故障预测与健康管理技术在民用领域的应用

随着感知与数据采集技术、机器学习技术的发展,故障预测与健康管理技术在军工、航天、航空领域的应用趋于成熟,在民用领域的应用则还较少.论述了故障预测与健康管理技术在民用领域应用的架构,从基础技术和核心功能实现技术两方面分析了故障预测与健康管理技术在民用领域应用的关键技术,并介绍了民用领域中故障预测与健康管理技术的发展.     

数控设备的故障预测与健康管理技术

为提高数控设备的使用寿命及效率,提出了故障预测与健康管理(PHM)的概念和体系结构,.该方案能够实现数控设备故障的预测和剩余寿命计算.     

工程装备故障预测与健康管理技术研究

为提高工程装备故障维修保障管理水平,研究了工程装备故障发生与预测的特点与分类,构建了工程装备故障预测与健康管理的体系结构,论述了其硬件系统设计和软件系统的开发流程.该系统采用虚拟仪器技术设计,模块化编程实现.论文研究表明,健康管理技术的应用可有效提高装备的维修保障能力.     

CEMS系统故障预诊断技术

CEMS(烟气排放连续监测系统)已广泛应用在环保事业中,文中阐述了CEMS系统的故障预诊断技术,通过系统的各种表征信息,预诊断将出现的问题,确保提前进行处理,保证设备的长期稳定运行。     

基于SOA的工程机械远程智能预诊维护系统研究

针对工程机械结构复杂、分布式作业和维护管理困难等问题,提出了基于面向服务架构(SOA)的工程机械远程健康智能预诊维护系统。该系统以一套设备智能预诊算法模型库SmartAgent为核心模块,通过SOA的异构资源共享等功能来系统地实现工程机械的分布式远程预诊维护。以一个关键机械部件(轴承)的性能衰退预诊为例,采用SmartAgent算法库中基于自组织映射的性能衰退评估模型和基于威布尔失效概率的剩余寿命预测模型,系统地阐述了提出的设备健康远程预诊系统的应用流程,通过基于SOA的服务建立、发布与调用,实现了设备性能衰退的远程监控与预测,并进一步验证了该系统的有效性和工程实用性。     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

潜射导弹发射装置故障预测与健康管理研究

对于目前很多大型武器系统来说,故障预测以及综合健康管理技术方面的研究越来越受到重视。故障诊断预测模块接收异常状态信息并进行判断,将诊断和预测结果供给分析决策模块进行综合诊断并给出结论。阐述了某型潜射导弹发射装置故障预测及健康管理系统的概念和功能结构,阐述了其功能组成模块和关键技术。     

基于MATLAB的变频器散热风机故障诊断系统的开发

风机是矿用隔爆变频器的主要散热部件,工作环境恶劣、故障率很高.利用小波包分析算法提取某大型变频器风机的故障特征向量,并构建了典型故障特征表.在MATLAB平台上用VC软件对其定制,开发出了基于小波包的风机故障诊断系统,该系统能够对风机运行状态进行实时检测和故障诊断.     

基于变分自编码器的轴承健康状态评估

针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明：变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。     

基于共振解调和小波分析方法的轴承故障特征提取研究

首先研究了共振解调和小波分析的基础理论,并结合两者应用于对轴承外圈和滚子的故障特征提取。该方法先从振动信号频谱中判断系统固有高频成分的大致范围,然后利用小波分解取出固有高频信号成分,再利用Hilbert变换做包络检波,最后对包络信号进行傅里叶频谱分析得出故障信号特征频率。对实际轴承故障数据的分析表明,该方法能有效地提取轴承的外圈故障特征,有一定的应用价值。但该方法不能清晰地提取出滚子故障特征,探讨了其内在原因,并提出了可能改进的措施。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数、模极大分形指数熵、Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。最后将本方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,实验结果表明本文中建议的方法在检测时间及检测率上都有显著提高。     

基于小波阈值滤波的轴承故障诊3断

针对软阈值滤波和硬阈值滤波的缺陷，设计出了一个线性和非线性相结合的新的阈值函数。在试验仿真后，将其用于实际的振动信号处理。实践证明，此方法不仅滤除了大量的噪声，而且很好地保留了信号的细节，为提取到清晰的故障特征以及分析故障特征创造了条件。     

民用飞机系统的故障预测与健康管理系统设计

在对民用飞机系统的故障预测与健康管理系统及其重要作用进行论述的基础上,分析了故障预测与健康管理（PHM）、视情维修（CBM）、自主保障（AL）及其相互关系。同时,论述了民用飞机系统的故障预测与健康管理系统的几个主要功能模块。     

深度学习在设备故障预测与健康管理中的应用

在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。     

洗煤设备故障管理与维护刍议

首先概述了洗煤设备故障的类别,其次从异常故障和正常故障等角度分析了故障出现的原因,最后从加强管理以及提高技术管理能力等方面就如何加强对洗煤设备的故障管理和维护进行了探讨,具有一定的现实意义。     

基于系统传递特性的齿轮箱轴承故障诊断研究

以齿轮箱整体为一个系统,利用功率谱估计方法求出齿轮箱系统的传递特性,通过对传递特性的时域功率谱分析,可以有效地解决输入扭矩出现扭振或转速出现波动以及其它外界干扰对故障诊断精度造成影响的问题。     

城轨车辆齿轮箱轴承保持架故障的诊断与对策

介绍了利用共振解调、转速跟踪主动诊断技术识别轴承保持架故障的优越性。通过对保持架破损的机理分析,找出其疲劳断裂的原因,并提出了治理建议。     

基于时频和频谱识别齿轮箱故障

首先对频谱分析方法和时频分析方法的原理进行了简要的介绍,再根据频谱分析与时频分析的特点,依据实验对齿轮箱所设置的3种工况,进行了正常运行下与断齿、外圈断裂故障运行下的三种状态进行了对比,转速为900r/min。结果表明,此方法能够得到比较理想的效果。