基于全矢-AR模型的旋转机械故障趋势预测方法研究

发布时间：2017-09-06 14:29

  本文关键词：基于全矢-AR模型的旋转机械故障趋势预测方法研究

  更多相关文章： 全矢谱技术 AR模型 卡尔曼滤波 故障趋势预测 旋转机械

【摘要】：大型旋转机械故障趋势预测中,传统的AR预测模型是基于单源信息的,事实上,由于转子的涡动特性,同一截面不同方向振动信号的频谱结构是有差异性的。因此,针对单源信息进行故障趋势预测,其结果具有差异性。为保证预测结果的可靠性和唯一性,本文将全矢谱技术引入到AR预测模型中,构建全矢AR预测模型。由于AR模型和全矢AR模型具有短期预测精度高,中长期预测精度低的特点,将卡尔曼滤波引入到AR模型和全矢AR模型中,通过实例对其有效性进行验证。本课题的主要成果如下:(1)研究了基于全矢谱的AR模型在大型旋转机械转子系统故障趋势预测的应用。给出了具体的理论计算公式及故障趋势预测流程图。通过实例分析,验证了全矢AR预测模型在转子系统故障趋势预测的可行性,有效的保证了故障趋势预测结果的可靠性。(2)研究了基于卡尔曼滤波的AR模型在大型旋转机械转子系统故障趋势预测的应用。将卡尔曼滤波与AR模型相结合,提出了一种新的故障趋势预测方法——AR-Kalman预测(ARKF)方法,并给出了具体的理论计算公式及故障趋势预测流程图。通过实例分析,验证了该方法在提高AR模型线性预测精度的有效性。(3)研究了基于卡尔曼滤波的全矢AR模型在大型旋转机械转子系统故障趋势预测的应用。结合全矢AR模型和卡尔曼滤波各自的特点,分别提出了全矢AR-Kalman预测(FARKF)模型和全矢AR-Kalman修正(FARKC)模型,并给出了它们的具体理论计算公式及其相应的故障趋势预测流程图。通过实例分析,验证了它们在提高全矢AR模型线性预测精度的有效性。
【关键词】：全矢谱技术 AR模型 卡尔曼滤波 故障趋势预测 旋转机械
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-21
• 1.1 课题的来源9
• 1.2 设备故障预测的重要意义9-10
• 1.3 旋转机械故障预测的研究现状10-15
• 1.3.1 基于数据的预测方法10-13
• 1.3.2 基于模型的预测方法13-14
• 1.3.3 基于知识的预测方法14-15
• 1.4 同源信息融合技术的发展状况15-18
• 1.4.1 全息谱( Holospectrum )分析方法15-16
• 1.4.2 全频谱( Full Spectrum )分析方法16-17
• 1.4.3 全矢谱( Full Vector Spectrum )分析方法17-18
• 1.5 本课题的研究目的和意义18-19
• 1.6 本课题的主要研究内容及结构安排19-21
• 1.6.1 主要研究内容19
• 1.6.2 结构安排19-21
• 2 预测模型全矢数据融合21-32
• 2.1 引言21
• 2.2 全矢谱理论21-26
• 2.3 全矢谱的数值计算26-28
• 2.4 试验验证28-31
• 2.5 本章小结31-32
• 3 全矢AR(FVAR)模型故障趋势预测32-50
• 3.1 引言32
• 3.2 AR(n)模型的构建及试验分析32-43
• 3.2.1 AR(n)模型结构33
• 3.2.2 数据的预处理33-34
• 3.2.3 阶数选择34-35
• 3.2.4 参数估计35-38
• 3.2.5 AR模型预测递推公式38-39
• 3.2.6 分析评价指标39-40
• 3.2.7 试验验证40-43
• 3.3 全矢AR（FVAR）模型数值算法43-45
• 3.4 实例验证45-48
• 3.5 本章小结48-50
• 4 基于Kalman滤波的全矢AR模型故障趋势预测50-61
• 4.1 引言50
• 4.2 Kalman滤波方法及其应用50-55
• 4.2.1 Kalman滤波原理50-51
• 4.2.2 Kalman滤波数值算法51-52
• 4.2.3 AR-Kalman预测模型52-53
• 4.2.4 试验验证53-55
• 4.3 全矢AR- Kalman预测（FARKF）模型数值算法55-56
• 4.4 全矢AR- Kalman修正（FARKC）模型数值算法56-57
• 4.5 实例分析57-59
• 4.6 本章小结59-61
• 5 结论与展望61-63
• 5.1 结论61-62
• 5.2 关键技术和创新点62
• 5.3 展望62-63
• 参考文献63-67
• 致谢67-68
• 个人简历在校期间发表的学术论文及研究成果68-69

【参考文献】

中国期刊全文数据库 前10条

1 王红军;徐小力;;支持向量机理论在设备状态趋势预测上的应用研究[J];兰州理工大学学报;2005年06期

2 樊碧波;韩捷;张晓冬;;基于全矢谱的旋转机械谱强度预测技术研究[J];机械设计与制造;2010年11期

3 陈瑞华;杨宗伟;;基于时序AR与灰色GM模型的滚动轴承故障诊断研究[J];机械传动;2009年06期

4 韩捷,石来德;旋转机械的全信息能量谱分析方法研究[J];机械强度;2003年04期

5 韩捷,董辛e，

本文编号：803669