多尺度旋轉機械故障趨勢特征提取及預測方法.pdf

1、旋轉機械作為現代工業(yè)生產中的核心設備，各種隨機因素的干擾使其難免會出現不同形式的故障而影響正常工作，并且大量故障的產生有征兆趨勢可尋，具有時間依存性和趨勢可預知性。通過狀態(tài)監(jiān)測并采用科學有效的故障趨勢特征提取與預測方法，能夠為操作人員進行預知性維修實施科學維護提供很好的幫助和指導。然而由于機械系統(tǒng)復雜和規(guī)模龐大造成了故障征兆信息的不完整性，且海量的狀態(tài)監(jiān)測數據具有非線性和非平穩(wěn)性，給故障趨勢特征準確地提取和故障預測方法的實時性和有效性帶

2、來了挑戰(zhàn)和研究價值。本文以狀態(tài)監(jiān)測數據為研究對象，充分結合其特點并從形態(tài)特征、模型特征和結構特征三個不同層次，建立基于數據驅動的多尺度故障趨勢特征提取及預測方法。主要研究內容包括：
　?。?）通過融合局部最值和斜率變化幅度的思想，提出了基于分段線性表示提取狀態(tài)趨勢特征的方法(LMMS）。實驗結果表明該算法能夠從海量繁瑣的數據中準確提取出多尺度趨勢特征、去除噪聲干擾且擬合誤差小，同時獲得了高壓縮率，提取的趨勢模式與知識規(guī)則有助于高效

3、且準確地分析機械設備狀態(tài)趨勢。
　?。?）針對狀態(tài)監(jiān)測數據非線性和非平穩(wěn)性的特點，對連續(xù)緩變數據建立了一種基于EEMD和ARIMA模型的振動狀態(tài)趨勢預測方法。通過對比實驗驗證了該混合預測方法的有效性和適應性，能夠預測出振動狀態(tài)主要變化趨勢且具有較高的預測精度以及更大的應用范圍。
　?。?）在分析轉子系統(tǒng)不對中故障的表現形式及其故障機理的基礎上，建立了單盤轉子系統(tǒng)不對中故障的動力學模型，分析了其振動特征，為進一步研究不對中故障

4、的特征頻率成分變化趨勢及其演變規(guī)律提供了理論基礎。
　?。?）對于高頻復雜數據，提出了一種基于 Hilbert-Huang變換的特征頻率成分多尺度趨勢分析方法，探討了特征頻率成分趨勢征兆與故障演化規(guī)律之間的關系，利用混合時間序列模型預測未來可能出現的頻率狀態(tài)，并將 Sohre表作為故障診斷的標準，進行機組的實時故障趨勢預測和診斷。通過對轉子系統(tǒng)不對中故障的演變過程進行仿真實驗，驗證了該方法應用于故障趨勢預測的可行性和有效性，為研究