滚动轴承的退化状态划分与剩余寿命预测

为了准确预测滚动轴承剩余使用寿命,采用模糊综合评价法解决轴承退化状态难以划分的问题,并借助支持向量机在小样本数据分析方面具有的良好能力,以及差分进化方法高效的并行搜索信息的方式,提出了一种基于支持向量回归和差分进化算法混合的滚动轴承剩余寿命预测模型,该模型采用差分进化算法获得支持向量回归模型的最优参数,结合试验平台采集的加速寿命试验数据。实验结果表明:模糊综合评判方法可以较好地划分轴承退化状态,有利于预测不同退化状态下的剩余寿命。

基于多状态空间划分的风电机组非完美维修决策

对风电机组的合理维护维修是减少风电场运维成本的重要方式。同一风电场的多台风力发电机构成了一个典型的多部件系统,各风力发电机的运行性能共同决定了系统整体的运行效率和维修需求。同时,对各风力发电机的维修效果也将影响到系统后续的可利用率和维修决策。该文以同一风电场中多台风力发电机的主轴组成的同型多部件系统为对象,在考虑非完美维修的条件下制定基于周期检测的视情机会维修策略;构建考虑非完美维修的多状态退化空间划分模型,以定义系统状态与维修需求的表示及关系,并归纳推导系统维修需求概率的计算模型和非完美维修干预下的系统退化及维修恢复过程中的状态转移概率;在此基础上,建立系统平均费用率解析模型,以确定最优的检测周期和维修阈值。通过某风电场的主轴实际运行数据进行数值实验,验证策略和模型的正确性和有效性,并对参数进行灵敏度分析以说明模型的适用性。结果表明该策略能有效减少风电场的运维成本。

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障。在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性。所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推。研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势。

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。

基于退化状态空间划分的风电机组视情维修决策

风场的运维成本约占其收入的三分之一之多,风电机组的最优维修问题一直是风电系统降低运维成本的主要途径.针对同一风场多台风力机组成的系统,制定基于状态检测的视情机会维修策略,提出基于退化状态空间划分的多设备系统状态维修决策建模方法,在此基础上建立维修成本最小的解析模型,以决策风力机最优的状态检测周期和维修阈值.实验结果表明,基于状态监测的风力机视情维修机会方案可以很好地节约系统运维成本.