機械設(shè)備狀態(tài)的精益特征提取與智能預(yù)測評估.pdf

1、面對現(xiàn)代企業(yè)高效生產(chǎn)過程對設(shè)備提出近零故障要求，基于設(shè)備實際性能狀況的維護(hù)策略利用現(xiàn)代信息技術(shù)對機械設(shè)備運行狀態(tài)進(jìn)行實時分析，實現(xiàn)低成本高效率的主動式維護(hù)。但設(shè)備信息化需大量采集實時數(shù)據(jù)引發(fā)了諸多問題，如：處理器計算能力有限，傳感信號海量數(shù)據(jù)無法及時處理；傳輸帶寬和數(shù)據(jù)存儲容量有限，數(shù)據(jù)無法及時被傳輸處理、數(shù)據(jù)過多無法保存；不能及時預(yù)測設(shè)備性能狀態(tài)，維護(hù)過于頻繁或備件過多。這些都嚴(yán)重限制了主動式維護(hù)策略的實施，形成瓶頸問題。
　　

2、 本文提出基于精益特征提取和智能預(yù)測評估的模型總體框架。針對機械設(shè)備潛在可監(jiān)測變量數(shù)量巨大，而維護(hù)監(jiān)測系統(tǒng)資源相對有限(信號處理計算能力、傳輸帶寬和存儲容量、設(shè)備維護(hù)備件)，需要系統(tǒng)性地研究監(jiān)測過程中的去冗余算法及性能狀態(tài)趨勢預(yù)測方法。圍繞該框架中三個關(guān)鍵環(huán)節(jié)進(jìn)行了深入研究，即：高效的信號預(yù)處理算法、特征降維融合、智能評估預(yù)測模型。本研究的主要內(nèi)容和創(chuàng)新點包括：
　　 1.針對設(shè)備性能狀態(tài)監(jiān)測過程中大量數(shù)據(jù)實時信號預(yù)處理問題，

3、提出一種高效特征提取方法：二代小波包重要性重采樣模型。該模型在基于一代小波的特征提取方法基礎(chǔ)上進(jìn)行了改進(jìn)，提出基于提升小波與改進(jìn)的重要性重采樣理論相結(jié)合的特征提取模型。與傳統(tǒng)一代小波包相比較，二代小波包重要性重采樣模型特征提取效率有顯著提高，且節(jié)省計算內(nèi)存空間。
　　 2.針對設(shè)備監(jiān)測過程中大量數(shù)據(jù)信息的傳輸和存儲問題，提出一種基于流形學(xué)習(xí)框架的特征空間降維方法：判別式擴散映射分析模型。該模型基于流形學(xué)習(xí)降維框架，將判別式核函數(shù)

4、和判別式時間尺度引入到擴散距離的計算，充分利用數(shù)據(jù)中已知判別信息，同時秉承了擴散距離映射的魯棒性優(yōu)點及非線性特征。與其他特征降維融合模型相比較，如線性模型：主成分分析、獨立成分分析、線性判別分析；非線性模型：核主成分分析、自組織映射網(wǎng)絡(luò)；及流形學(xué)習(xí)類非線性降維融合模型：等度規(guī)映射、局部線性嵌入、拉普拉斯特征映射、海森局部線性嵌入映射、擴散映射、局部切空間對齊分析，實驗結(jié)果表明判別式擴散映射分析模型能更有效地將高維數(shù)據(jù)向量在低維空間中進(jìn)行

5、表示，減少維度冗余，揭示數(shù)據(jù)內(nèi)部潛在的內(nèi)蘊變量結(jié)構(gòu)，減少特征向量所需的存儲空間。
　　 3.針對設(shè)備性能狀態(tài)的量化評估與趨勢預(yù)測問題，提出半監(jiān)督式模糊均值方法和多尺度正交時間序列模型。半監(jiān)督式模糊均值方法同時具備對設(shè)備性能狀態(tài)分類評估及量化評估的能力。多尺度正交時間序列模型將正交小波理論與時間序列理論相結(jié)合，基于設(shè)備狀態(tài)的連續(xù)量化評估值提供了一種可分布式計算的、多時間尺度的預(yù)測方法。
　　 在氣動減壓閥的截尾壽命試驗中對

6、上述方法進(jìn)行了驗證。結(jié)果表明，應(yīng)用二代小波包重要性重采樣算法，其時間消耗比一代小波包減少可達(dá)40％以上。采用判別式擴散映射分析的特征降維融合模型，在保持評估準(zhǔn)確率的條件下，所需存儲的特征向量維度僅為原維度的6.25％。應(yīng)用半監(jiān)督式模糊均值方法對氣動減壓閥性能狀態(tài)進(jìn)行了量化評估，基于所得的連續(xù)可靠信度值進(jìn)而建立多尺度正交時間序列模型，其趨勢預(yù)測的準(zhǔn)確度較單一時間序列有明顯提高。綜合這些以精益思想為指導(dǎo)的特征提取與智能評估預(yù)測方法，有效提高