預測與健康管理（PHM）技術是基于視情維修的新型維修保障方法,包含故障診斷、故障預測和健康管理等諸多內(nèi)容,能有效降低設備保障費用。數(shù)據(jù)驅(qū)動的PHM技術是當前研究的熱點,機器學習方法在其中的應用更是人們關注的焦點。本文采用機器學習方法對故障診斷和剩余使用壽命預測技術進行研究。首先,探討了關鍵部件的數(shù)據(jù)獲取和特征提取方法。針對液壓作動筒,使用AMESim軟件建模仿真的方法獲取進口流量和出口流量數(shù)據(jù)并完成故障注入,分析和使用小波包能量譜方法提取數(shù)據(jù)特征;針對剩余使用壽命預測,分析了NASA公開的航空發(fā)動機數(shù)據(jù)集,為本文算法的驗證奠定了基礎。接著,對基于機器學習的故障診斷方法進行研究。分析和使用BP神經(jīng)網(wǎng)絡模型實現(xiàn)液壓作動筒的故障診斷,對比了標準梯度下降法和自適應學習率梯度下降法的差異;研究了SVM方法及其參數(shù)尋優(yōu)方法,提出了基于GA-SVM算法的故障診斷方法,并驗證了有效性。然后,重點研究了基于相似性的剩余使用壽命預測框架。首先闡述了三個相似性測度函數(shù);針對多源統(tǒng)計數(shù)據(jù),提出了基于PCA和BP神經(jīng)網(wǎng)絡的健康因子構(gòu)建方法,在此基礎上,提出了基于多源統(tǒng)計數(shù)據(jù)的相似性預測方法的實施步驟;進一步使用... 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

液壓作動筒模塊

表 2.2AMESim 模型參數(shù)和故障模式對應表AMESim 軟件中模型參數(shù)設置項 故障模式Leakage coefficient 泄露故障Total mass being moved 負載過大Angle rod makes with horizontal 活塞桿軸心偏移以泄露故障為例進行分析，設置 4 個不同程度泄露故障，從而驗證所建模型的正確性計的液壓作動筒初始狀態(tài)為活塞桿未伸出，當無桿腔中通入高壓油后，活塞桿逐漸變出狀態(tài)，然后保持一小段時間后，再由伸出狀態(tài)縮回到初始狀態(tài)。當系統(tǒng)出現(xiàn)泄漏故障桿從伸出到初始狀態(tài)的過程中，速度明顯下降；相應地，活塞桿回到初始態(tài)的時間延于油液的泄露，作動筒活塞桿甚至出現(xiàn)難以回到最初狀態(tài)的現(xiàn)象。從圖 2.3 的速度曲.4 的位移曲線可以清楚的地看出以上現(xiàn)象。AMESim 軟件提供了批處理功能，可以同時對同一參數(shù)設置多個不同的值，通過一次獲取多組數(shù)據(jù)，為數(shù)據(jù)的獲取帶來了極大的方便。記作動筒一次完整運行即活塞桿伸為一組運行數(shù)據(jù)，本文對正常工況、泄露故障、外力突增故障和活塞桿軸心偏移 4 種取 19 組數(shù)據(jù)。

圖 2.4 泄露故障條件下活塞桿位移曲線于小波包能量譜的液壓作動筒特征提取波包分解及其能量譜分析技術是特征提取領域十分常用的技術，如傅里葉變換、短時傅里葉變換里葉變換是時域到頻域轉(zhuǎn)換的工具，其實質(zhì)是將波形分解成頻率不同的正弦波全局性的變化，能反映整個信號的頻譜特性，對平穩(wěn)信號有較好的效果。但知信號頻率隨時間的關系，故常將整個信號分解成多個等長的小信號即加窗里葉變換，但是該方法所設置的窗口大小是固定的，過寬或過窄的窗口大小波分解克服了以上問題，具有多分辨分析能力，可以在不同頻段下進行時頻效分析異常信號的細節(jié)特征。分解是利用小波母函數(shù)的平移和伸縮實現(xiàn)的。小波母函數(shù)是具有快速衰減的且需要滿足如下條件：設 (t )在函數(shù)空間2L ( R )上是可積的，其傅里葉變換為式的 為一個小波母函數(shù)：2( )

【參考文獻】：
期刊論文
[1]基于AHM的波音737NG引氣系統(tǒng)故障診斷[J]. 張宇.  航空維修與工程. 2018(11)
[2]基于小波包和SOM神經(jīng)網(wǎng)絡的電作動器故障診斷[J]. 田瑤瑤,張惠娟,楊忠,李小明,張輝斌.  應用科技. 2018(01)
[3]一種液壓作動筒故障注入及診斷方法的研究[J]. 張輝斌,張惠娟,楊忠,陳爽,田瑤瑤.  應用科技. 2018(04)
[4]F-35戰(zhàn)斗機的狀態(tài)預測與健康管理系統(tǒng)[J]. 秦荀,李三軍.  航空維修與工程. 2017(04)
[5]液壓系統(tǒng)故障診斷技術研究現(xiàn)狀和發(fā)展趨勢[J]. 劉保杰,楊清文,吳翔.  液壓氣動與密封. 2016(08)
[6]飛機機電系統(tǒng)PHM技術方案研究[J]. 王景霖,林澤力,鄭國,何泳.  計算機測量與控制. 2016(05)
[7]基于AMESim的液壓缸位置控制系統(tǒng)的建模與仿真[J]. 徐保強,吳勇,王穎,戰(zhàn)立鵬.  煤礦機械. 2015(12)
[8]整體改進的基于支持向量機的故障診斷方法[J]. 焦衛(wèi)東,林樹森.  儀器儀表學報. 2015(08)
[9]國外故障預測與健康管理系統(tǒng)開發(fā)平臺綜述[J]. 劉恩朋,楊占才,靳小波.  測控技術. 2014(09)
[10]Data-driven Prognostics and Remaining Useful Life Estimation for Lithium-ion Battery: A Review[J]. LIU Datong,ZHOU Jianbao,PENG Yu.  Instrumentation. 2014(01)

博士論文
[1]旋轉(zhuǎn)機械故障診斷與預測方法及其應用研究[D]. 武哲.北京交通大學 2016
[2]復雜裝備故障預測與健康管理關鍵技術研究[D]. 李向前.北京理工大學 2014
[3]基于狀態(tài)監(jiān)測數(shù)據(jù)的產(chǎn)品壽命預測與預測維護規(guī)劃方法研究[D]. 尤明懿.上海交通大學 2012
[4]基于數(shù)據(jù)驅(qū)動的故障診斷模型及算法研究[D]. 呂寧.哈爾濱理工大學 2009
[5]智能故障診斷中的機器學習新理論及其應用研究[D]. 馬笑瀟.重慶大學 2002

碩士論文
[1]基于性能退化數(shù)據(jù)的航空發(fā)動機剩余壽命預測[D]. 劉帥君.電子科技大學 2015
[2]基于粒子濾波的鋰離子電池剩余壽命預測方法研究[D]. 羅悅.哈爾濱工業(yè)大學 2012
[3]基于小波分析/AMESim的液壓缸泄漏故障診斷的仿真研究[D]. 楊立志.吉林大學 2007
[4]基于數(shù)據(jù)挖掘技術的軸承壽命預測的研究[D]. 鄧士娟.大連海事大學 2006



本文編號：3103541