基于全矢-AR模型的旋转机械故障趋势预测方法研究

摘要

大型旋转机械故障趋势预测中，传统的AR预测模型是基于单源信息的，事实上，由于转子的涡动特性，同一截面不同方向振动信号的频谱结构是有差异性的。因此，针对单源信息进行故障趋势预测，其结果具有差异性。为保证预测结果的可靠性和唯一性，本文将全矢谱技术引入到AR预测模型中，构建全矢AR预测模型。由于AR模型和全矢AR模型具有短期预测精度高，中长期预测精度低的特点，将卡尔曼滤波引入到AR模型和全矢AR模型中，通过实例对其有效性进行验证。本课题的主要成果如下：
　　（1）研究了基于全矢谱的AR模型在大型旋转机械转子系统故障趋势预测的应用。给出了具体的理论计算公式及故障趋势预测流程图。通过实例分析，验证了全矢AR预测模型在转子系统故障趋势预测的可行性，有效的保证了故障趋势预测结果的可靠性。
　　（2）研究了基于卡尔曼滤波的AR模型在大型旋转机械转子系统故障趋势预测的应用。将卡尔曼滤波与AR模型相结合，提出了一种新的故障趋势预测方法——AR-Kalman预测（ARKF）方法，并给出了具体的理论计算公式及故障趋势预测流程图。通过实例分析，验证了该方法在提高AR模型线性预测精度的有效性。
　　（3）研究了基于卡尔曼滤波的全矢AR模型在大型旋转机械转子系统故障趋势预测的应用。结合全矢AR模型和卡尔曼滤波各自的特点，分别提出了全矢AR-Kalman预测（FARKF）模型和全矢AR-Kalman修正（FARKC）模型，并给出了它们的具体理论计算公式及其相应的故障趋势预测流程图。通过实例分析，验证了它们在提高全矢AR模型线性预测精度的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题的来源

1.2 设备故障预测的重要意义

1.3 旋转机械故障预测的研究现状

1.4 同源信息融合技术的发展状况

1.5 本课题的研究目的和意义

1.6 本课题的主要研究内容及结构安排

2 预测模型全矢数据融合

2.1 引言

2.2 全矢谱理论

2.3 全矢谱的数值计算

2.4 试验验证

2.5 本章小结

3 全矢AR(FVAR)模型故障趋势预测

3.1 引言

3.2 AR(n)模型的构建及试验分析

3.3 全矢AR（FVAR）模型数值算法

3.4 实例验证

3.5 本章小结

4 基于Kalman滤波的全矢AR模型故障趋势预测

4.1 引言

4.2 Kalman滤波方法及其应用

4.3 全矢AR-Kalman预测（FARKF）模型数值算法

4.4 全矢AR-Kalman修正（FARKC）模型数值算法

4.5 实例分析

4.6 本章小结

5 结论与展望

5.1 结论

5.2 关键技术和创新点

5.3 展望

参考文献

致谢

个人简历 在校期间发表的学术论文及研究成果