论文部分内容阅读
随着工业化的发展,机械设备结构趋于连锁化,产品质量性能指标持续升高,一旦某一环节出现故障,会导致整个生产链的断裂,产生巨大的损失。因此,机械设备的故障监测具有重大的工程实践意义。基于故障监测数据的复杂化、非线性化等特征,分别针对预测模型冗余、特征描述不充分和识别稳定性不够的缺陷,引入基于逐步变量预测模型的模式识别方法(简称SVPMCD)、时序分析AR模型、信息融合技术到故障诊断领域以实现机械设备的状态监测,本文对基于AR-SVPMCD的多传感器信息融合故障诊断方法展开研究,相关工作如下：首先,针对变量预测模型在特征量较多的情况下会出现模型冗余问题,导致信号特征描述不够准确,识别率降低的缺陷,引入逐步回归分析,提出了一种基于逐步变量预测模型的模式识别方法。通过对变量预测模型进行“最优选择”,得到精简的逐步变量预测模型,提高了识别精度。仿真数据实验和机械故障实验验证了改进方法的有效性。其次,利用时序分析短序列动态建模与预测预报的优势,将AR模型与基于逐步变量预测模型的模式识别方法相结合,提出了一种基于时序分析和逐步变量预测模型的模式识别方法(简称AR-SVPMCD)。通过采用对被测信号进行AR建模后得到的自回归参数作为特征量训练逐步变量预测模型,大大提高了识别的精度。仿真数据实验和机械故障实验验证了该方法的优越性。最后,针对单一传感器提供信息不全面和运行状态不确定的缺陷,引入多传感器信息融合技术,提出了一种基于AR-SVPMCD的多传感器信息融合故障诊断方法。通过AR-SVPMCD方法得到初步诊断结果,再利用D-S证据理论进行融合决策诊断,提高了识别的稳定性。机械故障实验验证了该融合诊断方法的有效性。