基于离群点检测的产品性能退化评估

产品性能退化评估是产品健康运作和剩余寿命评估的关键步骤,为了实现快速、实时评估,提出一种基于离群点检测的产品性能退化评估方法.首先基于邻域粗糙集理论和功能结构关联性确定性能监测参数之间的相关关系;然后根据性能参数相关关系所包含的知识逐步构建性能监测参数的退化指标;由于产品功能模块的性能状态可能表征于多个性能参数,利用主成分分析法对性能监测参数赋权,综合考虑多个性能参数得到产品功能模块的退化得分;最后,以风力发电机组为例,通过对比分析验证了所提方法的有效性.     

基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测

性能评估及异常检测是风电机组健康状态监测的重要手段。以往风电机组性能评估较少考虑性能监测数据的时序性及多变的运行工况,导致模型评估的准确度低,且未根据整机性能确定与异常相关的功能模块,使得检修成本高。针对上述问题,提出了一种基于长短时记忆—自编码(LSTM-AE)神经网络的风电机组性能评估及异常检测方法。该方法首先采用长短时记忆神经单元与自编码网络构建性能评估模型,以计算用于评估风电机组性能状态异常程度的指标,通过与基于支持向量回归计算的自适应阈值对比,识别性能异常点。然后,利用高斯Copula熵估计不同性能监测参数与该指标的互信息值,来确定关键性能监测参数,并映射至风电机组功能模块。实验结果表明,所提方法能有效处理具有时序特征的性能监测数据,并提高异常检测的准确性。     

数控机床滚珠丝杠副性能退化评估技术

为准确评估滚珠丝杠副性能的退化程度,提出基于量子遗传算法和灰色神经网络的滚珠丝杠副性能退化评估方法。以CINCINNATIV5-3000加工中心的滚珠丝杠副为研究对象,设计了丝杠在线监测系统,利用动态聚类数据处理技术对采集的海量数据进行预处理,提取信号的时域、频域及时频域特征,通过主分量分析方法压缩特征数量,构建了丝杠振动信号特征向量,采用量子遗传算法优化灰色神经网络的初始化参数,将特征向量输入到灰色神经网络进行训练,进而得到丝杠性能退化模型。实践运行结果表明,所建立的丝杠性能退化模型能够有效评估数控机床的丝杠的性能,研究成果具有重要的工业推广价值。     

滚动轴承性能退化的MSET模型及其故障预警

针对滚动轴承在变速变载的恶劣运行工况下极易出现性能退化现象,本文利用多元状态估计技术(Multivariate State Estimation Technique,MSET)构建多特征变量的优势,提出了 一种基于MSET的滚动轴承性能退化及故障预警方法.首先提取滚动轴承振动信号的状态特征,建立健康状态振动信号特征向量间的关联模型;其次通过平均偏离度定量衡量观测向量与估计向量之间的差异,并作为轴承性能退化评估指标;最后结合滑移窗口法(Sliding Window Method,SWM)高效计算平均偏离度,实现在役滚动轴承在线状态监测和性能退化评估.轴承全寿命试验数据分析结果表明,本文所提方法可以及时有效判别轴承健康状态,实现在线故障预警.     

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。     

基于稳健理论的一种精密轴承性能退化评估方法

精密轴承的性能演变过程可以实现轴承性能评估及寿命预测,对精密设备运行的可靠性与安全性有重要意义。针对精密轴承性能演变的未知分布特征,文中基于稳健理论,采用中位数估计与Huber M估计融合方法研究其性能稳健性及置信水平。为有效在线监测精密轴承性能的演变过程,提出了一种基于稳健理论算法的精密轴承性能退化评估方法。首先,对服役期间轴承振动数据进行定时采集,构成评估对象;然后,用中位数估计与Huber M估计融合方法进行稳健数据分析,以中位数与平均值接近的程度为稳健标准,按照Huber M方法分析采集数据的稳健性,获取不同时间阶段轴承性能的稳健数据与显著性水平;最后,根据参数非参数方法特征,获取轴承性能本征区间、变异率、中位数,以及平均值特征构成评估体系,评估精密轴承性能演变的动态过程。实例验证结果表明：该评估体系参数的变化趋势与滚动轴承性能变化趋势保持一致,变异率与轴承性能失效评价标准完全一致,可以很好评估精密轴承性能退化。因此,该方法无需知道性能数据的分布及置信水平,可以很好地评估精密轴承的性能退化。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

一种基于性能退化数据的电子设备缓变故障预报方法

针对电子设备的测试和故障识别提出了一种基于性能退化数据的缓变故障预报方法.重点针对如何体现电子设备功能模块状态与其性能退化数据和故障树之间的内在关系开展建模研究,将难于定量描述的映射关系通过模糊神经网络转化为定性描述的映射关系,结合时间序列分析对性能退化趋势进行评估和判断,为电子设备缓变故障的预报和故障源定位提供了一种便于工程实现的建模方法.以功能模块为基本的故障定位单位,以性能检测数据、可靠性数据、故障树和故障机理等为输入,建立了基于故障树的时间序列神经网络拟合模型,采用时间序列分析对性能退化数据的波动趋势建立分析模型,利用基于故障决策树的模糊神经网络对系统可能故障来源建立判断识别和预报模型,基于非参数密度估计和假设检验方法对预报可信性建立评估模型,从而提高了故障预报的准确性.     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。     

基于贝叶斯推论和自组织映射的轴承性能退化评估方法

为在线识别和评估轴承的动态运行状态,提出一种基于贝叶斯推论和自组织映射的轴承性能退化评估方法。首先运用独立成分分析算法从原始特征集提取表征轴承正常运行的特征集,建立描述轴承健康状态的基准自组织映射模型,进而提出基于负对数似然概率的设备性能量化评估指标和基于贝叶斯推论的失效概率计算方法,在线识别和评估轴承的动态运行状态。通过在轴承全寿命测试床的实验结果表明,与一些传统的特征值指标和基于支持向量数据描述的性能退化评估方法相比,提出的评估指标可有效地量化轴承的全寿命性能退化过程,为进一步制定维护计划提供重要的设备健康信息。