机械故障诊断学第四章：设备状态的识别与预报.pdfVIP

第四章：设备状态的识别与预报 4.1 概述 4.2 时序分析方法简介 4.3 设备状态与故障的识别方法 4.4 设备状态与故障的预报 4.1概述 一.设备状态的识别 设备状态识别是根据设备在运行过程中 的动态信息，提取与状态有关的特征， 用适当的方法来识别设备所处的状态及 故障。识别的实质是对设备的状态与故 障进行分类的过程。 1 二.设备的状态预报 根据设备的当前状态、设备的历史状况 和设备当前的环境条件，利用故障预报 技术和方法，预报设备在未来某个时刻 可能所处的状态，尤其是估计故障的传 播和发展，对设备的劣化趋势做出早期 预报。通过趋势预报可以预测设备未来 的运转情况，进行预报警和确定设备的 残余寿命，以便及时维修和更换，可以 预防或者减少故障所造成的破坏。 二.设备的状态预报 1. 对故障预报技术的基本要求 实时性是指预报的效果必须快速显现，以及 时采取应对措施，避免故障的发生； 准确性是指预报结果应力求准确，漏报和谎 报都会影响设备的正常运行。 2. 设备运行状态预测的实质 设备运行状态预测的实质就是数据预测或者 趋势外推。数据预测的方法很多，大体分为 三个类型，递推型、连续型和统计型。 2 三.常用的设备状态预报方法 1.参数模型预报 参数模型预报是最为常用的一种预报方法。参 数模型预测法首先对观测的历史数据的模型做 一定的假设，然后经过对模型参数的估计得到 相应的预测值。常用的参数模型有多项式曲线 拟合、主观概率预测、回归预测、卡尔曼滤波 器、确定型时间序列、随机型时间序列、灰色 模型等。 如果假设的模型与实际不符，这种方法的性能 就较差。 三.常用的设备状态预报方法 2.人工神经网络预报 基于神经网络模型的预测是一种非参数模型预 报，无需对传感器的测量信号做模型假设，比 参数模型预测有更广泛的应用范围。人工神经 网络预报的主要优点在于： （1）根据应用场合特点建立网络拓扑结构，不 需要建立反映系统物理规律的复杂的数学模 型； （2）神经网络比其它方法更容易容忍噪声； （3）具有非线性预测能力。 3.时间序列预报 3 4.2 时序分析方法简介 一.时间序列的基本概念 时间序列：按照事件发生的前后顺序排列 所得的一系列数据。 时间序列分析方法 （简称时序分析方 法）：以研究的系统的运行数据建立数 学模型，用这个模型来分析数据的变化 规律，进而研究产生这些数据的系统的 状态和特性。 二.时序模型的结构与建模 对于来自平稳随机过程的一组样本 { } k 1,2, L,n x k 可以建立一个线性的、时间反演的时序模型： x −ϕx −ϕx −L−ϕ x a +θa +θa +Lθ a k 1 k−1 2 k−2 M k−M k 1 k−1 2 k−2 N k−N 上式称为（M ，N ）阶自回归滑动平均模型， 记：ARMA （M ，N ）。 4 二.时序模型的结构与建模 式中： ϕi —为自回归系数，i ＝1,2,…M θ —为滑动平均系数，j ＝1,2,