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。     

基于模糊综合评判法的风机滤网健康状态评估

通过电气化动车组(Electric Multiple Units, EMU)牵引变压器冷却系统的高温油是利用风机组的强制通风来降低温度的,风机滤网的清洁程度极大地影响了风机组的散热效果。通过分析牵引变压器冷却系统风机滤网的故障预测与健康管理(Prognostics Health Management, PHM)状态监测数据和关联指标,建立风机滤网健康状态评估指标体系;分别使用熵权法和层次分析法求得各评价指标的权重,为了综合熵权法和层次分析法的优点,弥补二者的缺点,采用组合赋权法获得组合权重,然后用组合权重对滤网健康状态进行评估;最后使用某型动车某节车厢牵引变压器2020年度运行下的PHM状态监测数据进行验证。结果表明,该评估方法能较为准确地确定牵引变压器冷却系统风机滤网的健康状态,评估状态符合真实的结果,可以对牵引变压器冷却系统风机滤网的清理提供一定的指导意义。     

基于数字孪生的机电液系统PHM关键技术综述

数字孪生(Digital twin, DT)技术与预测和健康管理(Prognostics and health management, PHM)技术是智能制造领域中的两个热点研究方向。在对PHM技术现状总结分析的基础上,归纳当前制约PHM技术发展和应用的关键性问题如下：设备故障机理研究不透彻、全生命周期数据不完备、健康状态监测方法不足、多层级状态信息综合不足以及不确定性管理问题。并阐述数字孪生技术在解决这些问题过程中的独特优势,提出将基于第一性原理的多维数字孪生模型构建、虚实空间的多维数据映射、孪生体技术状态一致性度量与模型的高效迭代修正以及基于多域特征的系统健康评估、预测与维护决策作为关键技术构建DT-PHM研究架构。随着技术不断推进与发展,两项技术深度融合,基于数字孪生的复杂系统健康管理技术必将成为未来装备全生命周期视情维修和预测性维修的关键技术之一。     

大型风力发电机柔性体叶片动力特性研究

风力机叶片的动力特性会影响整机的性能,鉴于大型风力机叶片的柔性化特点,采用柔性多体动力学方法来研究大型风机叶片更加符合实际.考虑复合材料叶片各向异性的特点,通过ANSYS和ADAMS软件建立了750 kW风机叶片的柔性体模型及风轮的刚柔混合体模型,利用载荷的文档输入法将BLADED计算的风力机载荷生成曲线并加载到风机上,对风轮进行动力学仿真分析.结果得到了风机叶片的动态特性数据,并与刚性体叶片特性进行对比,这将有助于风机整机动态特性的研究,也为大型风机叶片的故障分析、优化设计提供参考.     

故障预测与健康管理技术的应用与发展

近年来,随着航天航空技术的不断发展,关于管理系统的研究也不断深入。故障预测与健康管理(PHM)系统属于目前可用于故障系统预测和管理的有效框架,PHM技术在设备装备维修保障当中的应用价值非常突出。为进一步提高PHM技术的应用效益,本文分析了PHM技术的应用与发展,希望可以为相关从业者提供理论帮助。     

关于故障预测与健康管理技术的几点认识

介绍了故障预测与健康管理技术(PHM)基本概念与内涵,回顾了国外飞机发动机、固定翼飞机、直升机、航天飞行器、舰船、车辆和轨道交通等设备PHM技术发展历程及发展现状,分析了我国PHM技术的发展现状及存在的问题,预测了未来发展方向和应用领域。梳理了故障预测与健康管理技术体系架构,介绍了故障模型、状态监测、数据处理、综合诊断、健康管理、维修决策和后勤支援信息系统等关键技术,最后给出了我国发展PHM技术的意见和建议。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

城轨车辆电子板件衰变检测及健康管理方式探索

对城轨车辆电子板件维护现状进行分析,提出了基于数据驱动健康管理(PHM)的管理体系和方法运用,在前期开展过程中着重进行状态监测和数据收集,结合实际运用的方法进行整理和归纳.对电子板件元器件中使用范围广、故障率高的电解电容、薄膜电阻、MOSFET做了失效机理分析和寿命预测评估.利用数据驱动PHM方法,结合车辆制动系统电源...     

数据驱动故障预测和健康管理综述

着重介绍数据驱动故障预测和健康管理(PHM)方法的研究现状。通过对数据驱动PHM方法的分类阐述,逐步说明面向复杂系统数据驱动PHM的方法体系和流程,并重点对构成数据驱动PHM方法体系的核心环节进行分析和总结。在此基础上,采用一个锂离子电池循环寿命预测实例综合分析了数据驱动PHM的实现过程。最后,分析了数据驱动PHM方法的发展趋势和研究挑战。     

轨道车辆压缩空气质量健康管理系统研究

针对传统轨道交通空气制动系统列车空气管路相对湿度无法准确有效检测及管理的不足,设计了一种基于LabVIEW的车载压缩空气质量健康管理系统,通过与Matlab进行混合编程,可以与列车车辆故障预测与健康管理系统(Prognostic and Health Management,PHM)有效融合,具备列车空气管路相对湿度的趋...