(hào)的相關(guān)性進(jìn)行定量分析,準(zhǔn)確地監(jiān)測(cè)軸承運(yùn)行狀態(tài)。此外利用小波核函數(shù)核主元分析方法對(duì)多維特征向量進(jìn)行約簡(jiǎn),在全面掌握設(shè)備性能的同時(shí),提高分析的效率并增強(qiáng)評(píng)估的準(zhǔn)確性。利用軸承的試驗(yàn)數(shù)據(jù)

5、對(duì)特征提取和特征約簡(jiǎn)方法進(jìn)行了驗(yàn)證。
　　 研究了基于支持向量機(jī)的多分類器性能退化評(píng)估方法。本文應(yīng)用支持向量機(jī)二叉樹算法進(jìn)行設(shè)備性能退化評(píng)估研究,避免了傳統(tǒng)支持向量機(jī)多分類器的拒識(shí)區(qū)域問題。將小波核函數(shù)引入支持向量機(jī)多分類器中,提高了分類器的分類精度。提出了幾何距離概率統(tǒng)計(jì)準(zhǔn)則,在保證分類精度的同時(shí),提高支持向量機(jī)多分類器參數(shù)優(yōu)選的效率。使用不同故障程度的軸承試驗(yàn)數(shù)據(jù)對(duì)核參數(shù)優(yōu)化準(zhǔn)則及分類算法進(jìn)行了驗(yàn)證。
　　 研究了基

6、于支持向量機(jī)幾何距離的性能退化評(píng)估模型。支持向量機(jī)算法在處理二分類問題時(shí),首先利用核函數(shù)將特征向量映射到高維特征空間,然后在該特種空間中建立線性分類面進(jìn)行分類。本文提出的評(píng)估方法利用設(shè)備狀態(tài)特征向量與支持向量機(jī)最優(yōu)分類面之間的幾何距離,描述設(shè)備偏離正常狀態(tài)的程度,從而實(shí)現(xiàn)對(duì)設(shè)備性能退化程度的定量分析。利用裂紋轉(zhuǎn)子仿真模型,對(duì)評(píng)估模型的泛化推廣能力進(jìn)行了分析。根據(jù)拉依達(dá)準(zhǔn)則,研究了連續(xù)變量的自適應(yīng)報(bào)警閾值設(shè)定問題。裂紋轉(zhuǎn)子和軸承疲勞試驗(yàn)數(shù)

7、據(jù)驗(yàn)證了該評(píng)估方法的評(píng)估效果。
　　 研究了基于小波核支持向量機(jī)自回歸(WSVAR)模型的性能退化預(yù)測(cè)方法。研究了模型各個(gè)參數(shù)對(duì)預(yù)測(cè)結(jié)果的影響,并以二進(jìn)制網(wǎng)格搜索方法選定模型最優(yōu)參數(shù)。利用軸承加速疲勞試驗(yàn)全過(guò)程數(shù)據(jù),對(duì)于WSVAR模型的預(yù)測(cè)效果進(jìn)行了驗(yàn)證。并將WSVAR的預(yù)測(cè)結(jié)果分別與RBF核函數(shù)SVAR和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比,表明WSVAR預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。
　　 進(jìn)行了軸承強(qiáng)化疲勞實(shí)驗(yàn)研究。在

8、軸承加速疲勞試驗(yàn)臺(tái)上采集了多組軸承強(qiáng)化疲勞試驗(yàn)全過(guò)程數(shù)據(jù),利用大量的滾動(dòng)軸承信號(hào)驗(yàn)證了文中提出的各種特征提取方法、特征約簡(jiǎn)方法、性能退化評(píng)估和預(yù)測(cè)方法的適用性。
　　 針對(duì)機(jī)械設(shè)備功能層次分級(jí)且相對(duì)獨(dú)立的特點(diǎn),提出了基于層次分析的設(shè)備整體性能退化評(píng)估系統(tǒng)模型。考慮系統(tǒng)計(jì)算量大及系統(tǒng)后續(xù)擴(kuò)展性等問題,在系統(tǒng)的開發(fā)中引入了面向服務(wù)(SOA)技術(shù),并基于SOA的成熟實(shí)現(xiàn)技術(shù)WCF開發(fā)了設(shè)備性能退化評(píng)估與預(yù)測(cè)系統(tǒng)原型。在某風(fēng)機(jī)監(jiān)測(cè)系統(tǒng)的