机械系统故障非线性过程的双时间尺度诊断方法

机械系统的故障是从轻微到严重的非线性发展过程，由于监测数据与运行状态之间复杂的不确定性关系，单独的过程分析或细节分析均难以实现故障程度的准确量化。本项目研究融过程分析与细节分析为一体的双时间尺度故障诊断方法，主要内容包括：以支持向量回归和动态时间弯曲为基本工具，建立历史故障过程的基准趋势模式，在过程尺度上匹配并预测故障的发展方向；构造面向故障发展阶段细节特征的形态学结构元素库，设计级联加权的形态学算法，捕捉不同故障阶段在信号中的差异表现；建立双时间尺度故障症状的树形结构，依托过程特征与细节特征的时间相关性，形成过程为主、细节验证的动态流程，定量评估故障的发展程度，并通过模拟故障、自然损伤和现场测试三种方式进行验证。本项目构建过程化的动态诊断机制，为早期故障预示提供新思路，可以提高故障辨识与预测的准确性，对保障机械设备安全可靠运行具有重要的意义。

针对机械系统故障的非线性发展过程，开展机械故障过程试验、细节尺度分析、过程尺度分析和双时间尺度诊断方面的研究，实现过程化的故障诊断机制，提高故障辨识与预测的准确性，保证机械设备安全可靠性运行。在机械系统非线性故障过程的试验研究方面：以齿轮箱动力仿真器为试验对象，采集不同运行条件下的多故障阶段振动信号；构建数据采集系统，满足状态数据的长周期采集与保存需要；设计并完成轴承损伤过程试验平台，获得故障从发生到发展的全过程试验数据；从工业现场中收集关键设备的现场测试数据，提供应用验证数据。在故障特征的细节尺度分析方面，研究基于形态学滤波器的故障特征提取方法，设计形态学结构元素的优化准则和免疫优化算法，使用级联开闭-闭开的加权组合形态学算法，从强背景噪声信号中分离出故障引发的冲击成分以及机械回转引起的特征成分；使用两次随机共振方法获得微弱冲击衰减成分的出现周期、时刻以及固有频率，通过移动最小二乘法拟合冲击衰减成分的幅值与阻尼，形成面向故障发展阶段细节表现的形态特征库，辨识故障发展过程中的特征成分变化。在故障过程尺度分析方面，提出隐含故障过程的核密度估计神经网络跟踪方法，从长周期监测数据中动态提取状态主导特征成分；研究基于支持向量回归的故障过程基准模式建立方法，设计与幅值时间的平移伸缩无关的相似性参数，衡量待分析趋势序列与故障过程基准模式的匹配程度；提出基于一类支持向量机的机械故障诊断信息记忆模型，满足动态积累且表现多样的故障信息记忆需要；提出基于自适应失效阈值的退化失效估计方法，实现了无先验信息条件下个体设备失效与故障发展程度的量化评估。在双时间尺度诊断方面，研究过程为主、细节为辅的特征匹配机制，在故障发展的时间背景下分层次地实现动态故障诊断；研究功能部件潜在失效与可观测关联部件失效的时间尺度关系模型，构建长寿命周期功能部件的潜在退化过程评估方法；研究机械系统多故障模式的混合比例风险模型，融合过程尺度的寿命数据与细节尺度的监测数据，实现多故障模式相互竞争与作用条件下系统故障时间的准确预测。本项目先后在国内外期刊及会议上发表论文7篇，其中SCI检索5篇，EI检索2篇，待投稿论文2篇，项目成果申请国家发明专利1项，项目组成员参加境外学术会议2次，开展境外学术合作1人次。项目开展期间培养博士研究生2名，其中1人已毕业，培养硕士研究生3名，其中2人已毕业。