【摘要】：隨著工業(yè)系統(tǒng)的發(fā)展,人們對其穩(wěn)定性和安全性的要求逐漸提升。為保證長期穩(wěn)定運行,必須使用故障預(yù)測方法對健康狀態(tài)進(jìn)行實時監(jiān)控和預(yù)測。工業(yè)系統(tǒng)的故障表現(xiàn)在數(shù)據(jù)上主要是出現(xiàn)不正常的波動,如均值變大或變量協(xié)方差出現(xiàn)變化等。基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法主要是在故障的早期對這些波動進(jìn)行識別,并預(yù)測其變化趨勢,提前確定系統(tǒng)可能出現(xiàn)故障的時間。這種方法的應(yīng)用可以使操作人員合理的安排維護(hù)計劃,進(jìn)而實現(xiàn)視情維護(hù),有效降低故障引起的損失。目前,基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法通常包含兩類,即故障的早期診斷和剩余使用壽命(Remaining Useful Life,RUL)預(yù)測。其中故障的早期診斷主要是在工業(yè)系統(tǒng)剛剛表現(xiàn)出故障趨勢時發(fā)現(xiàn)故障因素。RUL預(yù)測用于在確定故障發(fā)生之后對故障的演化過程進(jìn)行預(yù)測。本文分別對卡爾曼濾波器和故障重構(gòu)方法在故障預(yù)測領(lǐng)域的應(yīng)用進(jìn)行研究。首先,由于現(xiàn)有工業(yè)系統(tǒng)如船舶柴油機(jī)等往往存在工作環(huán)境復(fù)雜且工作狀態(tài)多變的特點,本文提出了 一種增強(qiáng)型間歇性未知輸入卡爾曼濾波器(Enhanced Intermittent Unknown Input Kalman Filter,EIIKF)方法,結(jié)合了未知輸入卡爾曼濾波器(Unknown Input Kalman Filter,UIKF)和間歇性未知輸入卡爾曼濾波器(Intermittent Unknown Input Kalman Filter,IIKF),可以根據(jù)估計的未知輸入項降低建模復(fù)雜度并處理工作狀態(tài)轉(zhuǎn)換引起的監(jiān)測數(shù)據(jù)變化。使用改進(jìn)的序貫概率比檢驗方法處理殘差可以發(fā)現(xiàn)初期故障。其次,考慮到出現(xiàn)故障時監(jiān)測數(shù)據(jù)的T2和SPE統(tǒng)計量會增大且超出控制限,本文提出基于監(jiān)控統(tǒng)計量的故障子空間分解方法結(jié)合控制限和迭代方法對PCA監(jiān)測空間中的故障方向進(jìn)行提取,隨后在原始監(jiān)測空間中對故障相關(guān)變量進(jìn)行選擇,可以降低故障演化過程的噪聲和計算復(fù)雜度。最后,考慮到振動信號不利于直接展現(xiàn)故障特征,本文在時域和頻域中提取特征信號,并使用故障重構(gòu)方法分別根據(jù)故障相關(guān)性和故障幅值演化過程的魯棒性對故障方向進(jìn)行選擇。根據(jù)獲得的故障發(fā)生早期數(shù)據(jù)訓(xùn)練矢量自回歸(Vector Autoregression,VAR)模型實現(xiàn)完整故障發(fā)生過程的預(yù)測,可以獲得令人滿意的故障預(yù)測結(jié)果。
【圖文】：

故障診斷要解決的主要問題是如何檢測，識別和隔離系統(tǒng)故障［３２］，這意味著需要檢逡逑測故障是否已經(jīng)發(fā)生并找出故障的位置和類型。完整的故障發(fā)生過程可以分為三個階逡逑段，如圖１．２所示，即初始故障、功能性故障和完全故障。其中初始故障是指系統(tǒng)剛剛逡逑表現(xiàn)出故障趨勢，并不對正常工作造成影響。功能性故障是指系統(tǒng)已經(jīng)出現(xiàn)明顯的故障逡逑現(xiàn)象，甚至某些功能已經(jīng)受到影響，但完整的系統(tǒng)仍然可以勉強(qiáng)工作。完全故障是指系逡逑統(tǒng)己經(jīng)遭受到嚴(yán)重的損傷，失去了正常工作的能力。當(dāng)前的研宄認(rèn)為在初始故障和功能逡逑－４邋－逡逑

逑其中Ｍ為實際監(jiān)測數(shù)據(jù)，只為預(yù)測數(shù)據(jù)，《為采樣個數(shù)。逡逑為了更好的展現(xiàn)三種算法參數(shù)預(yù)測的性能，圖２．２中選用排氣溫度為例展現(xiàn)具體的逡逑參數(shù)預(yù)測對比結(jié)果。ＵＩＫＦ主要是通過未知輸入項對預(yù)測過程中的不確定性進(jìn)行補(bǔ)償，逡逑因此具有最好的預(yù)測精度，但圖２．２中可以看出其預(yù)測魯棒性較差，容易出現(xiàn)誤報現(xiàn)象。逡逑ＩＩＫＦ可以通過間歇性系數(shù)完成具有工作狀態(tài)轉(zhuǎn)換時的參數(shù)預(yù)測，，但在平穩(wěn)工作狀態(tài)下預(yù)逡逑測精度較差。ＥＩＩＫＦ綜合了兩種算法的優(yōu)勢
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP277;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓梅;陳禾;;卡爾曼濾波器的FPGA實現(xiàn)[J];電子工程師;2006年07期

2 張高煜;趙恒;楊萬海;;一種新的模糊-卡爾曼濾波器的控制算法及應(yīng)用[J];控制理論與應(yīng)用;2005年06期

3 周祥龍,趙景波,常慧;聯(lián)合卡爾曼濾波器在多傳感器系統(tǒng)的信息融合及容錯中的應(yīng)用[J];青島大學(xué)學(xué)報(自然科學(xué)版);2002年02期

4 Larry J.Levy;何英姿;;卡爾曼濾波器:組合導(dǎo)航的忠實公仆[J];控制工程;1998年02期

5 ;一種新型的魯棒卡爾曼濾波器[J];信息與控制;1987年05期

6 王宏偉;;一種跟蹤水下運動目標(biāo)的自適應(yīng)卡爾曼濾波器[J];海洋技術(shù);1987年02期

7 孫家榮;;目標(biāo)跟蹤卡爾曼濾波器的有效近近似[J];現(xiàn)代雷達(dá);1987年06期

8 關(guān)恒慎;測量系統(tǒng)中次優(yōu)卡爾曼濾波器的實現(xiàn)[J];火力與指揮控制;1988年04期

9 項楚騏,魏偉;自適應(yīng)卡爾曼濾波的新算法[J];哈爾濱船舶工程學(xué)院學(xué)報;1988年03期

10 項楚琪;楊棟;;水下噪聲源跟蹤與自適應(yīng)卡爾曼濾波[J];海洋技術(shù);1988年03期

相關(guān)會議論文 前10條

1 苑薇薇;王建輝;;采用推廣卡爾曼濾波器估計入射波參數(shù)[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 李明;楊洪耕;劉立生;;新型自適應(yīng)卡爾曼濾波器作動態(tài)諧波估計[A];2004年電力電容器學(xué)會論文集[C];2004年

3 馬馳州;楊亦春;李曉東;;多模型卡爾曼濾波器在聲定位中的應(yīng)用[A];中國聲學(xué)學(xué)會2006年全國聲學(xué)學(xué)術(shù)會議論文集[C];2006年

4 郭磊;;基于自適應(yīng)卡爾曼濾波器算法的聲發(fā)射信號消噪研究[A];第25屆全國振動與噪聲高技術(shù)及應(yīng)用會議論文選集[C];2012年

5 李瑞勝;洪惠民;傅雷;;跟蹤隨機(jī)時變參數(shù)的穩(wěn)定性分析[A];1991年控制理論及其應(yīng)用年會論文集（下）[C];1991年

6 張勇軍;李小占;楊志剛;;動態(tài)優(yōu)化漸消因子的強(qiáng)跟蹤卡爾曼濾波器研究[A];中國自動化學(xué)會控制理論專業(yè)委員會C卷[C];2011年

7 韓光宇;;組合導(dǎo)航中卡爾曼濾波器之淺見[A];中國航海學(xué)會優(yōu)秀論文文摘及學(xué)術(shù)會議論文目次匯編（1990—1991）[C];1992年

8 陳玉寅;張文安;楊旭升;;基于視覺傳感器和無跡卡爾曼濾波器的運動剛體位姿估計[A];第36屆中國控制會議論文集（G）[C];2017年

9 房媛媛;李亞安;李曉花;白曉娟;;Cubature-Kalman濾波及性能分析[A];中國聲學(xué)學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2011年

10 鐘麥英;曹全;;基于PMI濾波器的線性時變系統(tǒng)故障估計[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 邢璐璐;高速列車減振器狀態(tài)監(jiān)測及故障診斷方法研究[D];中國鐵道科學(xué)研究院;2018年

2 王思思;自適應(yīng)容積卡爾曼濾波器及其在雷達(dá)目標(biāo)跟蹤中的應(yīng)用[D];大連海事大學(xué);2015年

3 易伯瑜;永磁同步電動機(jī)高性能無傳感器控制技術(shù)研究[D];華南理工大學(xué);2014年

4 張鵬;基于卡爾曼濾波的航空發(fā)動機(jī)故障診斷技術(shù)研究[D];南京航空航天大學(xué);2009年

5 王娟;復(fù)雜場景中的目標(biāo)跟蹤優(yōu)化算法研究[D];燕山大學(xué);2014年

6 方旭明;基于自適應(yīng)卡爾曼濾波器的WSN定位算法研究[D];南京大學(xué);2017年

7 胡晉;機(jī)械臂運動的示教學(xué)習(xí)方法與應(yīng)用研究[D];浙江大學(xué);2018年

8 周聰;基于非線性估計理論的線控轉(zhuǎn)向汽車狀態(tài)估計研究[D];西南交通大學(xué);2012年

9 王濤;基于模型更新的土木結(jié)構(gòu)混合試驗方法[D];哈爾濱工業(yè)大學(xué);2014年

10 陳峭巖;電動汽車電池狀態(tài)估計及均衡管理研究[D];天津大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 尹海安;利用貝葉斯反演估計固液耦合系統(tǒng)中的參數(shù)[D];哈爾濱工業(yè)大學(xué);2019年

2 李錦冰;基于卡爾曼濾波器及重構(gòu)方法的故障預(yù)測研究[D];大連理工大學(xué);2019年

3 江楊;基于卡爾曼濾波器的光纖信道估計研究[D];電子科技大學(xué);2019年

4 王威;基于多維子空間擬合的DOA跟蹤算法研究[D];電子科技大學(xué);2019年

5 劉子銳;永磁同步電機(jī)周期性轉(zhuǎn)矩/轉(zhuǎn)速脈動抑制技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

6 丁一鳴;行人慣性導(dǎo)航綜合補(bǔ)償方法研究[D];蘇州大學(xué);2018年

7 陳振康;LNG加注躉船碰撞監(jiān)測預(yù)警研究[D];武漢理工大學(xué);2016年

8 孫秀玲;基于自適應(yīng)卡爾曼濾波器的風(fēng)電變流器故障診斷[D];重慶大學(xué);2018年

9 李航;自適應(yīng)寬帶流信號壓縮感知[D];北京郵電大學(xué);2014年

10 戴希;基于多傳感器信息融合的車輛縱向車速估計方法研究[D];燕山大學(xué);2018年

本文編號：2595633