基于耦合隱馬爾可夫模型的滾動軸承故障診斷與性能退化評估研究.pdf

1、隨著科學技術的日益進步與現代工業(yè)的飛速發(fā)展，機械設備不斷向大型、復雜、高速、高效及重載的方向發(fā)展;與此同時，其工作和運行環(huán)境也更加復雜和苛刻。這些設備一旦突然發(fā)生故障，不僅會增加企業(yè)的維護成本，降低企業(yè)的生產效率，還可能造成巨大的經濟損失，甚至導致嚴重的人員傷亡，產生不良的社會影響。因此，如何準確有效地診斷和評估設備的運行狀態(tài)，從而合理地制定維護計劃以防止突發(fā)故障的發(fā)生，確保設備安全高效地運行是當前亟需解決的問題。
　　通常，設備

2、由正常到完全失效總會經歷一系列不同程度的性能退化狀態(tài)。因此，如果能夠在設備性能退化的過程中準確地監(jiān)測到其性能退化的程度，那么就可以有針對性地制定設備維護計劃，從而有效防止設備因故障而失效。性能退化評估正是基于這一思想而提出的一種主動維護技術。性能退化評估技術與傳統的故障診斷技術在理念上有很大的不同，它側重于對設備全壽命周期性能退化走向的分析，而并不局限于對某個時刻狀態(tài)的診斷。多通道數據包含豐富的信息，合理地融合多通道數據可以得到更加準確

3、可靠的結果;而耦合隱馬爾可夫模型是一種對多通道數據進行建模的概率模型。為此，本文以滾動軸承為研究對象，深入開展了基于耦合隱馬爾可夫模型的多通道融合故障診斷與性能退化評估的理論體系和技術方法的研究，包括以下幾個方面的內容:
　　(1)從理論分析與工程應用的角度出發(fā)，闡述了論文的選題背景和研究意義。分析了機械設備故障診斷方法、性能退化評估方法、信息融合技術、狀態(tài)監(jiān)測與故障診斷系統等方面的國內外研究現狀，總結了目前研究中需要解決的問題，

4、確立了本文的研究內容。
　　(2)介紹了作為本文理論基礎的隱馬爾可夫模型(Hidden Markov Model，HMM)的相關概念和基本算法，討論了其算法實現問題及相應的解決辦法，最后通過滾動軸承故障診斷實例詳細闡述了常用的基于HMM的故障診斷方法的基本思想和流程。
　　(3)將耦合隱馬爾可夫模型(Coupled Hidden Markov Model，CHMM)引入到滾動軸承多通道融合故障診斷中。在分析了HMM用于多通道

5、信息融合的不足的基礎上，介紹了適合于多通道信息融合的CHMM的基本理論，并推導了其前向-后向算法和參數估計算法。然后，提出了基于CHMM的滾動軸承多通道融合故障診斷方法。該方法利用含兩條鏈的CHMM融合滾動軸承水平方向和豎直方向的振動信號來進行故障診斷。最后，利用滾動軸承故障診斷試驗進行了驗證，并與常用的基于HMM的故障診斷方法進行了比較。結果表明，所提方法可以準確診斷軸承的故障。
　　(4)針對多通道融合故障診斷中可能出現的缺失

6、數據和野點的情況，通過對原前向-后向算法進行改進，提出了一種耦合隱馬爾可夫模型的魯棒性自適應推理算法。最后，利用試驗數據進行了驗證。結果表明，所提方法在缺失數據的情況下，仍然可以利用現有數據得到較準確的結果，而不需重新訓練模型。
　　(5)提出了基于耦合隱馬爾可夫模型的滾動軸承多通道融合性能退化評估方法。首先，介紹了作為數據來源的滾動軸承加速壽命試驗，并詳細分析了全壽命周期各通道常用監(jiān)測指標的變化規(guī)律。然后，針對現有的性能評估方法

7、存在對數據完備性要求高、評估結果可解釋性差等缺點，結合多通道信息融合技術，提出了基于CHMM的滾動軸承多通道融合性能退化評估方法。該方法僅需正常狀態(tài)下的數據訓練CHMM，建立性能退化評估模型，然后使用該模型對軸承的退化程度進行定量評估。并且，通過核密度估計（Kernel Density Estimation，KDE）實現了對報警門限的估計。最后，利用滾動軸承加速壽命試驗數據驗證了所提方法的可行性和有效性。
　　(6)針對當前狀態(tài)監(jiān)