基于高维退化特征的旋转机械剩余寿命预测方法研究
旋转机械在飞机、船舶、机床等设备中发挥着重要作用。旋转机械及其部件常工作在转速高、周期长等恶劣工况下，因此极易发生故障，影响工厂正常运转，导致经济损失或严重安全事故。剩余使用寿命（RUL）预测作为机械预测和健康管理（PHM）的主要任务之一，对建立预测性的设备维护方案起到至关重要的作用，不仅可以使机器以最低的维护成本获得最长的稳定运行时间，还可以降低故障发生率，提高设备的安全可靠性。 旋转机械的退化过程通常持续时间长且退化机理复杂的特点，单一的退化特征难以对其进行准确的描述。因此，探索如何提取和利用高维退化特征，构建合适的预测模型，实现对旋转机械剩余寿命的准确预测是本文的主要研究目的。 本文围绕旋转机械的退化特性，深入开展了基于高维退化特征的旋转机械剩余寿命预测方法研究，主要研究内容如下: （1）基于异常滑动修正算法的特征处理方法。首先，分析了原始振动数据中异常波动对健康指标的影响，总结了退化趋势中随机波动的变化成因。其次，基于滑动移窗思想，提出了局部异常滑动修正算法，改善了退化过程存在的随机虚假波动。然后，分析了旋转机械退化过程速率变化情况，建立了基于状态变化率的自适应预测起始点判断方法，实现了对开始预测时间的主动寻优。最后，针对指数预测模型易累计随机误差的问题，使用模拟退火算法优化改进。研究结果表明，本章所提方法可以有效去除随机异常波动，确定最优预测起始点，有助于提高模型预测精度。 （2）基于高维特征融合的剩余寿命预测方法。首先，针对单一特征难以有效刻画旋转机械的性能退化状态，分析了多种特征指标的退化特性，总结和利用退化过程的特性，构建了健康指标筛选准则，实现了高维特征的有效选取。接着，探究健康指标与融合要素之间的相关性，通过非线性降维方法实现了高维特征融合，降低了特征信息冗余。最后，研究退化过程变化情况，构建高斯自相关隐马尔科夫预测模型用于实验寿命预测。实验结果表明，经过筛选的高维融合特征比单一特征以及未经筛选的高维融合指标，具有更好的预测性能，有利于提升预测准确率。 （3）基于高维时间卷积双向网络的剩余寿命预测方法。首先，通过对统计学预测方法局限性分析,采用基于深度学习的预测方法进行泛化性能研究。然后，分析时序退化数据的特点，针对现有网络对时间信息宽度的灵活学习能力不足的问题，提出了一种有关高维数据的深度学习预测方法。此方法综合了时间卷积神经网络，双向长短时记忆网络以及自注意力机制的优势，采用三阶段方法进行时间序列预测，扩宽了时间信息的感受野,充分利用了历史和未来双向信息，增强模型长时间信息学习能力。采用三组不同数据对本章所提方法进行验证,实验结果表明此方法具有较好的预测性能和泛化性能。 （4）基于注意力时空双卷积网络的剩余寿命预测方法。首先，针对高维退化数据的空间属性易被忽略的问题，分析了高维数据的时空分布情况,建立了时间和空间特征数据模型。其次，从时间信息利用的角度出发，提出了残差门控时间卷积神经网络，不但具有简洁的网络结构，还提升了对时间信息的获取能力;从空间信息利用的角度出发，使用图卷积网络构建空间特征关系图，实现对空间尺度上信息的提取。最后，为了整合不同层次的时空特征，提出了多输入注意力机制，提高预测网络对特征的敏感性。使用两组不同实验对本章所提预测方法进行验证，实验结果表明，此方法突破了传感器个数限制，能充分挖掘和利用高维数据的时空信息，增强模型预测性能。
旋转机械;剩余寿命预测;退化特征;时空预测模型;异常波动修正
北京化工大学
博士
动力工程及工程热物理
唐刚
2023
中文
TH17
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）