论文部分内容阅读
随着大型复杂设备发展越来越迅速,可靠性管理研究已经成为管理领域的热点问题之一。在对设备进行可靠性管理研究中,故障诊断决策方法的有效性越来越受到重视。然而监测信号中隐含的系统可靠性规律尚未被完全挖掘和利用。因此本论文立足于复杂机械系统可靠性理论,以监测到的设备振动信号及电流信号数据为基础,借鉴智能模型分类的思路和方法,对复杂系统故障进行因果分析和故障诊断,从而研究讨论复杂系统故障诊断决策管理方法对重大工程管理带来的启示。风力发电机作为一典型的复杂系统,是利用清洁能源实现电能的转换的关键基础设施,科学的维护管理对其正常运行、保障可再生能源提供和促进国民经济发展具有重要意义。但其故障状态的数据呈现出海量性、多样性等大数据特征,完全依靠传统的故障检测方法在分析数据、建立模型等方面具有局限性,而随着智能算法的发展,其对大数据的处理能力和表征能力在各个领域都得到了很好的体现。因此本文以风力发电机齿轮箱为示例研究对象,采用机器学习算法对各个故障进行特征学习并在此基础上实现故障分类。主要研究内容如下:首先,基础理论的介绍。本文对复杂系统故障诊断的内容、方法和应用进行了分析总结。以风力发电机这一大型关键设备为例,描述了本文使用的模拟复杂系统运行方式的实验台,并对数据的采集和运行条件进行了简要说明。详细介绍了本文采用的几种故障诊断模型原理,主要包括支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、长短期记忆网络(Long Short-Term Memory Network,LSTM)、回声状态网络(EchoStateNetworks,ESN)和门控循环单元(Gated Recurrent Unit,GRU)几种典型的机器学习模型。分析了现有故障诊断决策方法研究中的漏洞和缺陷,阐明了本文进行复杂系统故障诊断研究的思路,并对全文进行了框架概括。其次,基于原始样本和GRU的单故障诊断建模。通过模拟实验台采集系统六种状态下的三个方向上的振动信号,然后使用SVM、RF、LSTM、GRU和ESN几种典型的机器学习模型分别对采集到的原始数据进行状态识别,并对各模型的故障特征学习效果进行可视化分析。结果显示在直接使用原始信号时,GRU的分类能力较差,表明其对原始样本的特征提取能力较弱。而这五种模型中ESN的特征学习能力最强,分类效果最好。但总的来说,五种模型的故障识别效果总体效果都不理想。第三,基于人工特征提取和GRU的单故障诊断建模。在基于原始样本和GRU的单故障诊断实验的基础上对其采集到的振动信号进行时域、频域、时频域的人工特征提取,然后再使用SVM、RF、LSTM、GRU和ESN几种典型的机器学习模型进行分类。结果显示,五种模型的故障分类效果得到了很大程度的提升。其中,GRU的效果最好。表明经过人工特征提取后,GRU具有很强的故障识别能力。第四,基于GRU的多故障诊断。针对复杂系统的多故障特点,为了更加拟合实际生产中大型设备的故障诊断,开展基于多信息特征层融合的故障诊断策略:通过对电流信号和振动信号进行监测,增加诊断来源的全面性。同时由于人工提取特征难以满足多故障系统诊断的需要,因此在基于GRU的单故障诊断实验的基础上,提出了一种人工特征提取和神经网络特征提取相结合形成增广特征向量,然后将其输入到GRU中进行特征分类的方式EGRU。结果表明,基于EGRU的多故障诊断在一定程度上能获得更加精确的状态分类,能更充分利用信号资源,最大限度的提高资源利用率,改善故障诊断方法的诊断精度。