论文部分内容阅读
在现代工业生产当中,各种机械设备长期运行在高速、高温、高压、重载荷等恶劣工况下,其性能不可避免地发生退化从而导致设备故障。故障一旦发生,不仅会造成巨大的经济损失,甚至可能导致灾难性的人员伤亡和环境污染事故。而轴承、齿轮等旋转部件作为机械设备当中的关键部件,其运行状态影响着整个机械设备的工作状况。因此,为了确保机械设备安全高效的运行,对于机械设备中关键的旋转部件进行健康监测并建立科学的维护策略成为当前工业界和学术界最为活跃的研究重点。目前,机械系统旋转部件的故障维护策略已经从最初的故障后维修和周期预防性检修,发展到了现今基于设备状态的维修策略,并逐渐向智能预见性维护策略即故障预测方向发展。相比传统的故障诊断方法主要针对已出现的故障进行识别与分类,故障预测方法则是在故障发生之前跟踪机械部件整个寿命周期内的退化状态,并建立模型对部件的剩余使用寿命进行预测。因此,机械旋转部件的故障预测研究对于降低停机时间、保证产品质量、提高生产效率有着极为重要的意义。针对现有故障预测研究在非线性退化跟踪方法、在线预测模型的实时性以及数据驱动模型和物理模型的结合等方面的不足,本文以机械系统旋转部件为研究对象,以混沌时间序列分析中非线性相空间重构理论为基础,开展了旋转部件退化跟踪及寿命预测的研究。主要研究工作包含以下四个方面:(1)介绍了基于Takens嵌入定理的非线性时间序列相空间重构理论,并针对相空间重构中的两个重要参数(即延迟时间和嵌入维数)的常用选择方法进行了详细研究。定性讨论和仿真实验结果表明,基于互信息法以及虚假邻近点法的坐标延迟相空间重构方法能够从原系统的单变量时间序列当中重构相空间,并保留原系统相空间的基本结构以及动力学特性。因此,本研究采用互信息法和虚假邻近点法选取延迟时间和嵌入维数,来重构时间序列的相空间,为后续机械旋转部件信号的非线性特征提取打下基础。(2)提出了基于改进递归定量分析的机械旋转部件退化状态跟踪方法。将递归定量分析方法中提取的多个非线性特征参数应用于机械旋转部件的故障诊断;应用基于标准差的阈值选取改进了递归定量分析方法,构造出更加稳定且对故障不失敏感性的递归熵特征,同时结合基于切比雪夫不等式的健康阈值设定方法,进行了旋转部件的全寿命周期退化跟踪研究,并利用卡尔曼滤波算法预测了部件出现初始故障的时间。实验数据验证结果表明,递归定量分析方法提取的非线性特征参数可以有效识别机械旋转部件故障的严重程度:递归熵特征可以有效、稳定地跟踪机械旋转部件的退化过程;卡尔曼滤波算法能够在短时间内准确预测部件初始故障出现的时间;另外,该退化跟踪算法可以满足机械旋转部件在线跟踪的实时性要求。(3)提出了基于增强型粒子滤波算法的机械旋转部件剩余使用寿命预测方法。分别提出自适应重要性密度函数选择算法以及基于神经网络的粒子平滑算法,用于解决传统粒子滤波算法中存在的粒子退化、粒子多样性丧失等问题,并在此基础上设计了基于增强型粒子滤波的机械旋转部件剩余使用寿命预测方法。实验数据验证结果表明,增强型粒子滤波算法能够有效抑制粒子退化现象以及粒子贫化现象,预测精度高于传统粒子滤波算法和支持向量回归算法;另外,该剩余使用寿命预测算法实时性较好,可以满足机械旋转部件在线剩余寿命预测的实时性要求。(4)提出了基于多时间尺度建模的机械旋转部件退化状态跟踪和剩余使用寿命预测方法。利用数据驱动模型能够描述系统快变时间尺度行为以及物理模型能够描述系统慢变时间尺度行为的特性,基于多时间尺度建模的思想,将数据驱动模型和物理模型有机地结合起来,分别采用多维AR模型和时间分段策略改进了传统相空间弯曲算法和帕里斯裂纹扩展模型,提出了基于改进的相空间弯曲算法和帕里斯裂纹扩展模型的机械旋转部件退化跟踪及剩余使用寿命预测方法。实验数据验证结果表明,改进相空间弯曲方法可以有效、稳定地跟踪机械旋转部件的退化过程,而改进的帕里斯裂纹扩展模型能够准确预测机械旋转部件的剩余使用寿命,其跟踪预测效果优于传统相空间弯曲和帕里斯模型方法;多时间尺度建模方法可以有效地将数据驱动模型和物理模型结合起来,为机械旋转部件的剩余使用寿命预测研究提供了一种新的思路。