状态监控与智能诊断关键技术研究及其在汽车起重机主泵中的应用

摘要

设备在服役期内的安全性、可靠性越来越受到业界的重视。起重机广泛应用于众多基础建设项目，工作环境恶劣复杂，是事故率最高的特种机械设备之一。设备关键部件发生故障，就可能破坏整台设备甚至影响整个生产过程，不仅造成巨大的经济损失，甚至可能导致灾难性的人员伤亡事故。实时监控设备运行状态、及时对其故障进行诊断是避免非计划停机和保障起重机安全生产的重要措施。
　　 基于数据驱动的状态监控与智能诊断是当前研究的一个热点，同时也面临着一系列理论和技术上的挑战:复杂噪声环境下有用信号的提取;设备运行状态有效特征的提取;基于实时在线智能故障诊断模型的建立;以及针对故障样本稀缺和故障模式不完备情况下智能诊断模型的建立等。本文研究复杂工作环境下工程机械状态监控与故障诊断的共性关键理论方法与技术，并应用于大型汽车起重机主泵。主要内容包括:
　　 (1)小波去噪是信号处理领域中的重要方法，如何确定小波分解层数是一个关键问题。本文针对加性高斯白噪声的情况，提出了基于blockbootstrap进行白化检验确定小波分解层数的新方法。主要包含三个步骤:首先对信号进行小波分解，利用延迟自相关量考察小波系数的相关性;其次，根据每层系数相关性的程度，采用blockbootstrap过程或者bootstrap过程对原始的小波系数进行采样产生新的bootstrap样本;最后，由于有用信号和噪声在小波空间上不同的传播特性，对获得的小波系数样本进行白化检验，继而确定合适的分解层数。实验表明，该方法对白噪声污染信号能够获得合适的分解层数和良好的去噪效果。
　　 (2)小波阈值的选取是小波去噪的另一个关键因素。本文提出了一个基于AdvancedFalseDiscoveryRate(AFDR)的多假设检验方法确定小波阈值的新方法，该方法基于对真的原假设数目的估计，选择合适的stepwise过程（step-up，step-down，step-up-down）。AFDR过程与标准的FDR过程相比，有两个主要特点:通过减少比较的次数，提高了多假设检验的效率;提高了检验的势。对应的的自适应小波去噪方法主要包含两个步骤，第一，模型在小波域得到更紧凑的表示，第二，根据小波系数本身的特点，选择最合适的FDR过程。仿真数据和实际实验表明，算法能够灵活调整显著性水平的大小并有效去噪，本方法滤波效果与其它经典的滤波技术相比，具有一定的优势。
　　 (3)基于小波leaders多重分形分析提出了振动信号特征提取新方法。在本文算法中，由尺度指数、多重分形谱和log累积量构成多重分形特征对设备不同故障状态和故障程度进行诊断，并对各分形特征及其组合的分类性能进行评估。8个小波包能量特征也被引入到特征集合，实验在轴承11组故障数据集上表明，能够获得较为理想的分类效果。同时表明，多重分形特征结合小波包能量特征的分类性能优于多重分形特征或小波包能量特征或时域统计特征，也优于时域统计特征与小波包能量特征或多重分形特征的组合特征。利用距离评价准则，对组合特征进行选择，冗余特征的去除，使分类性能进一步得到提高。
　　 (4)提出了基于粒子群相关向量机(RelevanceVectorMachineswithParticleSwarmOptimization，PSO-RVM)的智能诊断方法，其中粒子群算法用于优化相关向量机核函数的参数，各二值相关向量机按二叉树的组织形式构成系统的诊断模型。实验表明该方法所得模型需要的相关向量个数很少，而且能够得到比较高的诊断精度，适合对实时性要求高的在线诊断系统。另外，针对机械运行最初阶段，往往只有正常状态的样本，到一定阶段后故障样本才逐渐增多，常规故障诊断模型无法进行有效的训练这一问题，本文提出了一个基于蚁群支持向量数据描述(SupportVectorDataDescriptionwithAntColonyOptimization,ANT-SVDD)新异类检测和DaviesBouldin指数(DaviesBouldinIndex，DBI)K均值聚类方法结合的机械故障诊断框架。首先对正常状态样本建立SVDD模型，并利用蚁群算法对SVDD模型参数进行优化。当拒绝样本数目累积到设定的阈值时，对这些样本利用K均值聚类方法进行处理，获得能够进行标记的类别，其中，K均值聚类的类型数目由DaviesBouldin指数辅助确定。最后，对这些标记出的各类样本，分别建立SVDD模型进行训练，由这些SVDD分类器按照二叉树形式组成对系统状态的完整诊断模型。实验验证了所提算法的有效性。
　　 (5)提出了汽车起重机智能维护总体框架设计和数据库系统设计，并利用本文所提出的状态监控和故障诊断关键技术，进行汽车起重机主泵基于小波预处理技术的状态监控分析和基于PSO-RVM、ANT-SVDD聚类的智能诊断研究。信号消噪前后的包络谱表明，利用所提出的预处理技术，可以明显改善信号质量，提高状态监控的准确性。针对汽车起重机柱塞泵6种状态，包括正常，轴承内圈故障，滚动体故障，柱塞故障，配流盘故障，斜盘故障，建立PSO-RVM诊断模型，并与后向传播神经网络(Back-PropagationArtificialNeuralNetwork，BP-ANN)，蚁群优化神经网络(AntColonyOptimizationArtificialNeuralNetwork，ANT-ANN)，相关向量机方法(RelevanceVectorMachines，RVM)，粒子群支持向量机(SupportVectorMachineswithParticleSwarmOptimization，PSO-SVM)进行比较。诊断结果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的识别精度，与PSO-SVM识别精度相当，分别达到99.17％和99.58％，但是所需相关向量的数目远小于支持向量的个数，每个二分类RVM的相关向量数目是对应SVM的支持向量数目的1/12-1/3。进一步验证了PSO-RVM更适合在线实时监控。利用主泵相同的数据，首先对主泵正常状态建立ANT-SVDD模型，然后对异常样本根据DB指数进行聚类，将由新发现类型样本建立的ANT-SVDD分类器组合进系统诊断模型，实现了主泵新增故障类的智能诊断。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景及意义

1．1．1 课题来源

1．1．2 课题的背景及意义

1．2 汽车起重机状态监控及智能诊断技术国内外研究现状

1．2．1 汽车起重机概况

1．2．2 工程机械状态监控及智能诊断现状

1．3 基于数据驱动的状态监控及故障诊断研究现状

1．3．1 信号降噪技术

1．3．2 特征生成与降维

1．3．3 智能诊断技术

1．4 本文研究内容及技术路线

1．4．1 问题的提出

1．4．2 研究内容和技术路线

1．5 论文内容安排

第二章 小波去噪合理分解层数确定方法

2．1 引言

2．2 小波变换去相关性和bootstrap采样

2．2．1 小波变换的去相关性

2．2．2 Bootstrap重采样原理

2．2．3 Block bootstrap重采样方法

2．2．4 最优块长的确定

2．3 基于合理分解层数的小波去噪

2．3．1 基于小波的块bootstrap过程

2．3．2 白噪声检验

2．3．3 基于小样本的白化检验

2．3．4 白化检验去噪算法

2．4 实验验证

2．4．1 仿真实验

2．4．2 轴承数据实验

2．4．3 进一步讨论

2．5 本章小结

第三章 基于多假设检验的小波去噪阈值确定方法

3．1 引言

3．2 假阳性率概念

3．3 改进的FDR控制过程

3．3．1 FDR控制的实现

3．3．2 原假设数目的估计

3．3．3 改进的FDR过程

3．4 基于AFDR的小波去噪

3．5 实验验证

3．5．1 仿真实验

3．5．2 轴承数据实验

3．5．3 进一步讨论

3．6 本章小结

第四章 基于小波leaders的多重分形特征提取方法

4．1 引言

4．2 小波leaders介绍

4．3 基于小波leaders的多重分形特征提取

4．4 相关量的选取

4．4．1 母小波的选择

4．4．2 多分辨量矩阶数范围的选择

4．4．3 回归尺度选择

4．4．4 诊断模型选择

4．5 模拟信号检验小波leaders提取多重分形特征

4．5．1 “devil staircase”函数的多重分形分析

4．5．2 模拟振动信号多重分形分析

4．6 基于小波leaders特征滚动轴承故障诊断实验

4．6．1 实验条件

4．6．2 多重分形特征提取相关量的选取

4．6．3 多重分形特征的分类性能

4．6．4 多重分形和其它特征组合的分类性能

4．7 本章小结

第五章 基于PSO-RVM和基于ANT-SVDD聚类的诊断模型

5．1 引言

5．2 基于PSO-RVM的智能诊断模型

5．2．1 RVM分类

5．2．2 基于粒子群的RVM参数优化

5．2．3 基于PSO-RVM的诊断模型

5．3 基于PSO-RVM模型的滚动轴承故障诊断实验

5．3．1 实验装置

5．3．2 实验数据描述

5．3．3 模型初始参数设置

5．3．4 实验结果与分析

5．4 基于Ant-SVDD和聚类的新增类故障诊断模型

5．4．1 SYDD算法

5．4．2 基于蚁群的SVDD参数优化方法

5．4．3 基于DBI的K均值聚类方法

5．4．4 新增类智能诊断模型

5．5 新增类故障诊断模型实验验证

5．5．1 实验数据描述

5．5．2 模型初始参数设置

5．5．3 实验结果与分析

5．6 本章小结

第六章 起重机智能维护系统设计及关键技术应用

6．1 引言

6．2 汽车起重机智能维护系统设计

6．2．1 系统总体架构

6．2．2 系统数据库总体设计

6．3 汽车起重机主泵故障机理分析及振动数据采集

6．3．1 汽车起重机主泵故障机理分析

6．3．2 柱塞泵试验台及传感器的布置

6．3．3 起重机主泵振动数据采集

6．4 小波信号去噪技术在主泵状态监控中的应用

6．4．1 汽车起重机主泵正常状态的振动分析

6．4．2 汽车起重机主泵柱塞磨损故障的振动分析

6．5 汽车起重机主泵PSO-RVM智能诊断方法应用

6．5．1 基于小波包能量特征的汽车起重机主泵PSO-RVM故障诊断

6．5．2 基于小波leaders特征与时域特征的汽车起重机主泵PSO-RVM故障诊断

6．6 基于Ant-SVDD和聚类的汽车起重机主泵新增类故障诊断

6．6．1 数据描述

6．6．2 模型初始参数设置

6．6．3 诊断结果与分析

6．7 起重机主泵智能维护关键技术软件集成应用

6．8 本章小结

第七章 总结与展望

7．1 全文研究总结

7．2 主要创新点

7．3 研究展望

参考文献

致谢

攻读博士学位期间的主要研究成果