复杂噪声背景下基于非线性滤波的机械设备故障诊断方法研究

发布时间：2020-09-27 21:27

　　准确及时识别设备运行过程中的故障,对保障机械系统安全运行,减少或避免重大灾难性事故具有非常重要的意义。现代大型复杂机械设备具有规模大、集成度高、运行机理复杂、参数和结构具有不确定性等特点。同时,在诊断中存在的建模误差、噪声扰动、算法复杂度高等因素,导致复杂设备的故障诊断要求高难度大。如何提高复杂机械设备故障诊断的准确性和实时性,是故障诊断领域迫切需要解决的关键难题。论文围绕非线性滤波的故障诊断技术展开研究,重点研究复杂噪声背景下滤波算法的性能优化以及在线诊断的实时性等关键技术。论文的主要创新研究成果如下:1.研究了噪声特性未知时变及噪声相关情况下的粒子滤波算法。通过分析复杂系统中噪声的未知时变特性对系统精度的影响,研究未知时变噪声的粒子滤波算法,通过对噪声统计特性进行实时估计和修正,提高复杂噪声环境下状态估计的准确性;针对粒子退化现象同时考虑噪声的时变特性,研究了重采样优化策略,引入部分重采样和变异操作结合的方法,改善样本质量,并提高采样效率;分析系统噪声和量测噪声的相关性以及对滤波性能的影响,对相关噪声的粒子滤波方法进行了研究,以相关噪声为背景,依据重要性权值条件方差最小化准则,推导噪声相关情况下最优建议分布函数的具体数学表达形式,建立了一种基于相关噪声影响的粒子滤波算法,提高复杂噪声背景下状态估计的准确性。2.研究了复杂噪声情况下的智能优化CRPF算法。针对CRPF算法在解决高非线性和噪声统计特性未知问题中的独特优势,深入分析了CRPF算法的特点和存在的问题,即粒子贫乏问题和在强扰动及时变噪声背景下的状态估计问题。当系统噪声和量测噪声比较大时,依据类权值进行重采样会导致样本多样性的丧失,针对此问题,在重采样步骤之前,引入部分交叉变异的智能优化策略,将优化之后的粒子集依据概率质量函数再进行重采样,增加了粒子多样性,扩展了粒子的后验分布区域;针对强噪声背景下,随着迭代次数的增加状态转移密度协方差的调整能力变差,设计了状态转移密度协方差的自适应调节策略,增加算法对强噪声的适应能力,在复杂噪声情况下提高状态估计的精度。3.研究了强噪声背景下的自适应CRPF故障诊断方法。针对非线性非高斯系统在实际工作环境中受强噪声干扰影响导致的故障诊断精度低的问题,基于本文提出的IOCRPF算法对基于残差的故障诊断方法进行了研究。构建基于IOCRPF算法的故障诊断系统,获取准确的残差信号;同时,依据系统的噪声和不确定性的变化,在统计方法的基础上研究并设计残差判别函数的自适应阈值,通过引入滑动窗求区间均值代替基于参数置信区间自适应阈值的均值和方差,在保证故障诊断准确性的前提下减小计算时间,提高故障决策的准确性。4.针对故障诊断的实时性问题,在CUDA框架下对并行加速的CRPF算法进行研究。在未知、时变等复杂噪声背景下,本文提出了依据噪声自适应滤波的IOCRPF算法,在算法准确性上收到了良好效果,但同时大大增加了算法的复杂度和计算耗时,无法满足在线诊断的实时性要求,针对此问题,研究了CUDA架构下CRPF的并行结构,并针对由于数据关联性不能进行并行重采样的问题,采用分块并行思想对并行结构进行优化设计;进一步为了减少由于分块重采样带来的全局粒子性能退化,将每个Block中概率质量小的粒子采用全局优质粒子进行优化,构建了一种优化分块并行加速的CRPF算法;基于此并行算法设计了基于残差的故障诊断方法,在保障故障诊断准确性的同时,算法的实时性得到了明显提升。5.在CUDA架构中对基于多GPU并行加速的多模型故障诊断方法进行研究。分析了基于并行CRPF算法的多模型故障诊断的过程和特点,针对单GPU并行算法在多模型、多故障诊断过程存在的不足,提出了基于多GPU并行CRPF的多模型并行故障诊断方法,基于优化分块并行加速的CRPF算法,构建了GPU内部、多GPU之间的双层并行模型,大大提高了程序的并行化程度,提高多故障诊断的实时性;针对DFIG电流传感器故障,设计了基于残差的故障检测和隔离策略,并在CUDA环境中对故障诊断的准确性和实时性进行了实验分析,证明该方法不仅可提升诊断的准确性,而且具有优越的加速性能。本论文主要针对复杂噪声环境下机械设备故障诊断的准确性和实时性展开了探索研究,针对粒子滤波算法性能优化、精度的提升以及在线诊断的运行效率等关键问题提出了一些创新性的研究思路,进一步解决了粒子滤波算法在实际应用中为了提高精度所带来的实时性问题,对非线性滤波算法在故障诊断领域的创新性研究有着重要的意义。
【学位单位】：兰州理工大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TH17;TN713
【部分图文】：

跟踪误差,状态估计,平均绝对误差,估计误差

x1和 x2的估计误差，在系统处于正常工作状态时(0~100s)，采用两种方法的状态估计误差都比较小；在 100s 之后系统出现故障时，改进前的 CRPF 方法状态估计误差明显增大，本文方法，在故障出现时，可以通过估计误差对状态转移密度方差进行修正，减小了由于故障的影响产生的状态估计误差，由结果可见，相对改进之前的 CRPF 算法，本文方法大大提高了对故障状态估计的准确性。表 4.2 是x1和 x2的平均绝对误差，表中的数据表明了同样的结果，在两种噪声下，本文方法的状态估计精度均高于改进前的 CRPF 方法，状态估计准确性得到了显著提高。表 4.2 不同噪声背景下1x 、2x 的平均绝对误差状态伽马噪声高斯混合噪声改进前改进后改进前改进后X1 0.0111 0.0082 0.1952 0.0095X2 3.5750 1.7071 4.3659 0.8860

比较图,自适应阈值,故障,故障诊断

图 4.3 高斯混合噪声下两种方法对和的跟踪对比4.6.2 故障诊断性能分析在非高斯噪声环境下对式(4.11)所表示的系统进行故障诊断，分别在两类不同噪声：伽马噪声和高斯混合噪声环境下，采用本文方法和自适应阈值实现故障诊断，对算法性能进行验证。为了进一步进行故障隔离，定义残差如下：，，，。若 r0> rth，则有故障发生，然后分别计算 r1，r2和 r3，如果 ri 0 i=1,2,3( )，说明发生了模态 i 故障。系统工作过程中的运行状态和噪声分布与 4.5.1 相同。图4.4为在两种噪声情况下，改进前的自适应阈值和改进后的自适应阈值对比，比较图中的两组自适应阈值曲线，可以看到阈值的变化趋势和变化范围均非常接1x2x0r y y 正常 1 1r y y 故障2r y y 故障2 3r y y 故障3

【相似文献】