基于監(jiān)測數(shù)據的機械設備剩余壽命預測研究.pdf

1、進入21世紀以后，隨著能源短缺、環(huán)境惡化問題的日益嚴峻，促使機械制造工藝向更高參數(shù)和更大裝置規(guī)模發(fā)展，生產過程大型化、自動化、高參數(shù)運行、高能量儲備的趨勢使得機械產品的安全問題具有前所未有的重要性。機械產品復雜性和不確定性的增加，使其物理模型很難確定，由于其成本高、批量小等特點，傳統(tǒng)的基于大樣本的統(tǒng)計方法并不適合這類機械裝備試驗樣本稀少的特點，如何根據小樣本下的特征數(shù)據進行狀態(tài)評估和壽命預測是具有極大挑戰(zhàn)性課題，相關理論和方法以亟待完善

2、?；跀?shù)據驅動的壽命預測方法為解決這類問題提供了可行的途徑，本文針對現(xiàn)階段機械設備運行維護中的重要科學問題，結合國家機械與制造科學的發(fā)展規(guī)劃，對基于數(shù)據驅動的壽命預測方法中的支持向量機模型和狀態(tài)空間模型進行了研究，本文主要完成了如下幾個方面的工作:
　　第一，對機械設備剩余壽命預測研究方法進行了綜述，將壽命預測方法分為基于物理模型預測的方法，基于統(tǒng)計經驗的預測方法，基于知識的預測方法和基于數(shù)據驅動預測的方法四類，分別對這些方法進行

3、分析，比較各方法的優(yōu)缺點。對機械設備故障預測的基本概念、發(fā)展歷程以及故障預測內容進行了介紹，對故障演化規(guī)律進行了分析，給出了剩余壽命的定義。以上內容為機械設備剩余壽命預測模型的建立奠定了基礎。
　　第二，在支持向量機模型的應用實例中，首先對雙列滾子軸承的振動信號提取RMS值作為退化特征，為減少信號中不規(guī)則特性的影響，同時簡化信號的復雜性，將小波變換和支持向量機模型結合，根據分解后退化數(shù)據特征建立WT-SVM模型，對軸承退化趨勢進行

4、了單步與多步預測。對預測的結果，依據Hazen作圖位置公式，得出了軸承退化預測點的分布，并給出了預測點基于t分布的95％的置信區(qū)間。同時將預測結果與單一SVM模型和神經網絡模型的預測結果進行了對比分析。
　　第三，在狀態(tài)空間模型的應用實例中，測取了銑刀加工過程中的磨損量數(shù)據，采用帶有隨機漂移效應的線性維納過程描述刀具磨損量的變化過程并建立狀態(tài)空間模型，這個模型與粒子濾波算法結合，基于自助法重采樣得出了模型的未知參數(shù)，進而對銑刀的退