故障診斷與預測使用大量信息數(shù)據(jù),需要采用推斷統(tǒng)計、神經(jīng)網(wǎng)絡等研究方法,對測試數(shù)據(jù)進行分析和預測,從而評估設備健康狀況,在故障發(fā)生前對指標進行預測和采取預防舉措,最大限度保證電子設備健康工作。本文提出了基于LSTM(長短時記憶網(wǎng)絡)算法的電子設備部件故障預測模型,針對時序型數(shù)據(jù)對軸承運行狀態(tài)進行分析和預測。 

【文章來源】：電子測試. 2020年10期

【文章頁數(shù)】：2 頁

【部分圖文】：

多次采樣溫差電偶信號峰值趨勢圖

根據(jù)圖像可見,參數(shù)的峰值特征具有一定漸變趨勢,故障大概發(fā)生至第2000次采樣之后,故障發(fā)生前峰值基本呈現(xiàn)下凸上升趨勢,故障發(fā)生后峰值略微下降又再次上升,但是總體來看,特征的漸變趨勢不是太明顯。以能量特征為例,分析參數(shù)的頻譜變化如下:根據(jù)圖像分析,參數(shù)的頻譜能量具有較為明顯的漸變趨勢,大致分為四個階段:第一階段,采樣次數(shù)在大概0-1300次之間,能量處于平穩(wěn)狀態(tài),上下波動不明顯,軸承處于正常工作狀態(tài);第二階段,采樣次數(shù)達到大概1300-1750次之間,能量顯示出明顯上升趨勢,并逐步達到峰值,此時軸承處于早期失效狀態(tài),主要是由于時間積累造成內(nèi)部結(jié)構發(fā)生失效點(疲勞裂紋點);第三階段,采樣次數(shù)在大概1750-2100之間,能量由峰值開始下降,但仍處于較高水平,此時軸承處于即將失效狀態(tài),主要是因為失效點逐漸累積發(fā)展為面,測試點的能量產(chǎn)生擴散;第四階段是采樣大概2100次之后的狀態(tài),即軸承處于完全失效狀態(tài)。根據(jù)對溫差電偶頻譜能量值的數(shù)據(jù)分析,可以得出軸承的老化趨勢,進而使用LSTM網(wǎng)絡進行數(shù)據(jù)擬合如下:

根據(jù)圖像分析,參數(shù)的頻譜能量具有較為明顯的漸變趨勢,大致分為四個階段:第一階段,采樣次數(shù)在大概0-1300次之間,能量處于平穩(wěn)狀態(tài),上下波動不明顯,軸承處于正常工作狀態(tài);第二階段,采樣次數(shù)達到大概1300-1750次之間,能量顯示出明顯上升趨勢,并逐步達到峰值,此時軸承處于早期失效狀態(tài),主要是由于時間積累造成內(nèi)部結(jié)構發(fā)生失效點(疲勞裂紋點);第三階段,采樣次數(shù)在大概1750-2100之間,能量由峰值開始下降,但仍處于較高水平,此時軸承處于即將失效狀態(tài),主要是因為失效點逐漸累積發(fā)展為面,測試點的能量產(chǎn)生擴散;第四階段是采樣大概2100次之后的狀態(tài),即軸承處于完全失效狀態(tài)。根據(jù)對溫差電偶頻譜能量值的數(shù)據(jù)分析,可以得出軸承的老化趨勢,進而使用LSTM網(wǎng)絡進行數(shù)據(jù)擬合如下:3 結(jié)束語

【參考文獻】：
期刊論文
[1]基于數(shù)據(jù)驅(qū)動的裝備故障預測技術研究[J]. 王亮,呂衛(wèi)民,滕克難,李佳哲.  計算機測量與控制. 2013(08)
[2]電子電路故障診斷的神經(jīng)網(wǎng)絡數(shù)據(jù)融合算法[J]. 朱大奇,于盛林.  東南大學學報(自然科學版). 2001(06)



本文編號：2932496