论文部分内容阅读
围绕风机状态监控与故障诊断需求基于CPU+GPU异构计算模式实现风机典型故障诊断。根据风机典型故障状态,提取风机故障特征频率,针对故障诊断中包络图谱分析及HMM模型训练较为耗时问题基于CUDA完成算法并行优化加速,最终实现基于CPU+GPU异构计算模式的故障诊断。对风机系统进行模型简化,分类总结风机的典型故障及其表现形式。根据风机的常见故障类型,利用时域参数统计分析方法对信号进行分析,确定了对故障敏感的参数。采用局部均值分解方法对非平稳振动信号进行分解得到单分量信号,针对该方法易受噪声信号干扰的问题提出SG-LMD分解方法用于提取故障特征频率。基于相关系数分析确定有效分量判定标准,通过有效分量重构振动信号。利用SG-LMD分解方法提取出振动信号故障特征频率。风机设备在运转时可通过传感器观测到风机的振动信号参数,通过信号参数作为观测特征量去估计设备当前的隐藏状态。这种特性与隐马尔科夫模型(Hidden Markov Model,HMM)结构一致,因此选用HMM模型通过观测信号推断风机系统关键设备的真实状态。改进HMM模型初始化,采用比例因子修正方法解决数据下溢问题。使用轴承数据验证了HMM模型在故障诊断中的有效性。针对包络谱分析中FFT在点数较多情况下执行耗时的问题,基于CUDA实现了FFT算法加速。针对HMM模型的三种经典算法Forward算法、Viterbi算法、Baum-Welch算法分别进行并行分析,主要利用循环拆分的方法实现算法执行的加速,实验得到模型的训练时间可缩短至原来的40%左右。最后基于动态链接库技术实现了跨语言的故障诊断软件,该软件系统不仅能满足对风机进行状态监测而且能准确地识别风机的典型故障状态。