基于相对特征的滚动轴承实时健康评估方法研究

旋转机械设备的性能退化状态缺乏量化的评价准则,针对这一问题,构建了一种基于相对特征的滚动轴承实时健康评估模型。首先,基于单调性原则筛选出了相对整流平均值与相对有效值,并将其作为健康指数,再采用模糊C均值聚类方法,构建了一种由数据驱动的滚动轴承实时健康状态评估模型,以及健康状态评价准则的知识库;然后,利用最近邻原则与设计的逻辑判断修正算法,来对待测轴承的健康状态进行实时判别;最后,以辛辛那提大学智能维修系统(IMS)中心第二组轴承实验数据为模型训练数据,选择中国某石化公司加氢裂化装置P3409A离心泵轴承"运转到坏"的振动数据作为待测数据,对构建的健康状态评估模型进行了验证。研究结果表明:该模型能够有效地表征旋转机械设备的实时性能退化状态,实现对其在线实时评估,且仅需要待评定设备正常数据,不依赖外部专家先验知识,因而该模型具有良好的泛化性。     

状态子空间在往复压缩机自动预警方法的研究与应用

往复压缩机现有报警方式单一,多采用"单特征值报警"与"门限报警"的方式,经常导致设备盲目停车而影响生产,无法综合分析设备当前运行状态是否异常并提前预警。针对该问题,提出一种基于状态子空间的往复压缩机自动预警方法。该方法提取设备运行状态信号的特征参数,构造多维特征矩阵,利用核主元分析(kernel principal component analysis,KPCA)方法对多维特征矩阵进行降维,构建状态子空间,计算正常状态和当前状态子空间之间的差异度,并通过故障案例数据自学习得到差异度指标的报警阈值。经实际故障案例验证,该方法能大幅提前往复压缩机典型故障报警时间点,提高在线状态监测系统的故障预警能力。     

基于多元状态估计的电厂设备状态评估和故障预警研究

针对电厂生产环境复杂，设备故障频发且不易及时发现的特点，为了提高机组运行效率和设备健康度，提出了一种基于多元状态估计的电厂设备状态评估和故障预警方法。首先，分析设备状态监测所需的监测参数，根据参数采集历史运行数据，筛选健康运行状态数据，筛选典型运行状态数据构建记忆矩阵；然后，搭建状态评估和故障预警模型，利用健康运行状态数据对模型进行训练得到成熟模型，利用成熟模型即可对设备实时运行状态进行健康度评估和故障预警。本文以某燃气发电厂燃气轮机为对象开展研究论证，结果表明，该方法能准确地评估设备运行状态，提早发现设备故障，有效实现设备故障早期预警。     

压缩机组在状态监测系统下动静碰磨故障诊断探究

离心压缩机是石油化工、制冷等行业中最为关键的设备之一,成本高,运行要求极为严格,并且检修技术难度大,为了精准定位故障,实时掌握设备健康状态,以及降低维护成本。本文基于在线监测系统针对某石化循环氢离心压缩机试机过程当中出现的异常情况,依据碰磨故障诊断机理及故障特征,精准分析出压缩机出现轴瓦磨损故障,及时指导设备检修人员进行检维修,避免盲目拆检,保障了全厂顺利开工生产。     

基于Logistic回归模型的机械状态健康评估研究

在设备运行过程中,旋转机械的状态会由于零件老化、磨损而逐渐退化,降低了设备运行的可靠性,增加了设备故障发生的可能。应用Logistic回归模型算法分析设备运行状态与历史数据概率分布之间的关系,用设备当前数据与设备历史状态数据之间的差异相似性来评估旋转机械设备状态的健康程度。实验结果表明,Logistic回归模型作为机械状态健康评估的方法简单,效果直观,并且故障区分明显。     

状态维修机械设备的可靠性和检测更换策略

大多数机械设备有三种运行状态:正常状态、异常状态和故障状态。设备被检测诊断为异常后进行状态维修,而设备故障后进行故障维修。假设状态维修能修复如新,故障维修修复非新。引进单调随机过程描述故障维修修复非新的情况。在状态维修能修复如新故障维修修复非新等假设下,利用概率分析和矢量Markov过程方法研究了状态维修机械设备的可靠性和检测更换策略,导出了设备的可靠性指标与稳态收益率的明显表达式,以及最优检测更换策略的可行性判别准则,最优检测更换策略可用解析方法或数值方法求得。实例研究表明,研究结果可为提高机械设备可靠性、安全性和经济效益提供科学的参考依据。     

基于变径边界样本界面检测器的异常度检测方法

针对机械设备缺少故障样本时如何高效检测其异常度问题,在分析训练样本的分布情况以及其在自己空间边界状态的基础上,优化训练样本半径,提出一种变径边界样本界面检测器。利用变径边界样本界面检测器异常检测方法分析了轴承状态数据,不仅能反映出轴承的各种故障状态,而且能通过异常度函数反映出故障的轻重程度。变径边界样本界面检测器的设备异常度检测方法,是在学习设备正常运行数据的基础上,优化训练样本半径,利用边界样本及其方位信息,构建界面检测器,对设备的运行状态进行检测。变径边界样本界面检测器在构建过程中不需要使用设备的故障数据,适用于对缺少故障数据的机械设备进行异常状态检测。     

基于虚拟仪器的往复压缩机小波分析系统

利用虚拟仪器技术开发机械设备状态监测与故障诊断系统,是机械故障诊断领域中的研究热点。以LabVIEW软件为开发环境,开发了往复压缩机振动信号多层小波分析系统,系统可对振动信号进行多层小波分解和重构。通过对故障状态与正常工作状态下的振动信号的对比分析,能实时发现运行中的压缩机所存在的故障。该研究方法能够为压缩机的检测提供一种新的切实可行的方案。     

支持向量数据描述用于机械设备状态评估研究

本文提出了对机械设备运行状态进行评估的新方法———支持向量数据描述方法。该方法应用在机械故障诊断和状态监测中,仅仅依靠正常运行时的数据信号,而不需要故障数据,就可以监测机器的运行状态。给出了机组运行状态优劣的定量指标,从而为设备管理和预知维修提供科学的决策依据。将该方法应用于某炼油厂关键设备的运行状态评估中,及时、正确地评价出设备状态异常,为成功诊断出螺栓裂纹的早期故障提供帮助。     

轴流压缩机基于风险和状态的维修

轴流式压缩机在炼化行业应用广泛,其运行属高风险过程,研究集安全与经济为一体的维修方法十分必要。研究状态监测技术和以可靠性为中心的维修相结合的维修决策方法,对轴流压缩机进行故障特征信号分析、故障预警、剩余寿命预测及风险等级确定,实现了轴流压缩机基于风险和状态的维修。实践证明:轴流压缩机基于风险和状态的维修决策能够制定最佳的维修计划和维修任务,预知隐患和故障;降低设备的故障频率和故障后果影响;提高设备的可靠性和安全性。     

Model to evaluate the state of mechanical equipment based on health value

This paper is aimed at the system evaluation problem of mechanical equipment caused by various factors including the multiplicity of structure, close relevancy, and complex operating environment. From functional hierarchy viewpoint of mechanical equipment, a quantitative evaluation model for mechanical equipment state is developed on the basis of fuzzy set synthesis evaluation and analytic hierarchy process (AHP). Considering the concept of human health and the equipment running parameters such as reliability, maintenance, and technical performance, the mechanical equipment health state and its evaluation hierarchy model are discussed. The health value is employed to quantitatively describe the running state degree of mechanical equipment. The weighted vectors of all evaluation hierarchies are discussed by using the AHP method with experiences of expert. Applied fuzzy set evaluation theory, a type of subordinate function of positive and negative indicators, is presented, and evaluation matrix is discussed as well as fuzzy transformation algorithm operators. The valuation model for mechanical equipment's multi feature parameters health state based on fuzzy AHP can be developed. The health value of subsystems can be obtained by the means of “from bottom to top”. Therefore, health value database of whole mechanical equipment can be established. Based on the database, the health state of mechanical equipment is explicit, which provides us with theoretical guide for seeking further optimization maintenance strategy. Finally, a health state evaluation of rotary kiln used in cement industry is taken as an example to verify the validity and feasibility of the proposed model.     

XLPE电力电缆健康度的模糊灰色综合评价方法

XLPE电力电缆凭借其优良的电气性能,在高压电网中得到广泛应用。以XLPE电力电缆作为研究对象,通过预防性试验、在线监测、运行检修记录等方式获取其特征参量,构建合理的状态评价指标体系。对各项指标权重采用AHP法进行分析,并基于模糊灰色综合评判理论,建立XLPE电力电缆的健康评价模型,对其健康度进行评价。以某电网实际运行的110kV XLPE电力电缆为例进行计算,其综合评价结果与设备实际状态一致,验证了本文所建立模型和方法的正确性与合理性。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

基于层次聚类的状态监测数据衰退模式挖掘

故障预测与健康管理(prognostics and health management,简称PHM)技术,是在现代复杂设备的高可靠性和高安全性要求下,实现视情维修的一种新的技术理念。PHM技术的研究方向之一就是利用系统状态监测数据中包含的信息,对设备的健康情况和发展趋势进行评估、分析和预测。针对基于状态监测数据的衰退模式挖掘问题,提出了一种P-D-H聚类方法,以实现衰退模式的挖掘。首先,通过分段聚合近似(piecewise aggregate approximation,简称PAA)方法对由状态监测数据形成的退化轨迹时间序列进行模式表示;其次,采用动态时间弯曲距离(dynamic time warping,简称DTW)作为模式序列的相似性度量;最后,采用层次聚类的方法实现衰退模式聚类。用此方法对滚动轴承磨损状态监测数据进行了衰退模式挖掘,验证了方法的有效性。基于复杂系统状态监测数据的模式聚类方法能够有效实现系统健康衰退模式的挖掘,模式挖掘的结果可以为应用状态监测数据进行系统健康的预测奠定良好的基础。     

基于脆弱性的制造设备故障智能诊断与维护

制造设备故障智能诊断与维护是保障制造系统安全运行的重要手段。为准确地诊断制造设备的健康状态、识别设备故障的关键因素，建立高效的健康维护系统，提出了基于脆弱性的设备故障智能诊断与维护方法。该方法将考虑脆弱性的设备故障智能诊断与维修决策模块嵌入到设备的过程控制系统（Process control system，PCS）中，它基于系统脆弱性的定义和性能劣化理论建立了设备脆弱性评估模型实时判断设备的脆弱状态，利用非线性核映射方法实时监测制造设备的运行参数是否超出预设边界，建立设备参数的高斯核函数模型准确识别故障的关键因素，将设备的脆弱性状态与维护模式相结合建立维修决策模型避免维修过度和维修不足。以某机器人的伺服系统为例，证实了所提方法能有效提高故障诊断效率、智能化诊断故障因素，优化设备维修决策。     

基于变分自编码器的轴承健康状态评估

针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题，提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布，实现对轴承运行健康状态的定量评估。首先，对基于VAE的健康状态评估模型进行理论阐述；其次，建立基于变分证据下界的状态评估指标；最后，通过对比实验证明：变分自编码器在处理轴承运行状态评估方面具有良好的准确度，对异常状态更为敏感；无需人为提取特征和复杂的参数设置，不需对特定的系统进行针对性的参数设置和调校；在小容量训练数据集上仍具备良好的鲁棒性，在工程应用上具有一定的推广价值。     

设备磨损智能评价技术在石化大机组的应用

为提高石化转动设备磨损故障诊断自动化及智能化程度,探讨基于石化转动设备磨损监测信息挖掘技术的磨损智能分析与评价技术在乙烯压缩机运维中的应用。通过磨损智能分析与评价技术对机组运行状态的全面监测与评价,结果表明,磨损智能分析与评价技术能够准确反映设备磨损及润滑状态的劣化趋势,对机组的油品在线置换升级、机组运行工况调整、油品净化等主动性维护提供了及时准确的技术支持,保障了设备的长周期稳定运行。     

自适应带宽核密度估计在旋转机械劣质监测数据识别中的应用

运行环境异常、人为因素干扰及采集设备故障等问题可能导致旋转机械监测数据中出现与设备健康状态无关的异常值或缺失数据，造成机械健康状态误判及维护策略制定不当等问题，为此，提出了一种基于自适应带宽核密度估计的劣质监测数据识别方法。通过对采集数据进行频域积分从而将零点漂移与局部噪声“冲击化”，计算积分后的峭度指标；采用局部均值误差进行高斯核带宽自适应选择，获得峭度指标的概率密度函数，并将95%置信区间的边界作为劣质数据识别阈值。通过车桥耐久监测全寿命数据对提取方法进行验证，结果表明，相比于固定带宽以及基于四叉树分割算法的核密度估计方法，所提方法对劣质监测数据具有较好的识别效果。     

数据驱动的风电齿轮箱油液监测磨损度量化及其参数权重研究

机械设备磨损状态的评价参数具有多元化、阶段性及动态性的特点，决策往往取决于技术人员的经验。通过油液监测判断机械设备健康状态时，参数多难以凭主观选择，以致磨损状态的准确界定一直是瓶颈。为此，以风电齿轮箱为对象，研究其颗粒信息、污染度及油品信息对磨损状态的影响，在根据磨粒种类的危害程度初步量化磨损度的基础上，对监测数据降噪后，通过支持向量机获取指标的显著性系数，进而算得参数权重，确定的关键参数为磨损颗粒数量、铁磁性颗粒质量分数、平均颗粒尺寸，简化了磨损度的指标，能提高风电齿轮箱的故障诊断效率。     

[数字孪生驱动的智能制造]数字孪生与深度学习融合驱动的采煤机健康状态预测

针对处于恶劣工作环境的采煤机状态预测与维护困难的问题，结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力，提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体，通过在虚拟空间的可视化展示与分析实现健康状态预判；建立基于深度学习的采煤机关键零件剩余寿命预测模型，实现实时监测数据驱动下的零件剩余寿命的在线预测；综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性，为采煤机健康状态预测与管理提供新思路。