發(fā)布時間：2017-09-06 14:29

  本文關(guān)鍵詞：基于全矢-AR模型的旋轉(zhuǎn)機械故障趨勢預(yù)測方法研究

  更多相關(guān)文章： 全矢譜技術(shù) AR模型 卡爾曼濾波 故障趨勢預(yù)測 旋轉(zhuǎn)機械

【摘要】：大型旋轉(zhuǎn)機械故障趨勢預(yù)測中,傳統(tǒng)的AR預(yù)測模型是基于單源信息的,事實上,由于轉(zhuǎn)子的渦動特性,同一截面不同方向振動信號的頻譜結(jié)構(gòu)是有差異性的。因此,針對單源信息進行故障趨勢預(yù)測,其結(jié)果具有差異性。為保證預(yù)測結(jié)果的可靠性和唯一性,本文將全矢譜技術(shù)引入到AR預(yù)測模型中,構(gòu)建全矢AR預(yù)測模型。由于AR模型和全矢AR模型具有短期預(yù)測精度高,中長期預(yù)測精度低的特點,將卡爾曼濾波引入到AR模型和全矢AR模型中,通過實例對其有效性進行驗證。本課題的主要成果如下:(1)研究了基于全矢譜的AR模型在大型旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)故障趨勢預(yù)測的應(yīng)用。給出了具體的理論計算公式及故障趨勢預(yù)測流程圖。通過實例分析,驗證了全矢AR預(yù)測模型在轉(zhuǎn)子系統(tǒng)故障趨勢預(yù)測的可行性,有效的保證了故障趨勢預(yù)測結(jié)果的可靠性。(2)研究了基于卡爾曼濾波的AR模型在大型旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)故障趨勢預(yù)測的應(yīng)用。將卡爾曼濾波與AR模型相結(jié)合,提出了一種新的故障趨勢預(yù)測方法——AR-Kalman預(yù)測(ARKF)方法,并給出了具體的理論計算公式及故障趨勢預(yù)測流程圖。通過實例分析,驗證了該方法在提高AR模型線性預(yù)測精度的有效性。(3)研究了基于卡爾曼濾波的全矢AR模型在大型旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)故障趨勢預(yù)測的應(yīng)用。結(jié)合全矢AR模型和卡爾曼濾波各自的特點,分別提出了全矢AR-Kalman預(yù)測(FARKF)模型和全矢AR-Kalman修正(FARKC)模型,并給出了它們的具體理論計算公式及其相應(yīng)的故障趨勢預(yù)測流程圖。通過實例分析,驗證了它們在提高全矢AR模型線性預(yù)測精度的有效性。
【關(guān)鍵詞】：全矢譜技術(shù) AR模型 卡爾曼濾波 故障趨勢預(yù)測 旋轉(zhuǎn)機械
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH165.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-21
• 1.1 課題的來源9
• 1.2 設(shè)備故障預(yù)測的重要意義9-10
• 1.3 旋轉(zhuǎn)機械故障預(yù)測的研究現(xiàn)狀10-15
• 1.3.1 基于數(shù)據(jù)的預(yù)測方法10-13
• 1.3.2 基于模型的預(yù)測方法13-14
• 1.3.3 基于知識的預(yù)測方法14-15
• 1.4 同源信息融合技術(shù)的發(fā)展狀況15-18
• 1.4.1 全息譜( Holospectrum )分析方法15-16
• 1.4.2 全頻譜( Full Spectrum )分析方法16-17
• 1.4.3 全矢譜( Full Vector Spectrum )分析方法17-18
• 1.5 本課題的研究目的和意義18-19
• 1.6 本課題的主要研究內(nèi)容及結(jié)構(gòu)安排19-21
• 1.6.1 主要研究內(nèi)容19
• 1.6.2 結(jié)構(gòu)安排19-21
• 2 預(yù)測模型全矢數(shù)據(jù)融合21-32
• 2.1 引言21
• 2.2 全矢譜理論21-26
• 2.3 全矢譜的數(shù)值計算26-28
• 2.4 試驗驗證28-31
• 2.5 本章小結(jié)31-32
• 3 全矢AR(FVAR)模型故障趨勢預(yù)測32-50
• 3.1 引言32
• 3.2 AR(n)模型的構(gòu)建及試驗分析32-43
• 3.2.1 AR(n)模型結(jié)構(gòu)33
• 3.2.2 數(shù)據(jù)的預(yù)處理33-34
• 3.2.3 階數(shù)選擇34-35
• 3.2.4 參數(shù)估計35-38
• 3.2.5 AR模型預(yù)測遞推公式38-39
• 3.2.6 分析評價指標39-40
• 3.2.7 試驗驗證40-43
• 3.3 全矢AR（FVAR）模型數(shù)值算法43-45
• 3.4 實例驗證45-48
• 3.5 本章小結(jié)48-50
• 4 基于Kalman濾波的全矢AR模型故障趨勢預(yù)測50-61
• 4.1 引言50
• 4.2 Kalman濾波方法及其應(yīng)用50-55
• 4.2.1 Kalman濾波原理50-51
• 4.2.2 Kalman濾波數(shù)值算法51-52
• 4.2.3 AR-Kalman預(yù)測模型52-53
• 4.2.4 試驗驗證53-55
• 4.3 全矢AR- Kalman預(yù)測（FARKF）模型數(shù)值算法55-56
• 4.4 全矢AR- Kalman修正（FARKC）模型數(shù)值算法56-57
• 4.5 實例分析57-59
• 4.6 本章小結(jié)59-61
• 5 結(jié)論與展望61-63
• 5.1 結(jié)論61-62
• 5.2 關(guān)鍵技術(shù)和創(chuàng)新點62
• 5.3 展望62-63
• 參考文獻63-67
• 致謝67-68
• 個人簡歷在校期間發(fā)表的學術(shù)論文及研究成果68-69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王紅軍;徐小力;;支持向量機理論在設(shè)備狀態(tài)趨勢預(yù)測上的應(yīng)用研究[J];蘭州理工大學學報;2005年06期

2 樊碧波;韓捷;張曉冬;;基于全矢譜的旋轉(zhuǎn)機械譜強度預(yù)測技術(shù)研究[J];機械設(shè)計與制造;2010年11期

3 陳瑞華;楊宗偉;;基于時序AR與灰色GM模型的滾動軸承故障診斷研究[J];機械傳動;2009年06期

4 韓捷,石來德;旋轉(zhuǎn)機械的全信息能量譜分析方法研究[J];機械強度;2003年04期

5 韓捷,董辛e，

本文編號：803669