基于卡尔曼滤波算法的瓦斯浓度时间序列预测分析

针对自回归AR(p)模型在进行非平稳瓦斯浓度时间序列预测分析时存在精确度不高的问题,文章采用卡尔曼滤波算法动态地估算出模型参数值,在推算过程中将模型参数作为状态向量。实例分析表明基于卡尔曼滤波算法的AR(p)模型优于单一的AR(p)模型,大幅度地提高了模型的预测精度,预测效果远好于BP神经网络、支持向量机和ARMA等模型,值得借鉴。     

全矢AR-Kalman滤波的机械故障趋势预测方法研究

旋转机械故障趋势预测中,为提高预测结果的可靠性和精确性,提出一种基于全矢谱技术的AR-Kalman滤波方法。该方法采用全矢谱技术对故障特征进行双通道提取,相比于传统单通道信号提取,该技术保证了信息提取的全面性和完整性,采用Burg算法对AR模型参数进行估计,采用卡尔曼滤波对参数进行修正,同时,对预测结果进行实时修正。实验结果表明,全矢AR-Kalman滤波方法能有效地对旋转机械的故障趋势进行预测,新方法明显提高了传统AR模型在中长期预测的精度。     

基于LS-SVM和AR模型的油液光谱数据预处理研究

油液光谱分析技术可以检测出机械设备润滑油中各种元素的成分和浓度,但光谱分析数据受噪声、补油和换油的影响严重,不能很好地反映出机械设备的磨损情况。对光谱数据进行提升小波分解,通过分析细节信号,检测出野点;用LS-SVM对趋势项建模,对各层细节信息建立AR模型,分别预测出补、换油后及野点处的值并进行叠加;为提高预测精度,用QPSO对LS-SVM的参数进行了优化。结果表明:该方法能有效修正原始数据,从而提高对机械设备磨损状态监测和故障诊断的精度。     

机械设备趋势预测与神经网络预测方法的研究

阐述了机械设备状态趋势预测的基本概念，讨论了机械设备状态预测的主要方法。研究了三种预测机械设备状态发展趋势的神经网络方法，对采用不同的神经网络预测方法的预测结果进行了分析比较。     

趋势预测法在机械设备状态评价中的应用和展望

设备状态趋势预测是设备故障诊断的主要任务之一,也是该领域的重要研究内容。尤其是在机械设备的维修方式由定期维修过渡到预测维修后,为了准确地预测设备状态的发展趋势,制定出科学、合理的维修措施,设备的状态趋势预测技术尤为重要,因此,对机械设备状态趋势分析的方法及进展进行了介绍,并结合油液监测技术,提出了一种以多元信息融合为基础的设备趋势预测新方法。     

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。     

基于时间序列分析的风机运行状态监测与预报及故障诊断

首先介绍了时间序列分析在风机运行状态监测．趋势预测和故障诊断的应用原理,然后用MATLAB语言实现了风机运行状态的时间序列AR(Auto-regression)模型构建,并以AR模型为基础,实现了风机的运行状态监测．预报与故障诊断。     

基于无迹卡尔曼滤波的直升机主减速器剩余安全寿命预测

剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。     

基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法

提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。     

复杂机械设备运行状态趋势的灰色预测

重点介绍了灰色预测的有关理论及拓扑预测在复杂机械设备运行状态趋势分析中的应用，实践证明，该方法计算简便，短期预测精度高，预测结果可检验。     

基于AR建模理论的汽车行驶姿态预测方法研究

采用AR模型开展了汽车运动参数预测研究,详细分析了其建模预测方法,并以侧倾角速度这一车辆行驶时的关键参数为例,讨论了AR模型在行驶安全运动参数预测中的应用,结果显示该模型取得了一定的效果。此外,AR模型仅利用自身的历史数据进行建模预测,故具有简便易行、通用性好、可操作性强的特点。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

全矢KPCA和AR模型结合的滚动轴承故障预测方法

由于单一传感器获取的振动信号具有片面性,采用全矢谱信息融合技术对滚动轴承信号进行特征提取,并与KPCA模型和AR时序预测方法相结合进行故障预测。首先,采用全矢谱技术提取实验数据中的特征主振矢;然后,采用KPCA方法对得到的特征主振矢进行融合,消除数据冗余,并建立全矢KPCA监控模型;最后,将测试样本输入全矢KPCA监控模型并输出T2和SPE统计量,将其值作为AR预测模型的输入,预测其变化情况,并根据其预测值超出KPCA监控模型的控制限与否来判断设备是否出现故障。实验结果表明,该方法既能较好地预测出滚动轴承的运行状态,又能进一步追踪故障发展趋势,为及时做好维修措施提供理论依据。     

基于粒子滤波的非线性设备状态估计

为解决非线性非平稳设备状态估计难的问题,提出一种基于粒子滤波的非线性设备状态估计方法。该方法通过蒙特卡洛方法仿真状态动态模型和观测模型,并对系统状态的后验概率密度函数进行估计。该方法避免了典型卡尔曼滤波状态估计过程中要求线性和高斯噪声的假定。最后,将该方法用于齿轮箱状态估计实验,实验结果显示,该方法与卡尔曼滤波法相比较,结果更加准确,验证了该方法的有效性。     

AR模型在数控车削在线监测中的应用研究

这里针对数控车削在线检测的需要,建立了用于状态监测与预报的AR模型,并开发了基于该模型的软件,它能够实现AR模型的自动定阶、AR谱分析、加工状态的实时预报。作为在线监测系统的重要组成部分,大大增强了原来系统的功能。     

齿轮性能退化评估的时序重构模型

齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。     

基于特征的机械设备故障预测系统

在机械设备的使用过程中,如果能准确地提前预测机械设备将要发生的故障并防患于未然,则可为企业节省大量的维修费用,降低企业成本。为此提出了一种依据特征基于神经网络算法的故障预测系统。把机械设备本身的运行特征和环境特征作为输入,把发生故障的概率作为输出,建立映射关系。以历史映射数据训练并建立神经网络,用以预测机械设备在某状态达成后发生故障的概率。通过某厂的机床对系统进行训练和验证,预测故障率与实际故障率的相对误差在15.3%以内。仿真结果表明,该系统可以有效的根据机械设备运行状态特征对其故障率进行准确预测。     

基于灰色理论和时间序列模型的润滑油中磨粒含量预测分析

目前机械设备润滑油中磨粒含量的预测一般用简单线性拟合的方法,或者利用单一的预测模型,预测精度较低。针对润滑油中磨粒含量预测时存在的问题,提出了一种综合运用灰色预测理论和时间序列模型的方法对磨粒含量进行预测。该方法充分运用灰色预测能够反映磨粒含量变化的总体趋势和时间序列分析模型可以很好地进行细节分析的优点。将该方法应用到某型自行火炮润滑油分析数据中,证明了该方法的有效性。     

机械设备智能诊断与预测维修系统研究

通过对机械设备智能诊断和预测维修技术进行研究,建立了相应的机械设备故障诊断和状态预测软硬件系统。对该系统的功能展开了较为详细的说明,并在此基础上进行了实际应用。结果表明,该系统对机械设备故障诊断和预测维修的指导意义十分重大。     

AR模型和分形几何在设备状态监测中的应用研究

状态特征指标对机械的状态监测和故障诊断具有重要意义。本文提出应用机械设备工作状态下噪声信号自回归模型的关联维数来描述设备在不同工作状态下的特征,进而实现对状态的监测、识别和分类。文中通过实验证明,设备在相同工作状态下,噪声信号的AR模型参数具有相近的关联维数,在不相同状态下则有明显不同的关联维数。因此关联维数不仅可以作为状态监测与识别和分类的重要依据,而且可以作为其他特征提取方法的补充。此方法对设备状态监测准确率的提高具有明显的作用。