基于AR-SVPMCD的多傳感器信息融合故障診斷方法研究.pdf

1、隨著工業(yè)化的發(fā)展，機(jī)械設(shè)備結(jié)構(gòu)趨于連鎖化，產(chǎn)品質(zhì)量性能指標(biāo)持續(xù)升高，一旦某一環(huán)節(jié)出現(xiàn)故障，會(huì)導(dǎo)致整個(gè)生產(chǎn)鏈的斷裂，產(chǎn)生巨大的損失。因此，機(jī)械設(shè)備的故障監(jiān)測(cè)具有重大的工程實(shí)踐意義?；诠收媳O(jiān)測(cè)數(shù)據(jù)的復(fù)雜化、非線性化等特征，分別針對(duì)預(yù)測(cè)模型冗余、特征描述不充分和識(shí)別穩(wěn)定性不夠的缺陷，引入基于逐步變量預(yù)測(cè)模型的模式識(shí)別方法（簡(jiǎn)稱SVPMCD）、時(shí)序分析AR模型、信息融合技術(shù)到故障診斷領(lǐng)域以實(shí)現(xiàn)機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)，本文對(duì)基于AR-SVPMCD的

2、多傳感器信息融合故障診斷方法展開研究，相關(guān)工作如下:
　　首先，針對(duì)變量預(yù)測(cè)模型在特征量較多的情況下會(huì)出現(xiàn)模型冗余問題，導(dǎo)致信號(hào)特征描述不夠準(zhǔn)確，識(shí)別率降低的缺陷，引入逐步回歸分析，提出了一種基于逐步變量預(yù)測(cè)模型的模式識(shí)別方法。通過對(duì)變量預(yù)測(cè)模型進(jìn)行“最優(yōu)選擇”，得到精簡(jiǎn)的逐步變量預(yù)測(cè)模型，提高了識(shí)別精度。仿真數(shù)據(jù)實(shí)驗(yàn)和機(jī)械故障實(shí)驗(yàn)驗(yàn)證了改進(jìn)方法的有效性。
　　其次，利用時(shí)序分析短序列動(dòng)態(tài)建模與預(yù)測(cè)預(yù)報(bào)的優(yōu)勢(shì)，將AR模型與基

3、于逐步變量預(yù)測(cè)模型的模式識(shí)別方法相結(jié)合，提出了一種基于時(shí)序分析和逐步變量預(yù)測(cè)模型的模式識(shí)別方法（簡(jiǎn)稱AR-SVPMCD）。通過采用對(duì)被測(cè)信號(hào)進(jìn)行AR建模后得到的自回歸參數(shù)作為特征量訓(xùn)練逐步變量預(yù)測(cè)模型，大大提高了識(shí)別的精度。仿真數(shù)據(jù)實(shí)驗(yàn)和機(jī)械故障實(shí)驗(yàn)驗(yàn)證了該方法的優(yōu)越性。
　　最后，針對(duì)單一傳感器提供信息不全面和運(yùn)行狀態(tài)不確定的缺陷，引入多傳感器信息融合技術(shù)，提出了一種基于AR-SVPMCD的多傳感器信息融合故障診斷方法。通過AR