基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·

基于相空间重构和PCA的航空电弧故障检测

由电弧故障引起的航空安全问题深受人们重视,由于飞机内部空间狭小,电弧故障特征不明显且极易受到航空飞行条件的干扰,导致检测困难。该文将采集到的电弧电流信号看作一维时间序列,从系统的混沌特征出发,利用相空间重构技术将电弧电流信号引入高维空间,分析相平面吸引子的几何特征和属性特征,分别分析了中心距、矢径偏移、相关维数、K熵4种特征量在电弧故障发生前后的变化规律。利用主成分分析(principal component analysis,PCA)故障检测技术将特征矩阵降维处理,同时给出各试验负载下的PCA的监测统计量平方预测误差(squared prediction error,SPE)及其控制限,通过电弧故障发生前后的SPE值与其控制限的比较,实现航空交流电弧故障的检测。分析结果表明,4种特征量从不同的角度充分地反映了电弧故障发生前后系统变化的随机性和混沌性的差异,不需要人工设置阈值,可实现无监督在线判别电弧故障的发生。最后,利用主成分分析给出不同类型负载的分类方法,为在今后实现电弧故障检测的同时,实现负载的有效分类,能够更加有针对性地对电弧故障做出判断和应对。

基于相对变化分析的多模态卷烟制叶丝段故障监测

为解决卷烟制叶丝段中采用传统单变量统计过程控制方法故障监测效果欠佳等问题,通过对制叶丝段关键设备的运行特性分析,提出了一种基于相对变化分析的故障监测方法。该方法采用属性展开方式将具有批次、时间和属性特点的三维数据展开成二维数据,采用主元分析方法进行参考模态的统计建模和故障监测,根据备选模态的潜在过程波动以及与参考模态的相对变化,将参考模态监测模型的主元子空间和残差子空间分别进行分解,在分解后的4个子空间中进行备选模态的统计建模和故障监测。基于设备实际运行数据进行离线验证,结果表明:与彩虹图、过程能力指数等传统故障监测方法相比,该方法能更深入地揭示不同模态、不同批次间的过程变量动态性以及变量间关联关系的变化,可以及时、有效地检测出设备故障。

基于PCA的故障传感器重构的理论研究

本文基于 PCA(Principal componentanalysis)理论对故障传感器进行重构。首先将数据分别投影于主元子空间和残差子空间 ,然后定义故障的方向向量 ;因为过程变量间具有的强相关性 。

子空间辨识方法的改进

针对现代航空发动机的自适应控制和故障监控领域建立物理意义明确的系统动态模型的需要 ,基于数字子空间状态空间系统辨识 (N4SID)方法 ,提出并推导了指定状态变量的子空间辨识方法 ,并在某型双转子涡喷发动机气动热力学模型上进行了仿真实验 。

基于故障子空间与PCA监测模型的故障可检测性研究

由于基于主元分析(Principal Component Analysis,PCA)的统计监控方法没有利用过程机理模型(First Principle Model)信息,因此在一定程度上限制了其故障诊断能力的发展。本文基于PCA的框架,采用故障子空间对故障进行描述,在PCA监测模型的基础之上,分析了主元空间和残差空间的故障可检测性问题,获得了故障可检测性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性,表明了通过计算临界故障幅值就可事先对故障集内各故障的检测结果作定量的分析,从而事先了解各故障在PCA下的检测结果。

基于主成分分析和噪声估计的在线子空间辨识

提出一种在线子空间辨识方法,该方法主要采用Hessenberg QR分解和特征值分解,通过对噪声项进行估计,并结合主成分分析提取子空间矩阵,获得系统的状态空间方程.引入遗忘因子机制,实现对时变系统的辨识.为了验证所提方法的适用性和有效性,分别采用数值模型和工业污水处理过程进行仿真验证.仿真结果表明,相比于其他子空间辨识方法,所提方法在辨识线性时不变系统时,能够获取很好的辨识精度;在辨识线性时变系统时,能够快速跟踪系统变化,并能够获取较好的辨识精度。

滚动轴承故障诊断中的Volterra核-HMM识别方法

结合Volterra级数和隐Markov模型,提出了一种基于Volterra核特征提取的HMM故障识别方法。在该方法中,利用子空间法从正常、滚动体故障、内圈故障和外圈故障4种不同的轴承中提取Volterra核作为特征向量,然后,输入到各种故障模式的HMM中进行识别。提出方法利用电机转轴末端滚动轴承采集的实验数据得到了验证。

基于变量加权统计分析的多微小故障诊断

本文提出同量纲情况下,根据系统不同位置的重要程度赋予不同的权值,从而提高对故障的敏感度,进而解决上述微小故障检测问题;当检测到系统出现故障时,再根据不同多故障组合对应的特征子空间不同,利用特征子空间相似性进行故障诊断。最后,通过仿真验证了该方法的可行性和有效性。

结构状态的动态监测与诊断

本文论述用动力学方法研究大体积结构(如桥梁、海港、水坝、海洋工程)状态的变化和故障的诊断问题,为评估工程结构的寿命和维护管理提供参考依据。文中首先建立结构参数识别数学模型,其次论证结构状态监测与故障诊断的基本理论,最后给出一种反问题的解法,并建议一种用一组火箭激励的监测与诊断方法。

主元空间中故障可重构性、可分离性研究

基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测尽管不依赖于精确的数学模型,但也限制了它的故障诊断能力。本文在故障子空间和PCA监测模型及故障重构技术的基础上,研究了基于T2统计量的故障诊断问题,获得了主元空间中故障可重构性、可分离性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性;表明通过故障重构不仅为故障识别提供了基础,而且重构故障幅值波形还为判断传感器故障类型提供了依据。

一种分层集成的高斯过程回归软测量建模方法

针对一些化工过程呈现显著的非线性和多阶段特点,提出一种分层集成的高斯过程回归软测量建模方法。采用高斯混合模型将过程数据划分为不同的操作阶段;对各阶段的数据进行主元分析,依据各辅助变量在主元空间上的贡献度,将各阶段数据划分成若干子空间并建立相应的高斯过程回归模型;再对子空间模型输出进行均值融合,得到第一层集成输出;采用后验概率对各阶段局部预测进行融合,得到第二层集成输出。通过对工业数据的实验仿真,验证了所提方法的有效性。

基于分布式最小二乘的冶金工业流程质量异常检测

质量异常检测技术是保障冶金工业过程产品质量安全性和稳定性的重要手段,是当前过程监控领域的热点研究方向。针对传统的偏最小二乘(PLS)、最小二乘(LS)方法获取的主元空间中可能含有和质量正交的成分及检测实时性不强等问题,提出了分布式最小二乘(DLS)方法,设计了监测统计量,实现了质量异常检测。通过典型的冶金工业流程——热轧过程现场数据进行仿真验证,并与传统方法对比,验证了新算法的有效性。所提出的质量异常检测方法,将为以热轧过程为代表的冶金工业流程的安全监控及自主保障提供理论支撑与技术保证。