基于健康状态概率估计的轴承故障预测
文章信息
关键词：预测;退化阶段;向量机模型;剩余使用寿命;压液化天然气泵
摘要:在状态维修（煤层气）中，对维护工程师来说，有效的诊断和预测工具在确定即将发生的故障和预测的剩余使用寿命的组成部分的最后失效前是必不可少的工具。这使补救措施要提前安排生产，如果必要的话。所有的机器部件都在实际环境中进行降解过程，它们具有一定的故障特征，这可能与操作条件有关。本文介绍了一种用于精确评估剩余寿命轴承基于健康状态的概率估计和历史知识嵌入在闭环的诊断和预测系统。该技术使用的支持向量机分类器作为一种工具，用于估计健康状态概率的机器降解过程中，提供长期预测。为了验证该模型的可行性，从高压轴承故障的历史数据，现实生活中的液化天然气（hp-lng）泵进行分析，并使用获得的剩余使用寿命（RUL）的最优预测。得到的结果是非常令人鼓舞的，并表明，基于健康状态概率被提出来的测试系统用来作为一个估计工具有很大的可靠性，可用于工业机械残余寿命预测。
1、背景简介
基于状态检修的一个重要目标是确定一台机器更换或检修的最佳时间。准确预测机器系统剩余使用寿命的能力是至关重要的，也可用于提高生产效率，延长机器使用率，提高系统的安全性。在煤层气中，通常是在评估或预测的机器健康，而不是它的服务时间，从而导致延长使用的机器，减少停机时间和增强的操作安全性的基础上进行的。一个有效的预测程序是在发生灾难性事件前的充足时间内安排维修工程师维修并且按要求更换部件。在计算机技术和信息技术加速了现代机器合理进步的生产能力已在机械故障诊断中取得了进展，但不能预测。
虽然现在的专家诊断工程师通过连续监测和分析机器条件的行业，对机器故障和退化的健康状态有很多很重要的信息和经验，但是，很好地理解系统的方法和支持系统的方法和支持系统如何预测机的剩余寿命仍然没有什么可用性。预测任务仍然依赖于人类专家的知识和经验。因此，有一个迫切需要不断开发和改善预测的模型，可以实现最少人参与的智能维护系统。
众多的预测模型已经被提出并在技术文献报道，然而大多数预后方法仍然面临着为工业应用提供准确的长期预测能力的问题。可以说，预测是相当困难的，因为它的精度是要制定比诊断，因为它的准确性是随机过程，毕竟失败的事件尚未发生。目前的预测方法可以被归类为与一个或多个以下的方法：数据驱动和基于模型。
数据驱动的方法直接源于常规监测系统的运行数据（如校准数据，热数据，光谱数据、功率、振动与声信号、温度、压力、油液、电流、电压）。在许多应用中，测得的输入/输出数据是了解系统降解知识的主要来源。数据驱动的方法依赖于除了系统故障事件发生外，数据的统计特性是比较一致的假设上(Vachtsevanos, Lewis,Roemer, Hess, amp; Wu, 2006)。它们是建立在历史记录的基础上，根据状态监测数据产生预测输出。这些方法是基于统计和学习方法，以及方法包括模式识别理论(Jianhui, Pattipati, amp; Kawamoto, 2003)。配合使用数据驱动的几个信号为基础的技术在文献中已报道(Garga, Meclintic,Campbell, Yang, amp; Lebold, 2000; Swanson, 2001; Wang amp; Vachtsevanos, 1999; Wang amp; Wong, 2002; Yang, 2001; Zhang,Basseville, amp; Benveniste, 1994)。这些技术主要集中在监测的信号相关的系统健康的状态信号的某些参数估计。
最有前途的数据驱动的方法是基于人工智能方法。这些方法利用统计学习技术，包括模式识别的理论，如混合SVM模型的贝叶斯网络（BN）(Ramesh,Mannan, Poo, amp; Keerthi, 2003)，神经模糊模型(Wang,Golnaraghi, amp; Ismail, 2004)，神经网络(Gebraeel, Lawley,Liu, amp; Parmeshwaran, 2004; Shao amp; Nezu, 2002)，反向传播神经网络（BPNN）(Dong, Yu-Jiong, amp; Yang, 2004; Huang et al., 2007)，动态小波神经网络（DWNN）(Wang amp; Vachtsevanos, 2001)，和递归神经网络（RNNs）(Tse amp; Atherton, 1999; Yam, Tse, Li, amp; Tu, 2001)。基于数据技术的优点是将高维的噪声数据为诊断/预测的决定低维信息的能力。数据驱动的方法的主要缺点是，其有效性是高度依赖于系统的运行数据的数量和质量。
然而基于模型的方法，需要一个精确的数学模型的开发和使用残留的特点，其中残差检测测量的实际系统和数学模型的输出结果之间的一致性检查（Vachtsevanos et al.，2006）。统计技术通常被用来定义阈值来检测故障的存在。最近报道了几个统计模型，如递归最小二乘（RLS）（Li et al.，1999），比例强度模型（PIM）(Vlok, Wnek, amp; Zygmunt, 2004)，比例风险模型（PHMS）(Banjevic amp; Jardine, 2006; Gasmi, Love,amp; Kahle, 2003)，和隐藏的马尔可夫模型（HMM）（2003 chinnam amp; Baruah）。模型为基础的方法是适用的情况下，精确的数学模型，可以构造从第一原则。然而，基于模型的方法可能不是最实际的方法，因为故障类型的问题往往是独特的，从组件到组件的变化，并很难被识别，而不中断的操作。
在一般情况下，机器故障的预后带来了很大的不确定性，因为机器的退化是动态的，并经历了一个随机过程通常由一系列的退化状态。传统的基于状态的诊断和预测是基于承认的机器故障的故障行为的迹象。从历史条件数据上，如果在一个给定的故障的存在下，签名描述系统的行为是可以评估当前机器条件下的新到达的签名和历史故障行为之间定量评估的。
图1说明了传统的基于相似性的故障诊断和预测技术。图为两个健康状态的机器降解。最近的行为涵盖了正常和故障状态的瞬变。这种方法可以提供的劣化程度及预测机诊断和预测特定错误的行为。Liu, Djurdjanovic, Ni, Casoetto, 和Lee (2007)提出了基于相似性的制造过程诊断和性能故障预测方法。在他们的论文中，与历史数据的相似性被用来预测故障的概率，随着时间的推移，通过评估预测的特征分布和特征分布与不可接受的设备行为的长期预测的过程性能之间的重叠。然而，这种方法只考虑2个健康状态，即正常和故障条件。在现实生活中，机器故障通常通过各种健康退化状态，直到最后的失败。一个失败的组件或子系统的故障的时间的准确和准确的预测需要考虑的关键状态变量与物理条件的变化。
在本文中，对机器的剩余寿命预测准确，作者提出了一种基于健康状态的概率估计机预测模型。建议的预测模型认为，在机器降解过程中的离散的健康状态概率，可以有效地代表机器故障的动态和随机降解。
一个有效的预测需要绩效考核，退化模型、开发失效分析、健康管理、预测、特征提取和故障历史知识(Lee, Ni, Djurdjanovic, Qiu, amp; Liao, 2006)。在一般情况下，每个机器系统具有其固有的特性，可用于识别故障的来源。因此，对剩余寿命的准确预测，先验分析机器的特性和故障模式的知识是必不可少的。
在该模型中，知识是嵌入在现有的历史故障综合诊断和预测系统，故障历史知识包括故障先验知识，破坏模式和机械降解过程。李等（1999）提出一种可靠的诊断模型是一个预测系统的整体性能至关重要。诊断模块的结果为机器健康状态和系统的重新设计提供了可靠的信息估计，诊断是通过对即将发生的故障采用精确的故障模式。因此，通过使用一个集成的诊断和预测系统，预先确定的故障诊断过程中获得与现有的历史故障知识可以用来提高剩余寿命评估预后的准确性。
健康状态的概率估计，通过探索一个完整的故障降解过程中的机器的最佳选择的最佳数量的健康退化状态，随着时间的推移，从新到最终的故障阶段。在降解过程中使用过多的健康状态的情况下，可以导致过拟合问题的分类性能。另一方面，健康状态的数量不足，可能会导致在拟合。因此，这两种情况均能显著影响分类器的性能，并会影响剩余寿命预测的准确性，在这项工作中，通过对健康状态的分类结果的调查，选择最佳数量的健康状态。
从以往的历史看来，历史故障数据和事件将被应用到确定离散故障的退化阶段数量上。这种方法产生一个有效的特征提取的各种故障和建设的离散退化阶段，为即将发生的故障。这种新的方法，作者的目标是开发一个实用的预测工具可用于在线监测预测其剩余使用寿命（RUL）失败的一个组成部分。
在该模型中，智能故障诊断与离散退化失效健康状态估计是利用一系列的分类算法，如人工神经网络（ANN）、支持向量机（SVM），分类回归树（CART）和随机森林、线性回归等。现有的分类中，分类显示在分类过程中的突出表现与其它分类器相比(Niu, Han, Yang, amp; Tan, 2007a; Niu et al.,2007b; Pal amp; Mather, 2004; Yan amp; Xue, 2008)。在这项工作中，健康状态的概率估计是使用SVM的分类能力和基于每个健康状态概率的后续机器预测分布进行的。为了验证该模型的可行性，高压轴承故障情况下的液化天然气（HPLNG）泵进行分析，得到故障的降解过程。要选择有效的功能，健康状态的分类，采用距离评价技术。几个健康状态进行了研究，以确定最佳数量的健康状态（降解阶段）的机器剩余寿命的准确估计。结果表明，建议的预测模型与五个退化阶段有可能被用来作为一个估计工具，用于在现实生活中的工业应用中的机器剩余寿命预测。
该文章的其余部分组织如下。第二节提出了基于健康状态概率估计与嵌入式历史知识的建议的预后模型。在三节中，利用HP-LNG泵轴承故障的案例研究。为了未来的研究工作，我们对该文章的第四节进行了总结。
2、基于健康状态的概率估计的预测模型
在这项研究中，提出了一种基于嵌入式的历史知识健康状态的概率估计创新预测模型。
图2说明了诊断和嵌入历史知识预测概念整合。对于机器健康的准确评估，对评估机知识过去大量是因为相应的失效模式必须是已知的和很好的描述为了评估当前的机器状态(Jardine, Lin, amp; Banjevic,2006)。在这个模型中，通过对历史数据和事件之前的主要失效模式分析，影响机器的整个生命是确定诊断和预测。可用于诊断和预测的历史知识将提供该系统的组织的关键信息。例如，它可以被用来确定适当的信号处理和特征提取技术。
图3给出了历史知识整合的流程图，用于诊断和预测系统的剩余寿命预测。该系统包括三个子系统，即历史知识、诊断和预测。整个序列包括状态监测，即将发生的故障分类，健康状态估计和预测，并通过链接到基于案例的历史知识，通过历史数据分析之前，历史知识对合适的状态监测技术的选择提供了有用的信息，如传感器（数据）类型和信号处理技术依赖于机器的故障类型。在该模型中，特征提取与选择诊断模块技术与历史知识的联系。位于历史知识模块机器的预定的离散退化失效可用在估计出位于预测模块中机器的健康状况。对某些即将发生的故障预测模块最终的输出也可以累积更新历史知识。这积累的历史知识，然后可以用来更新系统和改善预后模型，提供可靠的后降解功能的不同的故障模式和故障类型。
这三个模块，详细的历史知识，该集成系统的诊断和预测在以下各节描述。
2.1、历史知识
在这个模型中，历史知识是机械的故障诊断和预测如图3描述密切相关。更具体地说，以前的历史数据和故障模式根据历史知识的分析对故障和健康/退化状态估计的故障隔离提供了一个特定的重要参考。历史知识提供有用的信息，有效的即将发生的故障检测和隔离。例如，过去的故障历史数据可以用于智能故障分类性能提供的训练集的历史故障在机器中，该模块提供了以下三种类型的诊断/预后信息，如图三所示的3个分支。
- 历史数据和事件分析：提供过去的失败模式的信息，选择合适的信号处理和特征提取技术，根据故障类型和退化；
- 主要故障：给定一个典型的机器故障数据，它是可能的，以确定即将发生的故障类型，提供训练集的智能故障分类（即，故障检测和隔离）；
- 每个故障模式的退化阶段：过去的状态监测数据的分析提供了定性的理解，对机器的当前状态的估计的每个故障模式的离散故障降解阶段的序列。
2.2、诊断
诊断子系统遵循智能故障诊断系统的典型过程，包括状态监测、信号处理、特征提取和故障分类。在一般情况下，从传感器获取的原始数据需要的信号处理，以获得适当的功能。一系列的功能，计算出的机器的初步即将到来的故障。特征选择有效避免维数高的训练误差值可能导致计算机负担大量过度拟合训练数据的问题是必要的，称为特征选择问题(Weston,Chapelle, Poggio, 2000)。
数据降维的目的是减少高维数据样本到一个低维空间的同时保留最内在的信息中包含的数据集。一次降维可以进行适当的、紧凑的代表性的数据，为各种后续的任务，如可视化和分类，可以利用。一种有效的特征选择可以更好的预测性能，成本效益和更好地了解潜在的过程产生的数据(Guyon amp; Elisseeff, 2003)。几种特征选择算法已经在最近的文献综述文
剩余内容已隐藏，支付完成后下载完整资料
英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147781]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
