论文部分内容阅读
随着材料科学和超微制造技术的日新月异,复杂、高效和智能逐渐成为机械设备的发展趋势。旋转部件(如轴承、齿轮、转轴等)作为机械设备中的关键组成部分,其性能表现直接决定了机械设备能够长时间安全平稳地运行与否。当机械旋转部件发生故障时,不但会导致大量的经济损失,甚至可能造成人员伤亡和恶劣的社会反响。进行机械旋转部件性能退化跟踪和剩余使用寿命预测,对于保障机械设备运行的安全性和可靠性具有十分重要的意义。针对现有方法在非线性、多特征退化跟踪能力及故障预测精度等方面的不足,本文将机械旋转部件作为研究对象,以完备自适应噪声集合经验模态分解、深度学习和无迹卡尔曼滤波等理论为基础,开展性能退化跟踪和剩余使用寿命预测方法研究,主要研究内容如下:1.针对现有基于单特征量的退化状态跟踪方法难以揭示机械旋转部件的非线性特征,且在噪声干扰条件下鲁棒性差的问题,提出了基于完备自适应噪声集合经验模态分解—近似熵(CEEMDAN-Ap En)的性能退化跟踪方法。采用完备自适应噪声集合经验模态分解方法对机械旋转部件原始振动信号进行分解,通过最大互信息系数对分解后的IMF分量进行筛选,排除非线性条件下的噪声干扰;基于筛选后的IMF分量计算重构信号,计算其近似熵值作为机械旋转部件的健康状态因子,提高性能退化跟踪的鲁棒性;通过切比雪夫不等式选择健康阈值,根据得到的CEEMADN-Ap En退化曲线判定初始故障时间点,为机械旋转部件剩余使用寿命的精确预测奠定基础。实验结果表明,本文提出的CEEMDAN-Ap En方法能够克服机械旋转部件振动信号的噪声干扰和非线性问题,其性能退化跟踪精度高于峭度、均方根、能量矩熵和递归熵等特征量。2.针对现有基于多特征量的性能退化跟踪方法缺乏合理的指标体系,无法准确表征机械旋转部件退化过程的问题,提出了基于卷积神经网络—门控递归单元(CNN-GRU)的性能退化跟踪方法。通过提取机械旋转部件振动信号的时域参数、频域参数计算相似性特征,结合时频域参数构建多特征量集合;以时间相关性、单调性、鲁棒性构建特征量综合评价指标,筛选能够准确描述性能退化过程的优秀特征量;将筛选得到的特征量输入CNN-GRU网络,利用卷积神经网络优异的特征提取能力和门控逻辑单元的时间关联性刻画能力,实现有监督学习下的基于多特征融合的健康状态因子预测,提高机械旋转部件性能退化跟踪的精度。实验结果表明,本文提出的CNN-GRU方法能够综合利用各种特征量的优点,其性能退化跟踪精度高于各种时域、频域和时频域特征量。3.针对机械旋转部件的寿命预测需求,以基于单特征及多特征融合的健康状态因子为基础,提出基于双指数模型—无迹卡尔曼滤波(DEM-UKF)的剩余使用寿命预测方法。选用双指数模型描述机械旋转部件的性能退化过程,采用Dempster-Shafer理论计算模型各个参数的初始值;借助无迹卡尔曼滤波在解决粒子退化和粒子贫化问题方面的优势,实现双指数模型参数的更新计算,完成机械旋转部件剩余使用寿命的准确预测。实验结果表明,本文提出的DEM-UKF算法能够有效抑制粒子退化现象及粒子贫化现象,其剩余使用寿命预测精度高于传统粒子滤波算法。