基于灰色系統(tǒng)理論和神經網絡的機械故障預測模型及其應用.pdf

1、隨著現代大型機械設備系統(tǒng)性能的不斷提高以及復雜性的不斷增加，系統(tǒng)的故障預測和故障診斷等問題越來越受到人們的重視。由于傳統(tǒng)的故障診斷技術已不能滿足現代復雜機械設備系統(tǒng)的實際運行需要，導致近些年因機械設備運行故障而引起的嚴重的或災難性事故仍頻頻發(fā)生。如何對機械設備系統(tǒng)進行實時的狀態(tài)監(jiān)測和故障預測，以實現設備的“預知”維修，保證設備零故障運行，已經成為故障預測研究的焦點問題。而實現這一目標的關鍵技術是機械故障預測技術。因此，研究機械設備系統(tǒng)的

2、故障預測技術，無論是在減少經濟損失上，還是在延長設備使用壽命上，都具有重要的意義。
　　 預測模型是機械故障預測技術的核心內容之一。由于機械設備系統(tǒng)通常具有非線性、不確定性、動態(tài)時變性以及能夠采集到的數據較少等特點，如何構建符合設備系統(tǒng)實際運行的預測模型是故障預測技術的所需解決的首要問題。本論文將圍繞這一問題，以重慶市科技攻關項目“大型設備智能預防性維護與自動控制系統(tǒng)”為背景，對故障預測模型進行了較深入的研究。論文的主要研究內容

3、及成果如下：
　　 (1)通過對灰色GM(1，1)預測模型的深入研究，從提高離散數據序列光滑度角度出發(fā)，本文提出了一種新的基于函數cot(xA)(A>1)變換的改進GM(1，1)模型。根據灰色建模理論，推導出了基于函數cot(xA)(A>1)變換在提高離散數據序列光滑度中所需滿足的一個充分性條件，并從理論上嚴格證明了滿足該充分性條件的這種函數變換對原始數據序列光滑度的改善程度較現有的其他變換更有效。在此基礎上，將結論推廣到更一般

4、的情形，為函數cot(x4)(A>1)變換中參數A的確定提供了有力的理論依據，拓展了函數cot(xA)(A>1)變換的應用范圍，并將其應用于GM(1，1)模型。實例計算結果表明，該方法能夠提高GM(1，1)模型的預測精度，進而驗證了該方法的有效性、實用性。
　　 (2)針對機械設備系統(tǒng)中故障行為的非線性性、不確定性、動態(tài)時變性以及采集數據的小樣本性等特點，本文建立了一個動態(tài)的多參數灰色誤差神經網絡的故障預測模型。首先把采集到的小