【摘要】：制造業(yè)是國家發(fā)展的基礎(chǔ),隨著相關(guān)領(lǐng)域技術(shù)的快速發(fā)展,機械設(shè)備和生產(chǎn)系統(tǒng)變得越來越智能化,對設(shè)備和生產(chǎn)系統(tǒng)的可靠性要求也越來越高。預(yù)診技術(shù)可以提前提供機械設(shè)備健康信息,是保證機械設(shè)備高效、可靠運行的關(guān)鍵技術(shù)。因此,研究預(yù)診技術(shù),特別地,針對多維特征融合的預(yù)診方法進行研究,以達到在故障發(fā)生前進行預(yù)測和預(yù)防的目的,并根據(jù)預(yù)診結(jié)果采用先進的智能維護方法對設(shè)備和生產(chǎn)系統(tǒng)進行維護,對于實現(xiàn)設(shè)備的近零故障運行,具有重要的科學(xué)理論意義和工程應(yīng)用價值。本文針對基于多維特征融合的設(shè)備預(yù)診以及維護決策方法的關(guān)鍵技術(shù)進行了研究,主要包括以下幾個方面。提出在預(yù)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(yù)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(chǔ)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(shè)備性能評價方法,設(shè)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(shè)備進行預(yù)診。以轉(zhuǎn)子早期不平衡的識別問題為例,對預(yù)診問題進行了分析。搭建了轉(zhuǎn)子不平衡實驗系統(tǒng),設(shè)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(gòu)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(yù)診過程。為了解決傳統(tǒng)預(yù)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(xué)習(xí)模型的智能預(yù)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(jié)構(gòu)化數(shù)據(jù),即振動信號數(shù)據(jù)、非結(jié)構(gòu)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(gòu)數(shù)據(jù),進行了數(shù)據(jù)結(jié)構(gòu)化預(yù)處理。再將結(jié)構(gòu)化了的數(shù)據(jù)作為深度學(xué)習(xí)模型的輸入。通過對深度學(xué)習(xí)模型的訓(xùn)練,建立了從含有全部原始信號信息的數(shù)據(jù)到設(shè)備性能之間的非線性映射關(guān)系。實驗結(jié)果表明,基于深度學(xué)習(xí)模型的智能預(yù)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(shè)備預(yù)診研究提供了支撐。以設(shè)備預(yù)診結(jié)果為依據(jù),提出了基于智能算法的設(shè)備維護決策方法。首先研究了單臺設(shè)備的維護策略,對維護活動類型及其與設(shè)備性能狀態(tài)的關(guān)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(shè)備結(jié)構(gòu)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(shù)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(shè)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(yīng)用,提高了維護效率。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TH17
【圖文】：

圖 2-1 特征選擇方案結(jié)構(gòu)框圖Fig. 2-1 Diagram of the scheme of feature selection構(gòu)的設(shè)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。總 P-染色體中的一個特方案中有三個關(guān)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(gòu)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(guān)期刊論文 前10條

1 雷亞國;賈峰;周昕;林京;;基于深度學(xué)習(xí)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(xué)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(chǔ)研究“何去何從”[J];機械工程學(xué)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(xué)報;2012年12期

4 廖雯竹;俞秉昊;潘爾順;王瑩;;基于設(shè)備預(yù)診斷的單機預(yù)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(yù)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(xué)學(xué)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(shè)計;2011年01期

8 錢坪;;預(yù)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(jié)構(gòu)裂紋損傷的小波有限元定量診斷[J];機械工程學(xué)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(xué)報;2010年06期

相關(guān)博士學(xué)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(xué);2017年

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

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

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

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

相關(guān)碩士學(xué)位論文 前3條

1 謝吉朋;云平臺下基于深度學(xué)習(xí)的高速列車走行部故障診斷技術(shù)研究[D];西南交通大學(xué);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(xué);2011年

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

本文編號：2748186