機(jī)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(jī)械設(shè)備長期運(yùn)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(jì)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(jī)械設(shè)備當(dāng)中的關(guān)鍵部件，其運(yùn)行狀態(tài)影響著整個(gè)機(jī)械設(shè)備的工作狀況。因此，為了確保機(jī)械設(shè)備安全高效的運(yùn)行，對于機(jī)械設(shè)備中關(guān)鍵的旋轉(zhuǎn)部件進(jìn)行健康監(jiān)測并建立科學(xué)的維護(hù)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(diǎn)。目前

2、，機(jī)械系統(tǒng)旋轉(zhuǎn)部件的故障維護(hù)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(hù)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(jìn)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(jī)械部件整個(gè)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(jìn)行預(yù)測。因此，機(jī)械旋轉(zhuǎn)部件的故障預(yù)測研究對于降低停機(jī)時(shí)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(shí)時(shí)性以及數(shù)據(jù)驅(qū)動(dòng)模型和物理模型的結(jié)合等方面的不足，本文以機(jī)械系統(tǒng)旋轉(zhuǎn)部件為研究對象，以混沌時(shí)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(gè)方面:
　　(1)介紹了基于Takens嵌入定理的非線性時(shí)間序列相空間重構(gòu)理論，并針對相空間重構(gòu)中的兩個(gè)重要參數(shù)（即延遲時(shí)間和嵌入維數(shù)）的常用選擇方法進(jìn)行了詳細(xì)研究。定性討論和仿真實(shí)驗(yàn)結(jié)果表明

4、，基于互信息法以及虛假鄰近點(diǎn)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(shí)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(dòng)力學(xué)特性。因此，本研究采用互信息法和虛假鄰近點(diǎn)法選取延遲時(shí)間和嵌入維數(shù)，來重構(gòu)時(shí)間序列的相空間，為后續(xù)機(jī)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(jìn)遞歸定量分析的機(jī)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(gè)非線性特征參數(shù)應(yīng)用于機(jī)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(jìn)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(shí)結(jié)合基于切比雪夫不等式的健康閾值設(shè)定方法，進(jìn)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(shí)間。實(shí)驗(yàn)數(shù)據(jù)驗(yàn)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(jī)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(jī)械旋轉(zhuǎn)部件的退化過程;卡爾曼濾波算法能夠在短時(shí)間內(nèi)準(zhǔn)確預(yù)測部件初始故障出現(xiàn)的時(shí)間;另外，該退化

6、跟蹤算法可以滿足機(jī)械旋轉(zhuǎn)部件在線跟蹤的實(shí)時(shí)性要求。
　　(3)提出了基于增強(qiáng)型粒子濾波算法的機(jī)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(jì)了基于增強(qiáng)型粒子濾波的機(jī)械旋轉(zhuǎn)部件剩余使用壽命預(yù)測方法。實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證結(jié)果表明，增強(qiáng)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(shí)時(shí)性較好，可以滿足機(jī)械旋轉(zhuǎn)部件在線剩余壽命預(yù)測的實(shí)時(shí)性要求。
　　(4)提出了基于多時(shí)間尺度建模的機(jī)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(dòng)模型能夠描述系統(tǒng)快變時(shí)間尺度行為以及物理模型能夠描述系統(tǒng)慢變時(shí)間尺度行為的特性，基于多時(shí)間尺度建模的思想，將數(shù)據(jù)驅(qū)動(dòng)模型和物理模型有機(jī)地結(jié)合起來，分別采用多維AR模型和時(shí)間分段策略改進(jìn)了傳統(tǒng)相空間彎曲算法和帕里斯裂紋擴(kuò)展