机械设备性能退化评估与预测研究综述

机械设备性能退化评估技术在提高设备的可靠性和利用率、缩短停机维修时间、实现设备主动维护和智能维护方面有着重要的意义,是故障诊断技术的重要组成部分。综述国内外机械设备性能退化评估与预测的理论和方法,将这些方法分为两类,基于物理模型的方法和基于数据驱动的方法,重点论述基于数据驱动的方法及取得的进展,主要包括基于统计理论方法和人工智能方法等,总结比较每种方法的优缺点,并对机械设备性能退化评估与预测技术的发展方向进行展望。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

基于状态加权合成的HMM滚动轴承故障诊断

在故障诊断基本原理的理论基础上,使用具有良好识别和抗噪性能的连续高斯混合密度隐马尔可夫模型(CGHMM)进行建模,针对多样本观察值序列问题,详细地描述了一种新的算法状态加权合成的CGHMM训练算法,并将其应用于轴承故障诊断。试验结果表明,平均训练时间为12.859 s,诊断时间为0.189 s,诊断精度为96%。该方法确实有效可行,具有良好的应用前景。     

机械设备运行故障预测方法综述

介绍了基于设备运行状态的故障预测方法,将基于设备运行状态的故障预测与维护过程归纳为数据获取、数据处理和设备剩余寿命预测三个步骤。从传感器检测的时间间隔和传感器的使用数量等方面阐述了数据的获取方法。归纳介绍了目前国内外常见的数据处理和分析技术。介绍了设备故障诊断、预测和有效寿命预测技术中常见的统计方法、人工智能方法和基于模型的预测方法。     

基于小波相关特征尺度熵的HSMM设备退化状态识别与故障预测方法

隐半马尔可夫模型(HSMM)是隐马尔可夫模型(HMM)的一种扩展模型,是在已定义的HMM结构上加入了时间组成部分,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,与HMM相比具有更好的建模能力和分析能力,而且可以直接用于预测.基于振动信号与语音信号的相似性,将HSMM引入机械设备退化状态识别与故障预测中,提出基于小波相关特征尺度熵(WCFSE)的HSMM设备退化状态识别与故障预测方法.首先将小波相关滤波法与信息熵理论相结合得到能敏感表征故障严重程度的WCFSE向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

基于改进HSMM的设备故障预测方法研究

针对传统隐半马尔科夫模型(HSMM)在故障诊断和预测应用中存在的不足,对传统HSMM做了以下改进:一是将状态持续时间概率分布和监测值概率分布连续化,并假定其服从威布尔分布;二是基于状态开始时间的识别,提出了状态剩余持续时间;三是提出了时变转移概率的概念,给出了各时刻转移概率的计算方法。确立了基于改进HSMM的故障诊断和预测的方法体系,给出了故障诊断判据和设备剩余寿命的计算式。案例研究表明方法是合理有效的。     

基于改进HMM的潜在电子故障状态识别模型

针对复杂电子装备隐性故障难以诊断的难题,在深入分析隐马尔可夫模型的核心问题及基本算法的基础上,探讨了其在故障诊断应用中存在的主要问题,建立了多状态电子装备可靠性评估模型,利用系统可靠性评估结果作为隐马尔可夫模型的初始模型特征量,改进了传统的隐马尔可夫模型,并对Baum-Welch训练算法进行了优化,形成了一套适于复杂电子装备潜在故障状态跟踪识别的数学模型.实验结果显示,理论方法及模型能够更好地识别潜在故障状态,加快了模型训练速度,提高了故障状态识别率.     

基于隐马尔可夫模型的机器状态趋势预测方法

隐马尔可夫模型(HMM)提供了反映机械系统运行状态及故障信息一种新的信号模型,通过HMM问题的求解,可获得反映机器运行状态特征的信号模型,并应用于机器运行趋势进行预测.     

基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

FAULT DIAGNOSIS APPROACH BASED ON HIDDEN MARKOV MODEL AND SUPPORT VECTOR MACHINE

Aiming at solving the problems of machine-learning in fault diagnosis, a diagnosis approach is proposed based on hidden Markov model (HMM) and support vector machine (SVM). HMM usually describes intra-class measure well and is good at dealing with continuous dynamic signals. SVM expresses inter-class difference effectively and has perfect classify ability. This approach is built on the merit of HMM and SVM. Then, the experiment is made in the transmission system of a helicopter. With the features extracted from vibration signals in gearbox, this HMM-SVM based diagnostic approach is trained and used to monitor and diagnose the gearbox's faults. The result shows that this method is better than HMM-based and SVM-based diagnosing methods in higher diagnostic accuracy with small training samples.     

基于HSMM的机械故障演化规律分析建模与预测

状态维修是工程实践中提出的一个主要问题,故障预测(prognostics)是实现状态维修的核心支撑技术。但是目前故障预测技术研究很少涉及故障演化规律分析与建模,这是进行故障预测研究的基础。文中在分析机械故障形成的一般过程、基本特性与演化规律的基础上,根据故障演变过程退化状态和HSMM(hidden semi-Markov model)的状态都是通过表现来感知的特点,利用HSMM对机械故障演化规律进行建模,并提出基于HSMM的机械故障预测方法,最后将其应用到滚动轴承的故障预测中,验证该方法的有效性。     

基于MarkoV模型的分布式监测系统可靠性研究

监测系统作为一种保证复杂系统正常工作与提高其运行可靠性的重要手段被广泛应用。监测可靠度指监测系统能成功地对被控对象进行监测的概率,它是评价监测系统性能的一个重要尺度。以可靠性理论为指导,结合集中分布式监测系统的结构特性,对该类型监测系统的监测可靠性进行深入研究,提出一种基于Markov模型的监测可靠性分析方法。随后,以捏合机监测系统为例进行验证与分析。分析表明该方法对监测系统设计及其维护有一定的应用价值。     

基于非线性时序模型盲辨识的因子隐Markov模型识别方法

基于模型辨识的机械有效故障特征提取方法中输入信号难以确定,以及机械设备运行过程中具有信息量大、非平稳、特征重复再现性差的特点,结合非线性时序模型盲辨识和因子隐Markov模型,提出一种基于非线性时序模型盲辨识的特征提取的因子隐Markov模型识别方法,并应用到旋转机械升降速过程故障诊断中.同时还与基于Fourier变换、小波变换的特征提取的因子隐Markov模型识别方法进行比较,试验结果表明该方法是有效的.     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

基于图论的通用翅片管换热器仿真模型

采用图论中有向图的概念以及图的遍历搜索方法,建立了一套适用于翅片管换热器设计的通用仿真模型。该模型可以对具有任意流路布置(制冷剂流路)的翅片管式换热器稳态性能进行仿真,其中考虑了实际换热器内部通过翅片的导热换热,使仿真过程更接近于实际的换热条件。该模型与试验结果对比,平均换热和压降误差分别小于±5%和±20%,达到工程运用的要求,其运用将对紧凑翅片管换热器的设计优化具有指导意义。     

基于GPS的提取操作模型及其应用规范研究

揭示现代产品几何技术规范(geometrical product specification, GPS)中基于提取方案和提取点数的提取操作模型的构成规律;通过分析提取操作与产品功能特征、结构形状特征以及轮廓谐波成分之间的内在规律,给出面向产品几何特征的数字化设计和计量的基础提取规范;并运用实例阐述该规范在工程实践中的实现方法, 明确提取规范对于实现产品数字化规范设计与计量、丰富并完善ISO及我国现行GPS标准体系是至关重要的.     

机械可靠性试验技术研究现状和展望

相对电子产品可靠性试验而言,机械产品可靠性试验理论问题还处于不成熟的阶段.文中对当前机械可靠性的特点和争议进行介绍,从Bayesian理论、FMECA(failure mode effects and criticality analysis)和疲劳可靠性试验等三个方面总结机械可靠性试验技术相关的重要理论问题及其发展,并阐述可靠性增长试验、加速试验和微机械可靠性试验技术的国内外发展.最后总结机械可靠性试验技术研究存在的问题及其发展趋势.结论指出,只有把宏观上的可靠性统计、试验技术等问题与微观的材料失效机理及其老化过程等问题研究联合起来共同解决,才会更有助于推进机械可靠性技术的发展.