本文選題：狀態(tài)維修 + 故障模式　； 參考：《江蘇科技大學》2017年碩士論文

【摘要】：狀態(tài)維修(CBM)是一種執(zhí)行方式基于設(shè)備運行狀態(tài)監(jiān)測,利用監(jiān)測的狀態(tài)參數(shù)和各種分析手段判斷設(shè)備狀態(tài),安排適當維修時間和維修方式的維修。本文圍繞狀態(tài)維修的重要組成部分--決策及決策過程進行深入的研究,研究了基于設(shè)備重要度和故障模式特征的維修方式選擇方法、設(shè)備缺陷早期識別模型和缺陷狀態(tài)預知模型,并在此基礎(chǔ)上建立維修決策優(yōu)化模型;通過對這些模型進行計算機仿真和案例研究,驗證了決策過程相關(guān)模型的可行性和有效性。首先,從設(shè)備重要度和故障模式特征兩個角度研究了設(shè)備維修方式的選擇方法。研究了設(shè)備的重要度排序方法,分析了層次分析法以及熵值法的特點和適用條件,提出了兩者相結(jié)合的組合權(quán)重分析方法,利用蒙特卡洛模擬確保了方法的客觀性;研究了設(shè)備故障模式特征的識別方法,提出了一種改進的布谷鳥搜索與最小二乘支持向量機相融合的算法,對設(shè)備故障模式進行準確識別;最后以船舶動力設(shè)備為實例,驗證了基于重要度排序及故障模式特征相結(jié)合的設(shè)備維修方式確定方法。其次,分析了設(shè)備運行階段狀態(tài)的特點,研究了設(shè)備缺陷狀態(tài)早期識別方法。從設(shè)備狀態(tài)劣化的角度考慮,對隱半馬爾可夫模型(HSMM)及需要解決的評估、解碼和學習的三個問題所對應的前向后向算法、Viterbi算法和最大似然估計法進行了研究;在隨機濾波理論的基礎(chǔ)上,針對設(shè)備衰退因子的確定與選擇,提出了一種考慮衰退因子的HSMM模型早期缺陷發(fā)生時刻識別及剩余壽命計算方法,通過仿真驗證了該方法的有效性和可行性。最后,分析了維修行為及維修間隔期的決策及優(yōu)化問題。研究了基于單位時間維修費用最少的維修決策優(yōu)化目標,并給出了求解方法;針對目前維修方式優(yōu)化目標單一的問題,給出了基于設(shè)備可靠性最高及單位時間內(nèi)維修費用最少相融合的多目標決策優(yōu)化,建立了相應的設(shè)備維修決策與目標優(yōu)化模型,通過仿真驗證了該方法的有效性。
[Abstract]:Condition-based maintenance (CBM) is a kind of execution method based on equipment running condition monitoring. The condition parameters of monitoring and various analytical means are used to judge the state of equipment and arrange the proper maintenance time and maintenance mode. In this paper, the decision making and decision process, an important part of state maintenance, is deeply studied, and the method of selecting maintenance mode based on the feature of equipment importance and fault mode is studied. Based on these models, the maintenance decision optimization model is established, and the feasibility and validity of these models are verified by computer simulation and case study. Firstly, the selection method of equipment maintenance mode is studied from the aspects of equipment importance and fault mode characteristics. The importance ranking method of equipment is studied, the characteristics and applicable conditions of AHP and entropy method are analyzed, and a combined weight analysis method combining them is put forward. The objectivity of the method is ensured by Monte Carlo simulation. The recognition method of fault pattern feature of equipment is studied, and an improved algorithm of cuckoo bird search and least square support vector machine is proposed to accurately identify the fault pattern of equipment. Finally, the ship power equipment is taken as an example. The method of determining equipment maintenance mode based on importance ranking and fault mode feature is verified. Secondly, the characteristics of equipment running state are analyzed, and the early identification method of equipment defect state is studied. From the point of view of equipment state deterioration, the forward and backward Viterbi algorithm and the maximum likelihood estimation method for the evaluation, decoding and learning of the hidden semi-Markov model (HSMMM) and the three problems needed to be solved are studied. Based on the theory of random filtering, a method for identifying the occurrence time of early defects and calculating the residual life of HSMM model considering the decay factor is proposed. The effectiveness and feasibility of the method are verified by simulation. Finally, the decision and optimization of maintenance behavior and interval are analyzed. This paper studies the maintenance decision optimization goal based on the minimum maintenance cost per unit time, and gives the solution method, aiming at the problem of the single target of the current maintenance mode optimization. The multi-objective decision optimization based on the combination of the highest reliability of equipment and the least maintenance cost per unit time is presented. The corresponding model of equipment maintenance decision and target optimization is established. The effectiveness of the method is verified by simulation.
【學位授予單位】：江蘇科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TB11

【參考文獻】

相關(guān)期刊論文 前10條

1 李紅芳;;HSMM模型在船舶故障診斷中的研究[J];艦船科學技術(shù);2016年18期

2 劉勤明;李亞琴;呂文元;葉春明;;基于自適應隱式半馬爾可夫模型的設(shè)備健康診斷與壽命預測方法[J];計算機集成制造系統(tǒng);2016年09期

3 任麗娜;王智明;雷春麗;;數(shù)控機床貝葉斯可靠性評估模型的綜合評價方法[J];上海交通大學學報;2016年07期

4 方凱;劉凌云;羅敏;陳志楚;;基于矩估計和假設(shè)檢驗的數(shù)控裝備可靠性分析[J];湖北汽車工業(yè)學院學報;2016年01期

5 王浩偉;徐廷學;劉勇;;基于隨機參數(shù)Gamma過程的剩余壽命預測方法[J];浙江大學學報(工學版);2015年04期

6 張仕新;昝翔;李浩;韓朝帥;;狀態(tài)維修理論及剩余壽命預測的研究現(xiàn)狀與展望[J];兵工自動化;2014年09期

7 賀淼;阮奇;鄭曉桂;黃藝玲;張龍;;自適應布谷鳥搜索算法[J];計算機與應用化學;2014年08期

8 呂文元;鄭睿;;基于時間延遲的維修類型優(yōu)化組合模型及案例分析[J];系統(tǒng)工程理論與實踐;2013年07期

9 鄭洪清;周永權(quán);;一種自適應步長布谷鳥搜索算法[J];計算機工程與應用;2013年10期

10 王寧;孫樹棟;蔡志強;李淑敏;;基于HSMM的兩階段設(shè)備缺陷狀態(tài)識別方法[J];計算機應用研究;2011年12期

相關(guān)博士學位論文 前7條

1 李向前;復雜裝備故障預測與健康管理關(guān)鍵技術(shù)研究[D];北京理工大學;2014年

2 熊堯;面向重型數(shù)控機床的服役可靠性評估方法及增長技術(shù)研究[D];華中科技大學;2013年

3 邵偉;蒙特卡洛方法及在一些統(tǒng)計模型中的應用[D];山東大學;2012年

4 彭穎;基于退化隱式半馬爾科夫模型的設(shè)備健康預測及系統(tǒng)性維護策略研究[D];上海交通大學;2011年

5 呂蓬;旋轉(zhuǎn)機械故障模式識別方法研究[D];華北電力大學（北京）;2010年

6 王英;設(shè)備狀態(tài)維修系統(tǒng)結(jié)構(gòu)與決策模型研究[D];哈爾濱工業(yè)大學;2007年

7 張秀斌;視情維修決策模型及應用研究[D];中國人民解放軍國防科學技術(shù)大學;2003年

相關(guān)碩士學位論文 前3條

1 李俊;基于Petri網(wǎng)的機械系統(tǒng)可靠性分析與故障診斷研究[D];武漢科技大學;2015年

2 李傳濤;基于狀態(tài)預測的設(shè)備管理功能模塊設(shè)計與實現(xiàn)[D];鄭州大學;2011年

3 蔣太立;基于RCM理論的維修決策研究[D];武漢理工大學;2006年

，

本文編號：1955030