基于连续隐半马尔科夫模型的轴承性能退化评估

发布时间：2017-10-01 00:04

  本文关键词：基于连续隐半马尔科夫模型的轴承性能退化评估

  更多相关文章： 性能退化评估 局部切空间排列 特征融合 连续隐半马尔科夫模型 轴承

【摘要】：随着人们维修观念的转变，传统的定期维修和事后维修向基于状态的视情维修(Condition Based Maintenance，CMB)转换，作为建立合理维修策略的前提，设备的性能退化评估得到了广泛的关注。设备的性能退化评估，，实质是通过分析设备数据，对设备当前的运行状态进行识别并对未来的状态走势进行预测。其中主要的难点有两个，首先在实际工业领域的复杂机械系统或关键部件的状态监测中，为了及时准确了解机组运行状态，往往布置了大量的传感器，所以监测获得的数据是多源的、高维的。应如何从这些复杂的监测数据中提取能反映设备运行状态的有用信息并去除冗余信息，是面临的第一个问题。第二，对于复杂机械系统故障子成龙，积累异常状态变化全过程的数据往往比较困难。这就需要我们能仅根据正常运转数据的有效学习，对监测状态进行预判。 针对以上两个问题文章研究了基于局部切空间排列(Local Tangent Space Alignment,LTSA)的多传感器特征融合方法，并重点对连续隐半马尔科夫模型(Continuous hiddensemi-Markov model, CHSMM)在实际的应用中做出了相应改进后用于轴承性能退化的评价。最后通过仿真实验、模拟轴承外圈故障实验及轴承疲劳寿命实验验证了特征融合和模型的效果。 论文的主要内容包括： (1)探讨轴承性能退化特征的提取过程，包括单传感器频带能量特征的提取和LTSA对多传感器特征的融合。具体涉及了频带数的选择和LTSA中的参数确定问题。 (2)重点研究了HMM的扩展形式——连续隐半马尔科夫模型(Continuous HiddenSemi-Markov Model，CHSMM)应用于设备性能退化评估的形式。针对CHSMM的实际应用做出了改进，对模型的初始化和参数选择方法进行了探讨。建立起轴承退化程度识别的框架。 (3)利用轴承外圈不同故障程度实验及疲劳寿命实验对方法的有效性进行了验证。重点分析了模型对疲劳寿命实验的输出结果，与常见时域指标的对比反映出模型对早期故障的敏感性。
【关键词】：性能退化评估 局部切空间排列 特征融合 连续隐半马尔科夫模型 轴承
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.3;TH165.3
【目录】：

• 摘要5-6
• Abstract6-8
• 目录8-10
• 第一章 绪论10-15
• 1.1 课题研究的背景和意义10-11
• 1.1.1 课题来源10
• 1.1.2 研究意义10-11
• 1.2 设备性能退化评估研究现状11-14
• 1.3 论文的研究内容14-15
• 第二章 基于 LTSA 的退化特征融合方法研究15-29
• 2.1 故障机理分析及特征空间形成15-18
• 2.1.1 轴承结构15-16
• 2.1.2 常见失效形式及振动机理16-17
• 2.1.3 特征空间形成17-18
• 2.2 LTSA 算法实现18-19
• 2.3 LTSA 参数确定19-22
• 2.3.1 本征维数的确定19-20
• 2.3.2 邻域的确定20-22
• 2.4 实验仿真22-24
• 2.5 特征融合的实现24-28
• 2.6 本章小结28-29
• 第三章 HMM 相关理论算法及改进研究29-57
• 3.1 HMM 的基本理论29-40
• 3.1.1 Markov 模型29-30
• 3.1.2 隐 Markov 模型的数学描述30-31
• 3.1.3 HMM 的基本问题31-36
• 3.1.4 HMM 的类型36-38
• 3.1.5 HMM 的扩展形式38-40
• 3.2 CHSMM 的改进40-48
• 3.2.1 算法的重新定义40-43
• 3.2.2 算法下溢问题的处理43-45
• 3.2.3 多组观测值的处理45-46
• 3.2.4 模型参数确定及初始化46-48
• 3.3 基于 CHSMM 的性能退化评估框架48-49
• 3.4 实验仿真49-55
• 3.5 本章小结55-57
• 第四章 CHSMM 在轴承性能退化评估中的应用57-75
• 4.1 轴承外圈故障程度识别57-64
• 4.1.1 试验装置57-58
• 4.1.2 故障信号分析58-61
• 4.1.3 CHSMM 对轴承故障程度的识别61-64
• 4.2 轴承性能退化评估64-74
• 4.2.1 试验装置64-65
• 4.2.2 CHSMM 对轴承性能退化的评估65-69
• 4.2.3 CHSMM 结果验证69-74
• 4.3 本章小结74-75
• 结论与展望75-77
• 1 结论75-76
• 2 展望76-77
• 参考文献77-81
• 攻读博士/硕士学位期间取得的研究成果81-82
• 致谢82-83
• 附录83

【参考文献】

中国期刊全文数据库 前10条

1 胡海峰;安茂春;秦国军;胡茑庆;;基于隐半Markov模型的故障诊断和故障预测方法研究[J];兵工学报;2009年01期

2 彭宇;刘大同;彭喜元;;故障预测与健康管理技术综述[J];电子测量与仪器学报;2010年01期

3 袁熙;李舜酩;;疲劳寿命预测方法的研究现状与发展[J];航空制造技术;2005年12期

4 曾声奎,Michael G.Pecht,吴际;故障预测与健康管理(PHM)技术的现状与发展[J];航空学报;2005年05期

5 奚立峰;黄润青;李兴林;刘中鸿;李杰;;基于神经网络的球轴承剩余寿命预测[J];机械工程学报;2007年10期

6 曾庆虎;邱静;刘冠军;;小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用[J];机械工程学报;2008年11期

7 李静;孙强;李春旺;乔艳江;张忠平;;一种新的多轴疲劳寿命预测方法[J];机械工程学报;2009年09期

8 张小丽;陈雪峰;李兵;何正嘉;;机械重大装备寿命预测综述[J];机械工程学报;2011年11期

9 张宝珍;;国外综合诊断、预测与健康管理技术的发展及应用[J];计算机测量与控制;2008年05期

10 肖宇;于剑;;基于近邻传播算法的半监督聚类[J];软件学报;2008年11期

中国博士学位论文全文数据库 前1条

1 王靖;流形学习的理论与方法研究[D];浙江大学;2006年

中国硕士学位论文全文数据库 前2条

1 赵志宇;基于小波变换的滚动轴承故障诊断系统的研究与开发[D];大连理工大学;2005年

2 朱义;基于CHMM的设备性能退化评估方法研究[D];上海交通大学;2009年

本文编号：951154