【摘要】：設(shè)備的保養(yǎng)、維護(hù)及運(yùn)行狀態(tài)直接影響著企業(yè)的生產(chǎn)質(zhì)量和經(jīng)濟(jì)效益,因此,設(shè)備維護(hù)在企業(yè)中的地位和作用日益突出,成為企業(yè)降低運(yùn)營(yíng)成本,贏得競(jìng)爭(zhēng)優(yōu)勢(shì)的重要手段。由于科學(xué)技術(shù)的飛速發(fā)展,機(jī)械設(shè)備結(jié)構(gòu)以及故障產(chǎn)生的機(jī)理日益復(fù)雜,傳統(tǒng)的維護(hù)方法和理念已逐漸不能勝任保證設(shè)備正常運(yùn)作的工作。半個(gè)世紀(jì)以來(lái),設(shè)備維護(hù)管理在經(jīng)歷了事后維護(hù)、計(jì)劃維護(hù)、預(yù)測(cè)維護(hù)等階段后,出現(xiàn)了多種不同的設(shè)備維護(hù)方式,基于狀態(tài)的維護(hù)(CBM,Condition based maintenance)便是其一。 CBM利用診斷技術(shù)監(jiān)測(cè)系統(tǒng)或設(shè)備中關(guān)鍵性組件的當(dāng)前“狀態(tài)”,預(yù)測(cè)未來(lái)趨勢(shì),并根據(jù)這些信息做出優(yōu)化的維護(hù)決策。性能優(yōu)秀的CBM模型可以降低系統(tǒng)或設(shè)備的失效概率,降低維護(hù)成本和物流成本,同時(shí)保障系統(tǒng)安全生產(chǎn)的可靠性和設(shè)備的利用率。CBM通常包括數(shù)據(jù)提取,故障診斷,故障預(yù)測(cè)和策略優(yōu)化四個(gè)模塊。模型建立在大量的歷史數(shù)據(jù)上,建模過(guò)程涉及到大量的數(shù)據(jù)挖掘知識(shí)和優(yōu)化建模理論的應(yīng)用。在本論文的文獻(xiàn)綜述工作中,對(duì)目前已發(fā)表的百余篇設(shè)備預(yù)測(cè)相關(guān)論文進(jìn)行了閱讀和整理,將目前應(yīng)用于設(shè)備預(yù)測(cè)的技術(shù)按其所適用模型分為了四類(1)物理模型,(2)基于知識(shí)庫(kù)模型,(3)數(shù)據(jù)挖掘模型,(4)組合模型。在對(duì)各種技術(shù)分類進(jìn)行的總數(shù)介紹中,分析了這些技術(shù)自身的優(yōu)勢(shì)和缺點(diǎn),討論了設(shè)備預(yù)測(cè)在未來(lái)研究領(lǐng)域中的可能發(fā)展趨勢(shì)和方向。在分析國(guó)際上設(shè)備健康狀態(tài)預(yù)測(cè)技術(shù)的發(fā)展并結(jié)合目前設(shè)備維護(hù)實(shí)際情況的基礎(chǔ)上,本文主要完成以下三部分研究?jī)?nèi)容: (1)提出一個(gè)基于隱式半馬爾科夫方法的設(shè)備剩余壽命預(yù)測(cè)模型。在用于診斷設(shè)備健康狀態(tài)和預(yù)測(cè)有效剩余壽命的隱式半馬爾科夫模型中,引入了老化因子來(lái)描述設(shè)備性能的退化趨勢(shì)。老化因子的設(shè)計(jì)采用了常數(shù),乘數(shù),指數(shù)三種形式,并按照其作用對(duì)象分別做了公式推導(dǎo)和討論。老化因子估計(jì)值的優(yōu)化基于最大似然函數(shù),采用了一個(gè)雙重迭代模型來(lái)逼近最優(yōu)值。最后使用采集自液壓泵的實(shí)時(shí)監(jiān)控振動(dòng)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,對(duì)三類老化因子的性能進(jìn)行了比較和評(píng)估。 (2)針對(duì)不完全數(shù)據(jù)的處理問題上,從數(shù)據(jù)的準(zhǔn)備方面來(lái)提高預(yù)測(cè)模型的性能和預(yù)測(cè)精度。數(shù)據(jù)的填充算法采用了灰色模型,并設(shè)計(jì)了一個(gè)前向-后向的灰色算法,最大程度上利用了缺失數(shù)據(jù)值鄰近的觀測(cè)數(shù)據(jù)信息。同時(shí)將灰色模型與隱式半馬爾科夫模型結(jié)合,通過(guò)迭代來(lái)提高缺失數(shù)據(jù)估計(jì)值的精確度。在案例分析中,采用傳統(tǒng)中較常用的平均值填補(bǔ)法作為比較對(duì)象,灰色迭代填補(bǔ)算法在誤差均值和誤差方差上的統(tǒng)計(jì)結(jié)果都顯示更優(yōu)。 (3)研究如何將預(yù)測(cè)分析模型輸出的數(shù)據(jù)運(yùn)用到設(shè)備動(dòng)態(tài)維護(hù)策略中,提高了預(yù)測(cè)分析用于實(shí)際生產(chǎn)維護(hù)計(jì)劃制定的可能性。維護(hù)策略的制定上,兼顧了維護(hù)成本和設(shè)備利用率兩個(gè)指標(biāo),并將備件庫(kù)存成本納入總維護(hù)成本目標(biāo)函數(shù)中,建立了一個(gè)包含備件庫(kù)存優(yōu)化模型的雙層動(dòng)態(tài)規(guī)劃維護(hù)策略優(yōu)化模型。仿真數(shù)據(jù)的統(tǒng)計(jì)結(jié)果表明,較傳統(tǒng)的靜態(tài)維護(hù)策略而言,動(dòng)態(tài)規(guī)劃策略可以節(jié)約維護(hù)成本,同時(shí)提高設(shè)備利用率。同時(shí)通過(guò)調(diào)整輸入?yún)?shù)中的備件庫(kù)存相關(guān)參數(shù),優(yōu)化的維護(hù)策略也會(huì)發(fā)生相應(yīng)變化,體現(xiàn)了備件庫(kù)存對(duì)最優(yōu)維護(hù)策略的影響。 以上三個(gè)研究?jī)?nèi)容相互之間聯(lián)系緊密,構(gòu)成了一個(gè)系統(tǒng)性的CBM預(yù)測(cè)維護(hù)框架。灰色迭代模型對(duì)缺失數(shù)據(jù)進(jìn)行了預(yù)處理,將經(jīng)灰色模型補(bǔ)全后的數(shù)據(jù)作為退化隱式半馬爾科夫預(yù)測(cè)模型的輸入,對(duì)模型進(jìn)行訓(xùn)練,測(cè)試和更新。同時(shí)預(yù)測(cè)模型輸出的設(shè)備健康狀態(tài)和剩余壽命預(yù)測(cè)信息作為動(dòng)態(tài)維護(hù)策略模型的輸入?yún)?shù),根據(jù)設(shè)備的健康狀態(tài)制定出優(yōu)化的維護(hù)策略。本文的研究工作是CBM智能維護(hù)技術(shù)的重要組成部分,能夠?yàn)橹圃煨推髽I(yè)生產(chǎn)系統(tǒng)維護(hù)策略的制定提供有用的理論指導(dǎo)和決策支持。
【圖文】：

(3-15)圖3-4中介紹了一個(gè)基于宏?duì)顟B(tài)持續(xù)時(shí)間的預(yù)測(cè)方法的框架。圖中，si表示微狀態(tài)，Hi表示宏?duì)顟B(tài)。在正常情況下，可以看出設(shè)備不會(huì)自動(dòng)地向更好的健康狀態(tài)轉(zhuǎn)換。在等式(3-15)的矩陣 中，每一行被稱為行i，，代表了設(shè)備在當(dāng)前健康狀態(tài)hi下(即健康等級(jí)i)的轉(zhuǎn)換概率。當(dāng)1 ≤ i < j ≤ L時(shí)，設(shè)備在狀態(tài)健康狀態(tài)hi下的轉(zhuǎn)換概率隨著健康等級(jí)j的增大而減小。即是說(shuō)，設(shè)備會(huì)傾向于停留在當(dāng)前狀態(tài)。因此，在所有的概率Pij(1 ≤ i> j ≤ L)中

圖 3-5 包含 Q 個(gè)失效事件的樣本空間 ΛFig.3-5 The sample space Λ which includes Q failure event造一個(gè)包含了 Q 個(gè)獨(dú)立的設(shè)備失效事件的樣本空間 Λ,如圖 3-5 所示言，設(shè)備在完全失效前會(huì)經(jīng)歷一個(gè)隨機(jī)的健康狀態(tài)序列過(guò)程。假設(shè)在中，失效發(fā)生在第 ki個(gè)和第(ki+1) (i Q) 個(gè)樣本間(樣本按時(shí)間排序)。生時(shí)刻為 tFi(i Q)，， 那么可以推知 ki t<tFi≤(ki+1) t。定義每個(gè)失效徑為 Ai，如圖 3-5 中所示，其中 Hi表示在 i 時(shí)刻下設(shè)備的健康狀態(tài)。為 Ai=(ai1，ai2，….aiki，aiki+1)。這里 aij(j=1， 2， … ， ki， ki+1i)中，第 j 個(gè)觀測(cè)時(shí)間點(diǎn)時(shí)對(duì)應(yīng)的設(shè)備健康狀態(tài)，該健康狀態(tài)是隱藏效事件在時(shí)間 tFi內(nèi)經(jīng)歷的隨機(jī)健康狀態(tài)序列服從路徑 Ai的概率計(jì)算
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2011
【分類號(hào)】：O211.62;F273.4;F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋云雪,史永勝;基于模糊自組織映射神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J];計(jì)算機(jī)工程;2003年14期

2 路志英,趙智超,郝為,林孔元,劉還珠;基于人工神經(jīng)網(wǎng)絡(luò)的多模型綜合預(yù)報(bào)方法[J];計(jì)算機(jī)應(yīng)用;2004年04期

3 曾慶虎;邱靜;劉冠軍;;基于隱半馬爾可夫模型設(shè)備退化狀態(tài)識(shí)別方法研究[J];機(jī)械科學(xué)與技術(shù);2008年04期

4 陳仲生,楊擁民,胡政,沈國(guó)際;基于幾乎周期時(shí)變AR模型的故障早期預(yù)報(bào)[J];機(jī)械工程學(xué)報(bào);2005年01期

5 王強(qiáng),鄭堅(jiān),秦俊奇,賈長(zhǎng)治;故障模糊預(yù)測(cè)系統(tǒng)建模方法研究[J];計(jì)算機(jī)自動(dòng)測(cè)量與控制;2002年01期

6 王雙成,苑森淼;具有丟失數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究[J];軟件學(xué)報(bào);2004年07期

7 陳敏澤,周東華;一種基于強(qiáng)跟蹤濾波器的自適應(yīng)故障預(yù)報(bào)方法[J];上海海運(yùn)學(xué)院學(xué)報(bào);2001年03期

8 胡梁勇;徐宗昌;雷育生;;淺析裝甲裝備儲(chǔ)存可靠性[J];世界標(biāo)準(zhǔn)化與質(zhì)量管理;2008年05期

9 郭韜紅;設(shè)備維修制度的探討[J];鐵道貨運(yùn);2000年05期

10 王光宏,蔣平;數(shù)據(jù)挖掘綜述[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年02期

本文編號(hào)：2649694