机械传动系统关键零部件故障预测技术研究

发布时间：2020-10-11 17:42

　　 机械传动系统作为国防和国民经济领域广泛应用的一类重要技术装备,其安全性可靠性至关重要。齿轮与轴承等传动系统关键零部件,由于长期连续工作在高载荷、高转速下,容易受到损害和出现故障,其损坏往往会导致传动系统无法运转。研究实用、可靠的传动系统关键零部件故障预测技术,实现主动的故障预测,是预防故障、保持机械传动系统战备完好性的技术基础,其研究意义重大。 论文以“十一五”部委级预研课题“装备动力传动系统状态实时监控与故障预测技术”为背景,针对机械传动系统关键零部件存在故障演化规律分析建模和故障预测方法的不足,系统分析了机械传动系统关键零部件主要故障机理与故障演化规律,对其故障演化规律进行建模分析研究；在此基础上深入研究了小波相关特征尺度熵特征信息提取技术和动力传动系统关键零部件HSMM退化状态识别与故障预测技术。研究成果对于提高机械传动零部件故障预测能力具有重要的参考价值和指导意义。 论文的主要研究内容包括： 1.机械传动系统关键零部件故障机理分析与建模 在系统地分析机械传动系统关键零部件齿轮与轴承的主要故障模式和失效机理及其故障演化规律基础上,利用故障演化过程中退化状态与HMM都是通过观测值来感知其状态的共同特点和HSMM能合理的描述故障演化过程退化状态驻留时间这一特性,建立了故障演化规律HSMM模型,为机械传动系统关键零部件故障预测技术的研究奠定了基础。 2.机械传动系统关键零部件故障预测技术研究 (1)为解决退化状态识别与故障预测的特征信息提取问题,研究了小波相关特征尺度熵特征信息提取技术。特征信息提取直接关系到退化状态识别的准确性和故障预测的可靠性,而噪声是影响特征信息提取的最主要障碍,论文基于小波熵理论的基本思想,引入小波相关滤波降噪方法,并将该方法与Shannon信息熵原理相结合,定义了一种新的小波熵概念一小波相关特征尺度熵,进而提出了一种新的用于状态识别与预测的特征信息提取方法一小波相关特征尺度熵特征信息提取方法。研究表明该方法较一般小波熵特征提取方法更能有效、综合的表征设备运行状态,为设备退化状态识别与故障预测的特征信息提取提供了一种新的有效途径。 (2)为确定设备当前所处的退化状态以及预测设备的剩余使用寿命,研究了机械传动系统关键零部件HSMM退化状态识别与故障预测技术。首先深入研究了HSMM应用于退化状态识别与故障预测时存在如何恰当选择模型初始参数、下溢和模型泛化等问题,提出了一种基于HSMM状态识别与故障预测的模块化训练算法。基于此研究了HSMM在机械传动系统关键零部件退化状态识别与故障预测中的应用方法,通过实例验证了该方法的可行性和有效性。进一步地,为提高状态识别与预测的精度,充分利用多类传感信息,从多源信息融合的角度出发,将KPCA方法引入,进行多通道特征信息融合,基于融合后新的特征信息,研究了基于KPCA-HSMM的退化状态识别与故障预测方法。研究结果表明：该方法可有效融合状态识别与故障预测中的多源信息,提高状态识别与故障预测的可靠度与准确性。 3试验验证 以机械传动系统关键零部件滚动轴承为试验研究对象,在杭州轴承试验研究中心有限公司ABLT-7型轴承试验机上进行了滚动轴承全寿命试验研究,用实测全寿命数据验证了本文所研究方法的可行性和有效性。
【学位单位】：国防科学技术大学
【学位级别】：博士
【学位年份】：2010
【中图分类】：TH165.3
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 文献综述
        1.2.1 PHM技术研究综述
        1.2.2 机械传动系统关键零部件故障预测技术研究综述
    1.3 论文主要研究内容及组成
        1.3.1 论文研究主要问题
        1.3.2 论文研究内容和组织结构
第二章 机械传动关键零部件故障机理分析与建模
    2.1 引言
    2.2 机械传动关键零部件故障机理及故障演化规律分析
        2.2.1 齿轮的主要故障模式和振动机理
        2.2.2 滚动轴承的主要故障模式和振动机理
        2.2.3 动力传动关键部件故障演化规律分析
    2.3 机械传动关键零部件故障演化规律建模
        2.3.1 基于HMM机械传动关键零部件故障演化规律描述模型
        2.3.2 基于HSMM机械传动关键零部件故障预测建模分析方法
    2.4 本章小结
第三章 小波相关特征尺度熵特征信息提取技术研究
    3.1 引言
    3.2 小波相关滤波法的基本理论
        3.2.1 小波相关滤波法对信号进行降噪的基本原理
        3.2.2 小波相关滤波法算法实现
        3.2.3 噪声方差的估计
    3.3 小波相关特征尺度熵特征信息提取方法研究
        3.3.1 Shannon信息熵
        3.3.2 小波相关特征尺度熵定义及计算
        3.3.3 小波相关特征尺度熵特征信息提取步骤
    3.4 小波相关特征尺度熵在设备退化状态识别与故障预测中应用
        3.4.1 应用实例
        3.4.2 与小波特征尺度熵方法比较
    3.5 本章小结
第四章 机械传动关键零部件HSMM退化状态识别与故障预测技术研究
    4.1 引言
    4.2 HSMM基本算法
        4.2.1 前向-后后算法
        4.2.2 参数估计
    4.3 基于HSMM退化状态识别与故障预测模块化训练算法
        4.3.1 基于K-means聚类算法的HSMM模型参数初始化
        4.3.2 数据溢出问题与改进措施
        4.3.3 多观测序列HSMM训练算法的改进
        4.3.4 HSMM状态识别与故障预测模块化训练算法
    4.4 机械传动关键零部件HSMM退化状态识别与故障预测方法
        4.4.1 HSMM退化状态识别与故障预测总体思路
        4.4.2 HSMM退化状态识别模型与方法研究
        4.4.3 HSMM故障预测应用方法研究
    4.5 KPCA-HSMM退化状态识别与故障预测方法研究
        4.5.1 基于KPCA多通道特征信息融合
        4.5.2 基于KPCA-HSMM状态识别与故障预测基本技术思路
        4.5.3 基于KPCA-HSMM退化状态识别方法研究
        4.5.4 基于KPCA-HSMM故障预测方法
    4.6 本章小结
第五章 试验研究
    5.1 引言
    5.2 试验方案设计
        5.2.1 试验平台设计
        5.2.2 试验过程
        5.2.3 试验结果
    5.3 试验分析
        5.3.1 基于小波相关特征尺度熵特征信息提取试验验证与分析
        5.3.2 基于HSMM状态识别与故障预测试验验证与分析
        5.3.3 基于KPCA-HSMM状态识别与故障预测试验验证与分析
    5.4 本章小结
第六章 结论与展望
    6.1 总结与结论
    6.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果

【引证文献】

相关期刊论文 前1条

1 宋彪;王旭;;飞机视情维修的应用现状及发展[J];中国民航大学学报;2012年05期

相关博士学位论文 前4条

1 徐东;球轴承疲劳剩余寿命分析与预测方法研究[D];国防科学技术大学;2011年

2 岳夏;基于HMM的复杂条件故障诊断技术研究[D];华南理工大学;2012年

3 李鹏;多尺度分析方法在旋转机械状态监测中的应用研究[D];中国科学技术大学;2012年

4 董绍江;基于优化支持向量机的空间滚动轴承寿命预测方法研究[D];重庆大学;2012年

相关硕士学位论文 前1条

1 张新鹏;直升机传动链故障诊断与健康管理系统设计及关键技术研究[D];国防科学技术大学;2011年

本文编号：2836907