【摘要】：制造業(yè)是國家發(fā)展的基礎,隨著相關領域技術的快速發(fā)展,機械設備和生產(chǎn)系統(tǒng)變得越來越智能化,對設備和生產(chǎn)系統(tǒng)的可靠性要求也越來越高。預診技術可以提前提供機械設備健康信息,是保證機械設備高效、可靠運行的關鍵技術。因此,研究預診技術,特別地,針對多維特征融合的預診方法進行研究,以達到在故障發(fā)生前進行預測和預防的目的,并根據(jù)預診結果采用先進的智能維護方法對設備和生產(chǎn)系統(tǒng)進行維護,對于實現(xiàn)設備的近零故障運行,具有重要的科學理論意義和工程應用價值。本文針對基于多維特征融合的設備預診以及維護決策方法的關鍵技術進行了研究,主要包括以下幾個方面。提出在預診過程中綜合考慮時域特征、頻域特征與時頻特征組成的多維聯(lián)合特征,通過各類特征之間信息的相互補充,實現(xiàn)對預診準確性的提升。所形成的聯(lián)合特征通常維數(shù)較高,且存在信息冗余,因此需要針對特征降維方法進行研究。在研究上述多維特征提取方法的基礎上,提出了基于改進的動態(tài)遺傳算法的特征選擇方法,通過改變?nèi)旧w長度和實時改變的動態(tài)搜索策略獲得候選特征,實現(xiàn)對多維聯(lián)合特征的選擇;采用主成分分析法對選擇后的特征進行融合,從而實現(xiàn)聯(lián)合特征的降維。提出了基于支持向量機的設備性能評價方法,設計了階段式的性能評價方案,利用降維后的聯(lián)合特征,對設備進行預診。以轉(zhuǎn)子早期不平衡的識別問題為例,對預診問題進行了分析。搭建了轉(zhuǎn)子不平衡實驗系統(tǒng),設計了轉(zhuǎn)子不平衡實驗,采集了無故障狀態(tài)以及另外三種不同程度的不平衡狀態(tài)下的振動和位移信號,并進行了頻域特征以及時頻特征的提取。通過對轉(zhuǎn)子軸心軌跡的形狀特性分析對其進行了時域特征提取,采用小波變換以及小波包變換的方法對轉(zhuǎn)子振動信號的時頻特征進行了提取,從而構建了多維聯(lián)合特征。利用上述改進的基于動態(tài)遺傳算法的特征選擇和基于PCA的特征融合方法對多維聯(lián)合特征進行降維,再將降維后的聯(lián)合特征用于基于SVM的轉(zhuǎn)子不平衡預診過程。為了解決傳統(tǒng)預診方法中特征提取和特征選擇可能帶來的有效信息丟失問題,本文提出了基于深度學習模型的智能預診方法。并在上述轉(zhuǎn)子不平衡實驗系統(tǒng)上進行了實驗驗證。首先將轉(zhuǎn)子在上述四種狀態(tài)下的結構化數(shù)據(jù),即振動信號數(shù)據(jù)、非結構化數(shù)據(jù),即軸心軌跡圖片所組成的轉(zhuǎn)子不平衡多源異構數(shù)據(jù),進行了數(shù)據(jù)結構化預處理。再將結構化了的數(shù)據(jù)作為深度學習模型的輸入。通過對深度學習模型的訓練,建立了從含有全部原始信號信息的數(shù)據(jù)到設備性能之間的非線性映射關系。實驗結果表明,基于深度學習模型的智能預診方法具有較好的準確性,為工業(yè)大數(shù)據(jù)環(huán)境下的設備預診研究提供了支撐。以設備預診結果為依據(jù),提出了基于智能算法的設備維護決策方法。首先研究了單臺設備的維護策略,對維護活動類型及其與設備性能狀態(tài)的關系進行了闡述。然后進行了針對多機系統(tǒng)維護決策方法的研究,建立了設備結構依賴性模型和維護成本模型,將機會維護的思想運用于系統(tǒng)維護時機決策,將成組技術引入維護決策環(huán)節(jié),解決了系統(tǒng)何時進行維護、每次維護活動都有哪些設備需要進行何種類型的維護的問題,縮小了維護調(diào)度問題的規(guī)模、提高維護效率,進而達到降低維護成本的目的。最后利用混合遺傳算法對待維護單元進行了調(diào)度,并在實際車間模型中進行了應用,提高了維護效率。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TH17
【圖文】：

圖 2-1 特征選擇方案結構框圖Fig. 2-1 Diagram of the scheme of feature selection構的設計 為遍歷所有特征子集，需要對染出如下特征表示解決方案。給定一組 N 維特化，如圖 2-2 所示�？� P-染色體中的一個特方案中有三個關系：(1)所有特征候選者必須子集的維度隨著迭代次數(shù)而增大；(3)從 1 到F……1F2F3FM-1FM……1 1 ……0 1 ……擇特征#1 待選擇特征#3 待選擇特

2( )C d (2-3)則稱 (t )為小波母函數(shù)，小波基函數(shù),{ ( )}a b t由小波母函數(shù) (t )經(jīng)過平移縮放等變換得到：1/2,( ) ( )a bt bt aa (2-4)式中 a——為伸縮參數(shù)， a 0；b——為平移參數(shù)， b R。如圖 2-3 所示，圖中上方的連續(xù)曲線表示信號，下方的帶窗曲線為小波基函數(shù)，a 和 b 可以改變函數(shù) (t )的形狀，表征特定基函數(shù)的尺度；b 可以改變函數(shù) (t )沿時間軸移動的位置。小波基函數(shù),{ ( )}a b t構成了2L ( R )空間上的正交函數(shù)族，系數(shù)1/2a 為歸一化常數(shù)，它能夠保證函數(shù) (t )經(jīng)過伸縮以及位置變換后的能量保持不變，即：,( ) = ( )a b t t(2-5)

軸心軌跡的合成示意圖

【參考文獻】

相關期刊論文 前10條

1 雷亞國;賈峰;周昕;林京;;基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機械工程學報;2015年21期

2 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎研究“何去何從”[J];機械工程學報;2013年01期

3 徐小力;蔣章雷;任彬;陳濤;;基于Birgé-Massart閾值的煙氣發(fā)電機組狀態(tài)特征弱信息提取方法[J];機械工程學報;2012年12期

4 廖雯竹;俞秉昊;潘爾順;王瑩;;基于設備預診斷的單機預知性維護模型研究[J];工業(yè)工程與管理;2011年05期

5 馬潔;徐小力;周東華;;旋轉(zhuǎn)機械的故障預測方法綜述[J];自動化儀表;2011年08期

6 蔣云鵬;陳茂銀;周東華;;兩階段退化單部件系統(tǒng)的視情維護和備件供給策略建模[J];南京航空航天大學學報;2011年S1期

7 王帥;賈云獻;孫磊;;基于狀態(tài)維修決策分析系統(tǒng)開發(fā)研究[J];計算機工程與設計;2011年01期

8 錢坪;;預防性維修周期的優(yōu)化建模[J];火力與指揮控制;2010年11期

9 李兵;陳雪峰;何正嘉;;工字截面梁軌結構裂紋損傷的小波有限元定量診斷[J];機械工程學報;2010年20期

10 劉述芳;徐永能;陳城輝;傅曉莉;;軌道交通車輛維修周期優(yōu)化模型[J];四川兵工學報;2010年06期

相關博士學位論文 前6條

1 李永波;滾動軸承故障特征提取與早期診斷方法研究[D];哈爾濱工業(yè)大學;2017年

2 武哲;旋轉(zhuǎn)機械故障診斷與預測方法及其應用研究[D];北京交通大學;2016年

3 呂中亮;基于變分模態(tài)分解與優(yōu)化多核支持向量機的旋轉(zhuǎn)機械早期故障診斷方法研究[D];重慶大學;2016年

4 廖雯竹;基于設備衰退機制的預知性維護策略及生產(chǎn)排程集成研究[D];上海交通大學;2011年

5 王正英;面向設備管理的機電設備狀態(tài)監(jiān)測與故障診斷技術研究[D];天津大學;2007年

6 周曉軍;生產(chǎn)系統(tǒng)智能維護決策及優(yōu)化技術研究[D];上海交通大學;2006年

相關碩士學位論文 前3條

1 謝吉朋;云平臺下基于深度學習的高速列車走行部故障診斷技術研究[D];西南交通大學;2015年

2 化定國;面向產(chǎn)品再利用的智能維護決策方法研究[D];哈爾濱工業(yè)大學;2011年

3 李萬召;非平穩(wěn)信號特征提取及基于SVM的設備性能評價方法研究[D];哈爾濱工業(yè)大學;2008年

本文編號：2748186