论文部分内容阅读
随着人们维修观念的转变,传统的定期维修和事后维修向基于状态的视情维修(Condition Based Maintenance,CMB)转换,作为建立合理维修策略的前提,设备的性能退化评估得到了广泛的关注。设备的性能退化评估,实质是通过分析设备数据,对设备当前的运行状态进行识别并对未来的状态走势进行预测。其中主要的难点有两个,首先在实际工业领域的复杂机械系统或关键部件的状态监测中,为了及时准确了解机组运行状态,往往布置了大量的传感器,所以监测获得的数据是多源的、高维的。应如何从这些复杂的监测数据中提取能反映设备运行状态的有用信息并去除冗余信息,是面临的第一个问题。第二,对于复杂机械系统故障子成龙,积累异常状态变化全过程的数据往往比较困难。这就需要我们能仅根据正常运转数据的有效学习,对监测状态进行预判。针对以上两个问题文章研究了基于局部切空间排列(Local Tangent Space Alignment,LTSA)的多传感器特征融合方法,并重点对连续隐半马尔科夫模型(Continuous hiddensemi-Markov model, CHSMM)在实际的应用中做出了相应改进后用于轴承性能退化的评价。最后通过仿真实验、模拟轴承外圈故障实验及轴承疲劳寿命实验验证了特征融合和模型的效果。论文的主要内容包括:(1)探讨轴承性能退化特征的提取过程,包括单传感器频带能量特征的提取和LTSA对多传感器特征的融合。具体涉及了频带数的选择和LTSA中的参数确定问题。(2)重点研究了HMM的扩展形式——连续隐半马尔科夫模型(Continuous HiddenSemi-Markov Model,CHSMM)应用于设备性能退化评估的形式。针对CHSMM的实际应用做出了改进,对模型的初始化和参数选择方法进行了探讨。建立起轴承退化程度识别的框架。(3)利用轴承外圈不同故障程度实验及疲劳寿命实验对方法的有效性进行了验证。重点分析了模型对疲劳寿命实验的输出结果,与常见时域指标的对比反映出模型对早期故障的敏感性。