基于运行信息融合的大型设备视情维修系统

现有视情维修系统研究中缺乏对处于正常运行阶段的设备因加工过程操作不当所引起的运行故障进行预测维修.针对该问题,设计并开发了一种基于设备加工运行状态信息融合的大型设备视情维修系统.提出了基于运行状态信息融合的大型设备视情维修系统的体系结构,并对系统的工作流程进行了详细阐述.以大型机床为例,阐述了运行状态信息采集和基于运行状态信息融合的故障预测方法.通过对某大型机床的应用实例,验证了该系统的可行性和有效性.     

浅谈测控设备实现CBM的难点与对策

分析了测控设备进行CBM(基于状态维修)中的状态监测、失效模型建立、故障预测和维修决策等关键点,讨论了其技术对策,以供测控设备实现CBM参考.     

基于预防性维修的舰船装备等级修理决策系统研究

传统的定期维修策略常导致舰船装备欠维修和过维修.为提高维修决策的科学性,提出了一种基于预防性维修理念的舰船等级修理决策方法.根据舰船装备的技术状态和维修信息,对关键重要部件(简称关重件)进行失效模式和效果分析,确定其修理需求级别和修理范围;同时采用威布尔分布模型和极大似然估计法预测装备的中位寿命,并定义产生式规则;进而...     

基于状态监测的民机机载设备寿命预测方法现状研究

准确地预测机栽设备的剩余寿命,是实现高效的基于状态维修（CBM）、降低民用飞机生命周期成本的关键.对近年来基于状态监测的机载设备寿命预测的代表性方法进行了分类和概括,对比分析了各种方法的区别及优缺点,展望了几个具有前景的研究方向.     

基于BP神经网络的某型两栖突击车风扇泵泄漏量预测研究

通过对某型两栖突击车风扇泵泄漏量数据进行处理,建立了基于BP神经网络的风扇泵泄漏量预测模型.利用原始数据进行预测,研究结果表明预测效果较好,可为维修保障人员提供风扇泵维修维护科学、准确的辅助决策信息,达到变被动维修为主动维修的目的.     

面向MRO的民航发动机拆发日期预测系统

针对民航发动机维护、维修和大修的业务需求,开发了民航发动机拆发日期预测系统.系统可以根据影响民航发动机使用的性能、故障和时限三类因素,对在翼民航发动机进行拆发日期预测.考虑到故障因素中的硬件损伤数据样本偏少,提出损伤基线的概念,并建立了基于线性退化轨道的硬件损伤发展模型,实现了基于硬件损伤故障的发动机拆发日期预测.该系统应用于中国国际航空股份有限公司(国航),并且通过接口与其现有的发动机健康管理和维修决策支持系统实现无缝集成,成为其子系统.系统从母系统中获得支撑数据并将预测结果提供给母系统,作为维修计划制定模块的支撑数据,从而使发动机状态监测、拆发日期预测和维修决策成为一个完整的流程,可以满足国航的发动机维护、维修和大修业务需求.     

机电系统健康状态预测和维修决策的双向优化方法

在以机电系统为代表的复杂装备健康管理的应用场景中,健康状态预测与维修决策操作依赖于装备的健康状态演化进程,二者在所依赖的知识上具有明显的耦合性,对应的二元知识也因此具有双向融合的价值。本文从健康状态评估与维修排故二元知识的双向融合出发,提出一种面向机电系统的健康状态预测和维修决策双向优化方法,即定期利用该阶段累积的有限运行记录,在该阶段的健康状态预测和即时维修决策模型上做出优化。最后,本文基于实际机电系统中天线调平系统的仿真实验对本文所提的双向优化方法进行了验证,健康状态预测误差稳定降低到0.002%,维修决策收益稳定提升到93.57,验证了本文提出的健康状态预测与维修决策协同方法的有效性。     

轴流压缩机基于风险和状态的维修

轴流式压缩机在炼化行业应用广泛,其运行属高风险过程,研究集安全与经济为一体的维修方法十分必要。研究状态监测技术和以可靠性为中心的维修相结合的维修决策方法,对轴流压缩机进行故障特征信号分析、故障预警、剩余寿命预测及风险等级确定,实现了轴流压缩机基于风险和状态的维修。实践证明:轴流压缩机基于风险和状态的维修决策能够制定最佳的维修计划和维修任务,预知隐患和故障;降低设备的故障频率和故障后果影响;提高设备的可靠性和安全性。     

轴流压缩机基于风险和状态的维修

轴流式压缩机在炼化行业应用广泛,其运行属高风险过程,研究集安全与经济为一体的维修方法十分必要。研究状态监测技术和以可靠性为中心的维修相结合的维修决策方法,对轴流压缩机进行故障特征信号分析、故障预警、剩余寿命预测及风险等级确定,实现了轴流压缩机基于风险和状态的维修。实践证明:轴流压缩机基于风险和状态的维修决策能够制定最佳的维修计划和维修任务,预知隐患和故障;降低设备的故障频率和故障后果影响;提高设备的可靠性和安全性。     

基于层次聚类的状态监测数据衰退模式挖掘

故障预测与健康管理(prognostics and health management,简称PHM)技术,是在现代复杂设备的高可靠性和高安全性要求下,实现视情维修的一种新的技术理念。PHM技术的研究方向之一就是利用系统状态监测数据中包含的信息,对设备的健康情况和发展趋势进行评估、分析和预测。针对基于状态监测数据的衰退模式挖掘问题,提出了一种P-D-H聚类方法,以实现衰退模式的挖掘。首先,通过分段聚合近似(piecewise aggregate approximation,简称PAA)方法对由状态监测数据形成的退化轨迹时间序列进行模式表示;其次,采用动态时间弯曲距离(dynamic time warping,简称DTW)作为模式序列的相似性度量;最后,采用层次聚类的方法实现衰退模式聚类。用此方法对滚动轴承磨损状态监测数据进行了衰退模式挖掘,验证了方法的有效性。基于复杂系统状态监测数据的模式聚类方法能够有效实现系统健康衰退模式的挖掘,模式挖掘的结果可以为应用状态监测数据进行系统健康的预测奠定良好的基础。