大型复杂装备早期故障诊断关键技术研究

Incipient fault diagnosis for large and complex equipment is an efficient means to ensure the reliability and stability of large and complex equipment. It is a new frontier field driven by engineering requirements. Incipient fault diagnosis for large and complex equipment includes three common difficulties: it is hard to obtain monitoring signals due to the inconspicuous of fault features; it is hard to describe the running state of large and complex equipment due to the variety of monitoring data; it is hard to achieve high fault diagnosis efficiency due to weak separability of fault features. These three common difficult issues correspond to three key scientific problems: how to obtain small monitoring signal under complex conditions including unknown disturbance and strong noise corruption; how to refine monitoring big data with low density, multimodal and uncertainty; how to achieve intelligent fault diagnosis with multi working conditions’ partitions, fault coupling and few fault samples. In order to solve the common difficult issues of large and complex equipment, this study focuses on weak monitoring signal acquisition method based on blind source separation, big data fusion representation based on granular computing, intelligent diagnosis method for incipient fault based on deep learning. Finally, incipient fault diagnosis experiments of large-scale wind turbines are conducted to verify the correctness and feasibility of the theory and method. This work plays an important promoting role on the developing of incipient fault diagnosis theory and method for large and complex equipment.

大型复杂装备的早期故障诊断是保障大型复杂装备安全平稳运行的重要手段，是由工程需求驱动的新兴前沿方向。项目围绕大型复杂装备早期故障诊断中的共性难点问题（在监测信号获取层面上，故障征兆信号微弱，难获取；在装备运行状态描述层面上，运行状态监测数据繁多，难描述；在故障的诊断识别层面上，故障特征可分性弱，难诊断），针对其对应的科学问题（系统未知扰动与强噪声干扰环境下的微小监测信号获取；海量、低密度的多模态、不确定性监测数据的融合表示；多工况交替、多故障信息耦合下的早期故障智能诊断），研究针对大型复杂装备的基于盲源信号分离的微弱监测信号获取方法、基于粒计算的监测数据融合表示方法、基于深度学习的早期故障的智能诊断方法，采用大型风力发电机组的早期故障诊断，验证理论与方法的正确性和可行性。以期实现大型复杂装备早期故障诊断共性难点问题解决上的突破，完善大型复杂装备早期故障诊断理论与方法。

早期故障诊断是保障大型工业系统和复杂装备安全可靠运行的关键技术和重要手段。随着传感技术及计算机技术的快速发展和深入应用，采集和存储的监测数据增多，数据驱动的智能故障诊断已成为故障诊断领域的前沿方向和研究热点。本项目从数据驱动的角度出发，基于典型的表示学习模型，结合大型工业系统和复杂装备监测数据的不同特性，对智能故障诊断问题进行了研究和探讨。项目组针对微弱信号征兆信息难获取的问题，研究了基于字典学习的微小监测信号获取方法，该方法可在源信号及其混合过程未知的情况下，根据源信号的统计特性，仅由观测信号分离或恢复出源信号，能够有效克服系统未知扰动和强噪声的影响；针对高维监测数据运行状态难描述的问题，研究了基于多粒度矩阵的监测数据的融合表示方法，粒计算通过选择与早期诊断任务相适应的粒度空间，对监测数据规模进行压缩，能很好地克服大型复杂装备监测数据的高维特性，有效地解决不精确、不完整、模糊以及海量信息问题的融合表示问题。其粒度计算范式也与监测数据的多层次特性高度契合。基于粒计算的融合表示方法，能克服大型复杂装备监测数据的高维度、数据量大的特性；针对早期故障难识别的问题，研究了基于深度学习的早期故障智能诊断方法，深度学习方法将特征设计问题转化为网络架构问题，深度挖掘潜藏在状态数据内部的不显著故障信息，不依赖先验知识，也不需考虑特征设计细节，表征、分类能力强。基于深度学习的早期故障智能诊断模型将孤立的特征提取和分类模型有机整合，通过构建深层网络对状态数据进行抽象表达，能够建立特征与故障模式之间的复杂映射关系。通过上述研究实现了大型复杂装备早期故障诊断关键技术的突破，推进了大型复杂装备早期故障诊断领域研究工作的开展，完善了早期故障诊断理论与方法。