基于机器学习的机电系统部件级PHM技术研究
发布时间：2021-03-27 12:50
预测与健康管理（PHM）技术是基于视情维修的新型维修保障方法,包含故障诊断、故障预测和健康管理等诸多内容,能有效降低设备保障费用。数据驱动的PHM技术是当前研究的热点,机器学习方法在其中的应用更是人们关注的焦点。本文采用机器学习方法对故障诊断和剩余使用寿命预测技术进行研究。首先,探讨了关键部件的数据获取和特征提取方法。针对液压作动筒,使用AMESim软件建模仿真的方法获取进口流量和出口流量数据并完成故障注入,分析和使用小波包能量谱方法提取数据特征;针对剩余使用寿命预测,分析了NASA公开的航空发动机数据集,为本文算法的验证奠定了基础。接着,对基于机器学习的故障诊断方法进行研究。分析和使用BP神经网络模型实现液压作动筒的故障诊断,对比了标准梯度下降法和自适应学习率梯度下降法的差异;研究了SVM方法及其参数寻优方法,提出了基于GA-SVM算法的故障诊断方法,并验证了有效性。然后,重点研究了基于相似性的剩余使用寿命预测框架。首先阐述了三个相似性测度函数;针对多源统计数据,提出了基于PCA和BP神经网络的健康因子构建方法,在此基础上,提出了基于多源统计数据的相似性预测方法的实施步骤;进一步使用...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
液压作动筒模块
表 2.2AMESim 模型参数和故障模式对应表AMESim 软件中模型参数设置项 故障模式Leakage coefficient 泄露故障Total mass being moved 负载过大Angle rod makes with horizontal 活塞杆轴心偏移以泄露故障为例进行分析，设置 4 个不同程度泄露故障，从而验证所建模型的正确性计的液压作动筒初始状态为活塞杆未伸出，当无杆腔中通入高压油后，活塞杆逐渐变出状态，然后保持一小段时间后，再由伸出状态缩回到初始状态。当系统出现泄漏故障杆从伸出到初始状态的过程中，速度明显下降；相应地，活塞杆回到初始态的时间延于油液的泄露，作动筒活塞杆甚至出现难以回到最初状态的现象。从图 2.3 的速度曲.4 的位移曲线可以清楚的地看出以上现象。AMESim 软件提供了批处理功能，可以同时对同一参数设置多个不同的值，通过一次获取多组数据，为数据的获取带来了极大的方便。记作动筒一次完整运行即活塞杆伸为一组运行数据，本文对正常工况、泄露故障、外力突增故障和活塞杆轴心偏移 4 种取 19 组数据。
图 2.4 泄露故障条件下活塞杆位移曲线于小波包能量谱的液压作动筒特征提取波包分解及其能量谱分析技术是特征提取领域十分常用的技术，如傅里叶变换、短时傅里叶变换里叶变换是时域到频域转换的工具，其实质是将波形分解成频率不同的正弦波全局性的变化，能反映整个信号的频谱特性，对平稳信号有较好的效果。但知信号频率随时间的关系，故常将整个信号分解成多个等长的小信号即加窗里叶变换，但是该方法所设置的窗口大小是固定的，过宽或过窄的窗口大小波分解克服了以上问题，具有多分辨分析能力，可以在不同频段下进行时频效分析异常信号的细节特征。分解是利用小波母函数的平移和伸缩实现的。小波母函数是具有快速衰减的且需要满足如下条件：设 (t )在函数空间2L ( R )上是可积的，其傅里叶变换为式的 为一个小波母函数：2( )
【参考文献】：
期刊论文
[1]基于AHM的波音737NG引气系统故障诊断[J]. 张宇. 航空维修与工程. 2018(11)
[2]基于小波包和SOM神经网络的电作动器故障诊断[J]. 田瑶瑶,张惠娟,杨忠,李小明,张辉斌. 应用科技. 2018(01)
[3]一种液压作动筒故障注入及诊断方法的研究[J]. 张辉斌,张惠娟,杨忠,陈爽,田瑶瑶. 应用科技. 2018(04)
[4]F-35战斗机的状态预测与健康管理系统[J]. 秦荀,李三军. 航空维修与工程. 2017(04)
[5]液压系统故障诊断技术研究现状和发展趋势[J]. 刘保杰,杨清文,吴翔. 液压气动与密封. 2016(08)
[6]飞机机电系统PHM技术方案研究[J]. 王景霖,林泽力,郑国,何泳. 计算机测量与控制. 2016(05)
[7]基于AMESim的液压缸位置控制系统的建模与仿真[J]. 徐保强,吴勇,王颖,战立鹏. 煤矿机械. 2015(12)
[8]整体改进的基于支持向量机的故障诊断方法[J]. 焦卫东,林树森. 仪器仪表学报. 2015(08)
[9]国外故障预测与健康管理系统开发平台综述[J]. 刘恩朋,杨占才,靳小波. 测控技术. 2014(09)
[10]Data-driven Prognostics and Remaining Useful Life Estimation for Lithium-ion Battery: A Review[J]. LIU Datong,ZHOU Jianbao,PENG Yu. Instrumentation. 2014(01)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]复杂装备故障预测与健康管理关键技术研究[D]. 李向前.北京理工大学 2014
[3]基于状态监测数据的产品寿命预测与预测维护规划方法研究[D]. 尤明懿.上海交通大学 2012
[4]基于数据驱动的故障诊断模型及算法研究[D]. 吕宁.哈尔滨理工大学 2009
[5]智能故障诊断中的机器学习新理论及其应用研究[D]. 马笑潇.重庆大学 2002
硕士论文
[1]基于性能退化数据的航空发动机剩余寿命预测[D]. 刘帅君.电子科技大学 2015
[2]基于粒子滤波的锂离子电池剩余寿命预测方法研究[D]. 罗悦.哈尔滨工业大学 2012
[3]基于小波分析/AMESim的液压缸泄漏故障诊断的仿真研究[D]. 杨立志.吉林大学 2007
[4]基于数据挖掘技术的轴承寿命预测的研究[D]. 邓士娟.大连海事大学 2006
本文编号：3103541
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
液压作动筒模块
表 2.2AMESim 模型参数和故障模式对应表AMESim 软件中模型参数设置项 故障模式Leakage coefficient 泄露故障Total mass being moved 负载过大Angle rod makes with horizontal 活塞杆轴心偏移以泄露故障为例进行分析，设置 4 个不同程度泄露故障，从而验证所建模型的正确性计的液压作动筒初始状态为活塞杆未伸出，当无杆腔中通入高压油后，活塞杆逐渐变出状态，然后保持一小段时间后，再由伸出状态缩回到初始状态。当系统出现泄漏故障杆从伸出到初始状态的过程中，速度明显下降；相应地，活塞杆回到初始态的时间延于油液的泄露，作动筒活塞杆甚至出现难以回到最初状态的现象。从图 2.3 的速度曲.4 的位移曲线可以清楚的地看出以上现象。AMESim 软件提供了批处理功能，可以同时对同一参数设置多个不同的值，通过一次获取多组数据，为数据的获取带来了极大的方便。记作动筒一次完整运行即活塞杆伸为一组运行数据，本文对正常工况、泄露故障、外力突增故障和活塞杆轴心偏移 4 种取 19 组数据。
图 2.4 泄露故障条件下活塞杆位移曲线于小波包能量谱的液压作动筒特征提取波包分解及其能量谱分析技术是特征提取领域十分常用的技术，如傅里叶变换、短时傅里叶变换里叶变换是时域到频域转换的工具，其实质是将波形分解成频率不同的正弦波全局性的变化，能反映整个信号的频谱特性，对平稳信号有较好的效果。但知信号频率随时间的关系，故常将整个信号分解成多个等长的小信号即加窗里叶变换，但是该方法所设置的窗口大小是固定的，过宽或过窄的窗口大小波分解克服了以上问题，具有多分辨分析能力，可以在不同频段下进行时频效分析异常信号的细节特征。分解是利用小波母函数的平移和伸缩实现的。小波母函数是具有快速衰减的且需要满足如下条件：设 (t )在函数空间2L ( R )上是可积的，其傅里叶变换为式的 为一个小波母函数：2( )
【参考文献】：
期刊论文
[1]基于AHM的波音737NG引气系统故障诊断[J]. 张宇. 航空维修与工程. 2018(11)
[2]基于小波包和SOM神经网络的电作动器故障诊断[J]. 田瑶瑶,张惠娟,杨忠,李小明,张辉斌. 应用科技. 2018(01)
[3]一种液压作动筒故障注入及诊断方法的研究[J]. 张辉斌,张惠娟,杨忠,陈爽,田瑶瑶. 应用科技. 2018(04)
[4]F-35战斗机的状态预测与健康管理系统[J]. 秦荀,李三军. 航空维修与工程. 2017(04)
[5]液压系统故障诊断技术研究现状和发展趋势[J]. 刘保杰,杨清文,吴翔. 液压气动与密封. 2016(08)
[6]飞机机电系统PHM技术方案研究[J]. 王景霖,林泽力,郑国,何泳. 计算机测量与控制. 2016(05)
[7]基于AMESim的液压缸位置控制系统的建模与仿真[J]. 徐保强,吴勇,王颖,战立鹏. 煤矿机械. 2015(12)
[8]整体改进的基于支持向量机的故障诊断方法[J]. 焦卫东,林树森. 仪器仪表学报. 2015(08)
[9]国外故障预测与健康管理系统开发平台综述[J]. 刘恩朋,杨占才,靳小波. 测控技术. 2014(09)
[10]Data-driven Prognostics and Remaining Useful Life Estimation for Lithium-ion Battery: A Review[J]. LIU Datong,ZHOU Jianbao,PENG Yu. Instrumentation. 2014(01)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]复杂装备故障预测与健康管理关键技术研究[D]. 李向前.北京理工大学 2014
[3]基于状态监测数据的产品寿命预测与预测维护规划方法研究[D]. 尤明懿.上海交通大学 2012
[4]基于数据驱动的故障诊断模型及算法研究[D]. 吕宁.哈尔滨理工大学 2009
[5]智能故障诊断中的机器学习新理论及其应用研究[D]. 马笑潇.重庆大学 2002
硕士论文
[1]基于性能退化数据的航空发动机剩余寿命预测[D]. 刘帅君.电子科技大学 2015
[2]基于粒子滤波的锂离子电池剩余寿命预测方法研究[D]. 罗悦.哈尔滨工业大学 2012
[3]基于小波分析/AMESim的液压缸泄漏故障诊断的仿真研究[D]. 杨立志.吉林大学 2007
[4]基于数据挖掘技术的轴承寿命预测的研究[D]. 邓士娟.大连海事大学 2006
本文编号：3103541
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3103541.html
