基于状态监测数据融合的破碎机辊套剩余寿命预测及再造性研究

发布时间：2020-08-28 21:51

　　由于大型机械装备的特殊工况对其健康管理提出了严峻的挑战,如何准确有效地对关键零部件进行剩余寿命预测及再制造性研究已成了企业关注的焦点。本文就大型机械装备再制造领域中面临的两大难题——如何有效预测剩余寿命及评估其可再制造性,对复杂工况下大型构件基于状态监测数据融合的剩余寿命预测算法及其可再制造性系数评价方法进行了系统的研究。首先,本文对常见的剩余寿命预测方法及再制造现状,还有数据融合算法与SVM数学模型进行了研究,通过分析比较,总结提出了适用于大型构件剩余寿命预测的方法,同时也为健康管理诊断PHM做了奠基。然后,选择大型破碎机辊套为试验研究对象,在PRONOSTIA试验平台上进行加速寿命试验,使用传感器采集得到加速度和温度原始数据信息。通过时域、频域及时频域三维特征分析实现特征获取,选取出最能体现设备健康状态的信号特征,并通过预处理手段消除状态特征的奇异值及趋势项,再用小波技术对原始信号实现降噪。其次,构建预测辊套剩余寿命的数学模型。通过最小二乘和D-S数据融合将加速度信号和温度信号整合构建预测SVM预测模型,先利用数据训练集对预测模型进行训练,再通过网格寻优算法及交叉验证优化模型参数,最后利用优化好的SVM模型完成预测。同时将本文方法的预测结果跟仅利用单个数据源进行预测及其他预测方法的剩余寿命预测结果进行对比验证,并且将辊套在不同工况下进行疲劳试验,结果证明本文所提预测方法的可靠性和算法的正确性。最后,本文针对辊套健康管理中的可再制造性问题进行分析,根据机械设备现行评价其可再制造性的标准设计了更适用评价本文讨论对象的可再制造性系数模型,并确定了模型中各个指数的具体算法。该模型从技术、经济及环境三个维度综合评定辊套的可再制造性,形成了一套完整的评价其可再制造性指数的方法,实例结果表明该方法有效可行。
【学位单位】：江西理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH69
【部分图文】：

示意图,最优分类面,示意图

2.2 支持向量机理论支持向量机（SVM）是由统计学理论发展而来的一种数据挖掘技术，在回归和分类问题上具有优越的表现性能。SVM 起源于二维分类问题的最优分类面，其本质如图2.2 所述。图2.2 最优分类面示意图其中，方块和圈圈表征两类子样，H 代表分类线，平行于H 的两条直线1H 、2H 各自经过离 H 距离最小的样本，、之间的距离大小称作分类间隔。最优分类线不仅可以在零训练错误率下把两类样本准确分离，并要保证分类间距最大。SVM 求解把计算低维空间nR 中的ix 与jx转换成计算高维特征空间F 中的Tx x，将线性不可分问题进行线性化求解。设定样本集 1, | , ,n ni i i i ix y x R y R S X Y ，ix 为输入变量，iy 为对应的预估值

布置图,试验平台,布置图

行试验并收集数据。加速度传感器工作频率为25.6 kHz，采集周期为 10s，一次采集2560 组数据；温度传感器工作频率为 10Hz，采集周期为 10s，一次采集 100 组数据。试验平台布置如图3.1 所示。图3.1 试验平台布置图本文使用 IEEE PHM 2012 Data Challenge 试验数据进行分析说明[140]。本次共进行了4 组试验，每组试验失效一个样件。第一、第二组试验的测试要求为施加径向载荷4000kN 并以1800rpm/min 的转速工作；第三、第四组试验的测试要求为施加径向载荷4200kN，并以1650rpm/min 的转速工作，将最终试验数据整理至表3.1。

序列,原始信号,加速度,温度

特征信号的提取也是基于时间片进行的，通过提取每个时间片上的特征，然后将其组合成一个新的特征序列。本文以辊套 1 为例进行说明，先将整个生命周期内的辊套振动加速度及温度信号绘制成图3.2 所示。图 3.2 加速度和温度原始信号由图可知，其整个生命周期能直观地分成平稳、衰退和失效三个明显的阶段。在平稳阶段中，信号幅值处于较低水平；在衰退阶段中，幅值开始逐渐增大，但增大速度很缓慢；在失效阶段中，幅值剧烈增加，并造成最终失效。为准确评估辊套的健康状态，必须确定一个能有效表征整个生命周期内辊套衰退状况的特征，常见的特征主要有时域、频域及时频域特征三类。3.2.1 时域特征时域特征参量包含有量纲及无量纲参量。正常状态下，有量纲参量会随故障水平的加重而变大，但也会受具体工况的影响。无量纲参量通常由发生失效的概率密度函数决定，跟零件的具

【参考文献】