基于大数据的设备故障全矢预测模型研究

【摘要】：旋转机械是机械装备的重要组成部分,一旦出现故障,会导致整个设备或生产过程停止运行,甚至造成严重的安全事故和重大经济损失。因此,机械设备故障预测受到人们的关注和研究。传统频谱分析方法仅依赖单通道振动信息,丢失了信息的完整性,而全矢谱技术采用同源双通道信息融合的思想,保证频谱包含完整、全面的振动信息;现代设备监测系统通常采集大量监测信号,但在设备预测过程中,并不能充分利用历史监测信息,导致中长期预测可信度低,时间序列聚类方法能把近似状态的时刻聚类,将大量历史监测信息简化,使得预测过程中利用更多历史信息;为克服全矢-ARIMA(FV-ARIMA)和全矢-SVR(FV-SVR)预测模型的缺陷,提出改进的全矢-SVR预测模型。本文以设备监测大数据为研究对象,全矢谱技术和时间序列聚类为理论支撑,结合改进的全矢-SVR预测模型,对设备故障预测进行研究。主要研究工作如下:(1)详细研究了全矢谱技术的理论和算法,给出Hilbert-全矢谱的算法步骤,并将其应用于滚动轴承的退化分析中,验证了Hilbert-全矢谱具有良好的包络解调效果,所求得的特征主振矢能够表征振动强度,区分故障类型。(2)研究设备监测数据的特点,并给出设备监测大数据的概念;研究数据的平滑处理方法和时间序列聚类分析方法,并将其应用到真实的时序序列中,获得良好的平滑处理效果和聚类效果。(3)研究ARIMA模型和SVR预测的基本理论和算法;给出全矢预测模型的基本流程;通过对滚动轴承的状态预测,分析并总结全矢-ARIMA和全矢-SVR预测模型的优点和缺点。(4)针对全矢预测模型的缺点,提出改进的全矢-SVR预测模型;结合时间序列聚类分析和改进的全矢预测模型,构建基于大数据的中长期设备故障全矢预测模型;采用滚动轴承运行过程中的全部历史数据,分别对改进的全矢-SVR预测模型和基于大数据的中长期设备故障全矢预测模型进行实验验证,结果显示,两种预测方法均取得良好的预测效果。