矿渣粉磨健康状态识别模型及系统设计

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。     

基于马氏距离与组距估计的复杂系统健康评估

为充分了解复杂系统在工作过程中的健康状态,保证系统安全的运行,依据健康监测参数对系统进行实时健康评估是非常必要的。针对系统健康状态的综合评估问题,提出一种基于距离度量来构建系统健康指数的复杂系统健康评估方法。通过监测多个性能参数的时间序列,利用距离度量来降维,转化为单一的数据来评判系统的健康状态;然后,为了更好地去除时间序列中的扰动,对数据的分布进行研究,以马氏距离与直方图法相结合的办法构建出系统健康指数;最后通过NASA提供的PHM08数据,对所给出的航空发动机的主要监测数据进行健康评估,其结果表明该方法能对复杂系统进行有效的综合健康评估。     

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva （GG）模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络（convolutional neural network, 简称CNN）和双向门控循环单元（bi-directional gated recurrent unit, 简称BIGRU）进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。     

数据驱动故障预测和健康管理综述

着重介绍数据驱动故障预测和健康管理(PHM)方法的研究现状。通过对数据驱动PHM方法的分类阐述,逐步说明面向复杂系统数据驱动PHM的方法体系和流程,并重点对构成数据驱动PHM方法体系的核心环节进行分析和总结。在此基础上,采用一个锂离子电池循环寿命预测实例综合分析了数据驱动PHM的实现过程。最后,分析了数据驱动PHM方法的发展趋势和研究挑战。     

航天发射场供气系统健康管理技术

针对新一代航天发射场采用全新的在线供气模式,难以有效评估单样本设备健康状态的问题,提出一种基于隐马尔可夫的设备健康状态管理与预测方法。首先,利用设备监测数据构建隐马尔可夫健康状态评估模型,通过对不同观测序列与不同观测次数下的预测准确率进行仿真,确定出最优的模型参数;其次,把实时数据代入模型,根据模型的计算结果取最小值,从而判断出设备的健康状态;最后,将当前数据与历史数据进行拟合,预测出系统的安全可靠寿命。经实际检验,该方法有效解决了单样本多状态设备的健康评估。     

故障预测与健康管理技术的应用与发展

近年来,随着航天航空技术的不断发展,关于管理系统的研究也不断深入。故障预测与健康管理(PHM)系统属于目前可用于故障系统预测和管理的有效框架,PHM技术在设备装备维修保障当中的应用价值非常突出。为进一步提高PHM技术的应用效益,本文分析了PHM技术的应用与发展,希望可以为相关从业者提供理论帮助。     

基于PHM技术的测井设备智能管理体系的应用研究

测井设备的智能管理体系具有有效的预警和健康管理机制,能准确地预测故障并进行维修保养提醒.它是一种能够模拟人的自治性神经系统指挥身体运动的智能体系.PHM技术（故障预测与健康管理）已成功地应用多个领域,论文讨论PHM技术应用于测井设备智能维修体系的方法与可行性,详细阐述了评估测井设备健康状态的方法.     

复杂工况下综合传动装置状态监测数据异常检测方法

针对综合传动装置运行过程中,工况变化及装置故障状态引起的数据异常、难以有效区分这一问题,提出了一种适用于复杂工况下综合传动装置状态监测数据异常检测的方法。首先,采用基于密度的聚类方法(DBSCAN)对状态监测数据进行了关联变量聚类,以排除非关联数据对数据重构准确度的干扰;然后,利用深度降噪自编码网络构建了状态监测数据重构模型,获取了对异常数据敏感的偏差特征;最后,利用支持向量数据描述(SVDD)算法构建了正常状态监测数据偏差特征的超球体,完成了复杂工况下对综合传动装置状态监测数据异常的检测;为了验证该方法对综合传动装置状态监测数据异常检测的有效性,以某型综合传动装置为研究对象,在多组综合传动装置漏油实验数据上进行异常检测验证分析。实验结果表明：该方法实现了在综合传动装置不同程度漏油故障条件下对状态监测数据异常进行检测的目的,且其准确度整体高于92%。研究结果表明：该方法可以有效检测出综合传动装置早期异常运行状态,为综合传动装置健康管理与劣化评估奠定基础。     

关于故障预测与健康管理技术的几点认识

介绍了故障预测与健康管理技术(PHM)基本概念与内涵,回顾了国外飞机发动机、固定翼飞机、直升机、航天飞行器、舰船、车辆和轨道交通等设备PHM技术发展历程及发展现状,分析了我国PHM技术的发展现状及存在的问题,预测了未来发展方向和应用领域。梳理了故障预测与健康管理技术体系架构,介绍了故障模型、状态监测、数据处理、综合诊断、健康管理、维修决策和后勤支援信息系统等关键技术,最后给出了我国发展PHM技术的意见和建议。     

基于突变理论设冷水泵转轴功能安全完整性评估

面向核电设备冷却水泵(简称核电设冷水泵)转轴的功能安全评估是减少核电设备安全问题的重要手段之一。针对核电设冷水泵转轴故障突变时功能安全评估问题,提出了一种基于突变理论的核电设冷水泵转轴功能安全完整性评估方法。首先,从核电设冷水泵转轴多传感器监测数据中提取故障特征,故障特征融合结果作为预测参数;其次,采用预测参数构建转轴性能衰退轨迹路径,基于蒙特卡罗方法计算转轴累积失效概率;最后,基于尖点突变理论计算转轴危险失效概率,并评估转轴功能安全完整性等级,并采用核电设冷水泵转轴状态监测数据进行了实验验证。结果表明,当核电设冷水泵转轴存在故障突变时,基于突变理论结合性能衰退状态监测的方法,可以提高核电设冷水泵转轴功能安全完整性评估结果的准确性。     

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。 建立不同工况的刀具磨损监测模型,往 往需要对每组工况调参以保证精度。 为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自 适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。 基于 3 组不同工艺参数 下 TC18 铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会 2010 年高速数控机床刀具健康预测竞赛的开放数 据,深度森林在 3 组工况的预测精度分别为 95. 35% 、96. 63% 和 97. 06% ,在 PHM 数据上为 98. 95% ,验证了深度森林对多工况 下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。     

健康监测技术在机载雷达结构上的应用分析

故障预测与健康管理（Prognostics and Health Management, PHM）技术是一项前沿的复杂工程应用技术,在机载雷达系统上具有迫切的需求和广泛的应用前景。文中首先分析了典型的飞机PHM系统架构;然后,针对机载雷达系统结构特点,提出一种基于故障模式、影响及危害性分析（Failure Mode, Effects & Criticality Analysis, FMECA）的结构健康监测系统构建流程,得到了典型机载雷达系统结构的健康监测系统架构;最后,对PHM技术在某机载雷达大型一维转台上的应用进行了分析,获得了各关键系统的多参量实时数据,为机载雷达系统的结构安全提供早期预警、故障诊断与寿命预测。本研究对结构健康监测技术在机载雷达领域的工程化应用具有指导意义。     

基于函数主元分析的多阶段退化过程建模与预测

退化过程建模与预测作为设备健康管理的基础,是降低运行风险和维护成本的有效途径。为解决实际中退化过程所表现出的随机性、非线性和多阶段复杂性,提出了一种基于函数主元分析的多阶段退化过程自适应建模与预测方法。通过将退化测量值视为连续函数的离散采样值,从而将退化建模问题转换为函数型数据分析问题。在此基础上,利用函数主元分析方法对退化数据进行降维,提取设备退化的共性信息以及个体差异性信息。结合贝叶斯推理,利用在线监测数据更新退化模型参数,实现健康状态的在线实时预测。最后,将所提的方法用于散热风扇的加速寿命试验数据,验证了本方法的有效性。结果表明,所提方法可以地很好建模多阶段的复杂随机退化过程,具有潜在的工程应用价值。     

串口和以太网通信技术在油液在线监测系统中的应用

油液在线监测是设备润滑磨损状态监测技术发展的重要方向,而通信技术在油液在线监测控制系统中有着举足轻重的作用.针对设备润滑磨损监控开发的油液在线监测系统由上位机和下位机组成,采用以太网技术实现上、下位机的通信.上位机实现对被监测润滑油参数的实时显示、趋势分析、数据存储、数据导出、故障报警及诊断等;下位机集磨损、黏度等多种传感器采用PC104实现被监测润滑油数据的采集与处理,并利用嵌入式处理器中的异步通信接口(串口技术)与PC104进行数据交换,从而实现该技术在设备油液在线监测系统中的应用.     

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。     

物联网技术在电厂设备运行监测系统中的应用

当前方法对运行电厂设备进行监测时存在监测运行时间长、聚类效果差和监测效果差的问题,为此提出物联网技术在电厂设备运行监测系统中的应用方法。对电力数据的状态进行评估聚类,生成电厂设备状态信息类别,基于隶属度最大原则生成电力状态信息集;在物联网技术的基础上计算节点间的欧氏距离,并采用横向近似的方法分析电力情况,最终经过对数据点的修正,确认出设备的异常数据点,实现电厂设备运行监测。实验结果表明,所提方法的监测运行时短、聚类效果好、监测效果好,以及监测结果平均误差小。     

基于灰色理论的设备磨损状态辨识参数监测法的研究

灰色理论应用于滑油光谱分析的方法已经成为设备状态监测中油液监测的一种有效的建模手段。对取样时间间隔较长的机械设备磨损进行监测，以便得到设备磨损状态的预测信息。本文提出了基于灰色理论的GM(2，1)模型，对设备磨损状态进行预测和诊断分析，并与以往常用的GM(1，1)模型进行了比较，分析讨论这两种模型应用于设备磨损光谱元素浓度预测的精度，通过实例验证了GM(2，1)模型具有简单、准确和实用的特点。并在此基础上，又提出了应用灰色理论对设备磨损状态进行参数辨识，进而运用参数监测来对设备进行状态监测的方法，可以准确地发现系统的变化，为应用光谱分析法判定系统磨损的状态提供了一种定量的和定性的分析手段。     

基于yolov5在线可视铁谱图像磨粒多目标识别方法研究

鉴于在线图像可视铁谱获取的磨粒谱片图像分辨率低,磨粒种类复杂多变,磨粒图像背景复杂等问题,使得磨粒在线智能识别面临挑战。为了实现在线可视铁谱图像磨粒多目标实时检测与识别,提出基于yolov5在线可视铁谱图像磨粒多目标识别方法。以正常磨损磨粒、疲劳磨损磨粒、滑动磨损磨粒、球形磨粒、氧化磨损磨粒、切削磨损磨粒6种磨粒作为研究对象,基于yolov5深度神经网络模型对复杂油液环境下的异常磨损磨粒进行分割与识别。结果表明：基于yolov5算法的磨粒智能识别模型能够实现复杂环境下多目标、多类型磨粒在线实时识别,其识别速度和准确率基本满足油液在线监测需求,为装备在线图像可视铁谱技术工业化应用提供了技术支撑。