多尺度旋轉(zhuǎn)機(jī)械故障趨勢特征提取及預(yù)測方法.pdf

1、旋轉(zhuǎn)機(jī)械作為現(xiàn)代工業(yè)生產(chǎn)中的核心設(shè)備，各種隨機(jī)因素的干擾使其難免會出現(xiàn)不同形式的故障而影響正常工作，并且大量故障的產(chǎn)生有征兆趨勢可尋，具有時間依存性和趨勢可預(yù)知性。通過狀態(tài)監(jiān)測并采用科學(xué)有效的故障趨勢特征提取與預(yù)測方法，能夠為操作人員進(jìn)行預(yù)知性維修實施科學(xué)維護(hù)提供很好的幫助和指導(dǎo)。然而由于機(jī)械系統(tǒng)復(fù)雜和規(guī)模龐大造成了故障征兆信息的不完整性，且海量的狀態(tài)監(jiān)測數(shù)據(jù)具有非線性和非平穩(wěn)性，給故障趨勢特征準(zhǔn)確地提取和故障預(yù)測方法的實時性和有效性帶

2、來了挑戰(zhàn)和研究價值。本文以狀態(tài)監(jiān)測數(shù)據(jù)為研究對象，充分結(jié)合其特點并從形態(tài)特征、模型特征和結(jié)構(gòu)特征三個不同層次，建立基于數(shù)據(jù)驅(qū)動的多尺度故障趨勢特征提取及預(yù)測方法。主要研究內(nèi)容包括：
　?。?）通過融合局部最值和斜率變化幅度的思想，提出了基于分段線性表示提取狀態(tài)趨勢特征的方法(LMMS）。實驗結(jié)果表明該算法能夠從海量繁瑣的數(shù)據(jù)中準(zhǔn)確提取出多尺度趨勢特征、去除噪聲干擾且擬合誤差小，同時獲得了高壓縮率，提取的趨勢模式與知識規(guī)則有助于高效

3、且準(zhǔn)確地分析機(jī)械設(shè)備狀態(tài)趨勢。
　　（2）針對狀態(tài)監(jiān)測數(shù)據(jù)非線性和非平穩(wěn)性的特點，對連續(xù)緩變數(shù)據(jù)建立了一種基于EEMD和ARIMA模型的振動狀態(tài)趨勢預(yù)測方法。通過對比實驗驗證了該混合預(yù)測方法的有效性和適應(yīng)性，能夠預(yù)測出振動狀態(tài)主要變化趨勢且具有較高的預(yù)測精度以及更大的應(yīng)用范圍。
　　（3）在分析轉(zhuǎn)子系統(tǒng)不對中故障的表現(xiàn)形式及其故障機(jī)理的基礎(chǔ)上，建立了單盤轉(zhuǎn)子系統(tǒng)不對中故障的動力學(xué)模型，分析了其振動特征，為進(jìn)一步研究不對中故障

4、的特征頻率成分變化趨勢及其演變規(guī)律提供了理論基礎(chǔ)。
　?。?）對于高頻復(fù)雜數(shù)據(jù)，提出了一種基于 Hilbert-Huang變換的特征頻率成分多尺度趨勢分析方法，探討了特征頻率成分趨勢征兆與故障演化規(guī)律之間的關(guān)系，利用混合時間序列模型預(yù)測未來可能出現(xiàn)的頻率狀態(tài)，并將 Sohre表作為故障診斷的標(biāo)準(zhǔn)，進(jìn)行機(jī)組的實時故障趨勢預(yù)測和診斷。通過對轉(zhuǎn)子系統(tǒng)不對中故障的演變過程進(jìn)行仿真實驗，驗證了該方法應(yīng)用于故障趨勢預(yù)測的可行性和有效性，為研究