油液光谱数据诊断综合传动装置异常磨损定位方法

磨损是影响综合传动装置工作可靠性及使用寿命的重要因素之一,当前相关研究中常用的聚类、主成分分析、加权融合等油液光谱数据分析方法,缺乏对特定元素浓度指标异常磨损情况下随时间增长的考虑。为分析综合传动装置不同零部件的磨损状态,提出一种基于油液光谱数据的零部件异常磨损定位分析方法。针对综合传动装置异常磨损过程中部分元素在特定阶段会出现快速增长的情况,提出基于时间窗相关距离的聚类方法,分离表征不同零部件磨损状态的元素;提出磨损元素的磨损趋势分级方法,以高磨损趋势元素为聚类中心,使聚类结果具备可解释性;通过分级系数确定零部件磨损元素权重,融合各零部件磨损元素,获取不同零部件磨损状态表征;通过异常磨损界限值识别异常磨损,实现零部件异常磨损定位。以综合传动装置润滑油液光谱数据为例,检测判断该装置异常磨损的零部件及时间段。检测结果表明:Fe、Cu、Pb三种元素的磨损趋势分级系数最高,携带大量磨损信息,能够有效表征装置的磨损状态;基于时间窗相关距离的有中心聚类方法,成功将油液光谱数据分为Fe、Cu、Pb三类,可用于有效表征整体、摩擦片、齿轮组的磨损状态;基于分级系数的加权融合方法可以有效对该装置的异常磨损部位和时间周期进行检测和判断,为后续的故障预防和维护提供技术指导。

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。