基于特征加权连续隐马尔可夫模型的故障诊断方法研究

【摘要】：在现代工业生产中,随着科学技术的进步与发展,作为主要生产工具的机械设备一方面不断向复杂、高速、高效、大型自动化方面发展,另一方面却又面临更加苛刻的工作和运行环境。滚动轴承是石化、电力、冶金、机械、航空航天以及军事工业部门中使用最广泛的机械零件,也是最易损伤的部件之一,其工作状态是否正常对于整个机械设备乃至整条生产线的运行状态有着重大的影响。因此,如何有效地诊断和评估设备的运行状态,从而能够及时采取措施以防止突发事故的发生是当前迫切需要解决的问题。 一般来说,机械设备在运行过程中,都会经历从正常直至完全失效的过程,在这过程中,机械设备总会经历一系列不同程度的性能退化状态。因此,在机械设备性能退化的过程中,如果能够准确地监测到其性能退化程度,那么就可以有针对性地制定合理的机械设备维护计划,从而既可以防止设备因故障而临时失效,又可以合理安排生产。当设备发生异常时,性能退化评估可以及时发现并进行故障诊断,防止故障进一步加深,从而提高设备的利用率,缩短设备的停机维修时间。为此,本文以滚动轴承为研究对象,深入开展了基于特征加权连续隐马尔可夫模型(CHMM:Continuous Hidden Markov Model)的故障诊断与性能退化评估的理论体系和技术方法的研究,具体内容如下: 1)从理论分析与工程应用的角度出发,简要阐述了论文的选题背景和研究意义。针对机械设备故障诊断,论述了信号分析与处理技术、智能故障诊断方法、性能退化评估方法等方面的国内外研究现状与发展趋势。在此基础上,给出了本文的主要研究内容。 2)详细介绍了HMM的基本理论,并着重论述了连续HMM的理论,针对其算法中存在的数据下溢、参数初始化等问题给出相应的解决方法。最后,本文简单介绍基于连续HMM故障诊断的基本思想与流程。 3)研究了基于二阶循环平稳分析的谱相关密度组合切片特征提取方法,并将其与连续HMM相结合,提出了一种适用于滚动轴承故障诊断的方法。通过对其进行实验分析,验证了该方法的有效性与可行性。通过与多种特征提取方法比较,结果表明,该方法具有分类准确率高,分类离散度大等优点,可适用于滚动轴承的故障诊断。 4)研究了基于特征加权的连续HMM故障诊断方法。在描述设备状态时通常需要提取多种不同特征,从而形成高维特征。本文研究了基于距离评估技术的特征降维方法,并对其进行参数补偿,对高维特征进行分析,可以得到对分类特征明显的敏感特征,有效的解决了因为人为随机选取特征进行分类造成的分类结果可靠度不高及高维特征灾难等问题。最后通过两个轴承实验进行了验证,与传统方法相比,该方法在保证分类准确率的前提下,有效降低了模式分类器的计算复杂度,提高模式类别的可分性,增强了分类结果的可靠性。 5)研究了基于不完备数据与完备数据两种情况下的滚动轴承性能退化评估方法,特别是在完备数据情况下,提出了一种基于特征加权的连续HMM性能退化评估方法。利用滚动轴承的加速疲劳试验得到的全寿命周期数据,对该评估方法进行了验证,试验分析结果表明基于特征加权的连续HMM性能退化评估方法具有识别性能好,计算量小等优点。在完备数据情况下,考察了性能退化评估模型的推广性,并用试验数据进行了交叉验证,结果表明同一种退化模式下的模型具有较好的推广性。