基于信號特征提取的設(shè)備健康狀態(tài)預(yù)測與評估.pdf

1、井下機(jī)械機(jī)電設(shè)備復(fù)雜度較高，導(dǎo)致其故障特征呈現(xiàn)非線性、時變性、并發(fā)性、不確定性等特征，而且井下噪聲干擾大、設(shè)備數(shù)量多、分布時而分散時而聚集等，給設(shè)備的故障預(yù)測帶來了很大的麻煩。本文在前人信號處理、分類算法、故障預(yù)測、機(jī)器學(xué)習(xí)的基礎(chǔ)上，針對井下設(shè)備健康狀態(tài)評估準(zhǔn)確度、適用范圍、實(shí)用性等問題進(jìn)行了研究。主要內(nèi)容如下：
　?。?）設(shè)備健康狀態(tài)預(yù)測與評估。井下的復(fù)雜環(huán)境導(dǎo)致通過直接預(yù)測其故障類型變得非常困難，而且對于突發(fā)故障來說，預(yù)測設(shè)備

2、的故障類型意義不大，因此提出通過健康狀態(tài)評價設(shè)備的運(yùn)行狀況。實(shí)驗(yàn)表明，對于出現(xiàn)漸變故障的設(shè)備該方法具有很高的應(yīng)用價值。
　?。?）基于特征提取的井下設(shè)備特性研究。設(shè)備的運(yùn)行聲音能夠反映出當(dāng)前設(shè)備的健康狀態(tài)，研究了聲音對設(shè)備健康狀態(tài)的敏感度，提出了對所提取聲音進(jìn)行分幀、去噪等預(yù)處理，并且對信號的短時能量、倒頻譜、Mel倒譜系數(shù)特征進(jìn)行對比分析。實(shí)驗(yàn)表明，基于特征提取的設(shè)備健康狀態(tài)預(yù)測與評估是可行的，而且對于同一信號，提取不同的特征，

3、其預(yù)測精度也有所不同。
　　（3）機(jī)器學(xué)習(xí)理論在健康狀態(tài)預(yù)測中的應(yīng)用研究。支持向量機(jī)（Support Vector Machine，SVM）有唯一的全局最優(yōu)解與出色的機(jī)器學(xué)習(xí)能力，能夠很好的解決小樣本、非線性、高維化等問題。本文將評價設(shè)備健康狀態(tài)的問題轉(zhuǎn)化為對設(shè)備特征分類的模型進(jìn)行處理，提出了基于特征提取和SVM的設(shè)備健康狀態(tài)預(yù)測與評估方法。
　　（4）設(shè)備健康狀態(tài)評估研究及實(shí)驗(yàn)分析。提出了設(shè)備健康度的概念，通過在井下水泵處