论文部分内容阅读
随着工业化革命以及科学技术的发展,工业装备的结构趋于精密化,部件之间的耦合性增高。当工业装备处于生产运行的状态时,某个环节或者部件出现故障,可能会导致整个生产链的断裂,从而产生巨大的经济损失甚至是人身安全问题。而工业装备的故障预测技术能够提前发现故障,因此,工业装备的故障预测具有实际的工程意义。但是传统的故障预测模型需要大量的数据,且仅利用单传感建立预测模型是无法利用工业装备运行期间全部的有效信息,因此提出一种基于灰色预测模型、神经网络算法以及证据理论的多传感器信息分层融合技术以实现工业装备的故障预测,相关工作如下:1.针对灰色预测模型中存在用于建模的传感器检测数据序列光滑性不高、灰色预测模型背景值构造方式过于简单以及传统预测模型无法满足系统动态的发展的需求等问题,通过研究模型的预测精度、原始序列的类型以及函数变换的三者关系,提出以反正弦函数对震荡的传感器监测序列进行平滑处理;提出以曲线面积的积分法代替传统的背景值构造方式;将新陈代谢与传统预测模型相结合,满足系统的动态发展需求。最后的数值实验分别验证了改进方法的可行性。2.以灰色预测模型的建模序列作为BP神经网络融合算法的输入训练集,以实际特征值为期望输入,在得到期望误差的BP神经网络后,将灰色预测模型的预测值输入到训练好的融合算法,得到基于单传感器多特征预测值的特征层的工业装备局部预测融合结果。最后以齿轮箱中某一传感器的监测数据进行实验。3.针对利用单传感器多特征预测值的融合结果精度不高的情况、单传感器无法提供目标系统运行状态的全面信息以及目标系统不可监测位置的运行状态不确定,引入多传感器信息融合技术,提出了一种基于D-S证据理论的决策层多传感器局部结论的融合故障预测方法,即利用D-S证据理论对特征层的单传感器的局部结论进行融合决策,提高融合系统的稳定性。最后的齿轮箱故障实验验证了该融合预测方法的有效性。