基于HSGT的装备健康状态评估技术

提出了基于健康状态-广义测试相关性(health state-general test,简称HSGT)的健康状态评估技术。首先,根据维修要求将故障严重程度划分成多个离散的健康状态,再按测试输出属性,将测试划分为一系列区间值的广义测试,进而结合系统功能与结构等信息,建立系统健康状态-广义测试相关性矩阵;其次,利用贝叶斯理论,建立基于HSGT的健康状态评估推理模型;最后,使用蒙特卡洛方法生成包含8个被测单元(unit under test,简称UUT)的系统,对所提技术的有效性及可行性进行了仿真验证。结果表明,提出的健康状态评估技术能根据系统测试输出结果,及时、准确地推理出系统中各个UUT的健康状态,评估结果能在故障加剧导致的功能失效前有效触发视情维修(condition based maintenance,简称CBM)的维修决策机制。     

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HSMM的故障识别方法研究

机械设备的故障识别方法能提供设备运行状态的实时信息,为避免生产损失和减少设备的致命故障提供保障具有重要意义.提出了一种基于隐半马尔可夫模型(HSMM)的故障识别方法.HSMM在已定义的隐马尔可夫模型的结构上加入高斯概率分布函数来表现各状态的驻留时间,比较符合设备故障发展的规律,具有较强的建模和时序分析能力,适合于复杂动态系统的故障识别问题.本文以滚动轴承为对象,通过小波分解提取滚动轴承振动信号的小波尺度熵,建立信号的特征向量集,然后训练得到各个状态的HSMM模型,最后建立基于HSMM的状态分类器,对滚动轴承的正常及不同的故障状态进行了识别试验,结果表明该方法有效可行.     

基于量化关联模型的滚动轴承故障评估研究

针对滚动轴承故障演化增长过程中的监控问题,对影响故障程度评估的测试源、状态指标与故障程度三者间的关联关系展开了研究,提出了基于量化关联模型的故障程度量化评估方法.使用部署在设备上的多元测点,采集了不同故障严重程度下的数据,计算了不同故障程度下的时频状态指标;建立了多元测点、状态指标与故障程度间的关联模型,分析了多元测点...     

基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用

机械设备从正常到故障往往经历一系列退化状态,正确识别设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。提出了一种基于小波特征尺度熵一隐半马尔可夫模型(HSMM)的设备退化状态识别新方法。通过小波变换提取小波特征尺度熵,然后构造信号的小波特征尺度熵向量,并以此作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。并且以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,实验结果表明该方法能有效的识别设备的退化状态。