基于多时间尺度模型的变工况大型旋转机械健康管理研究

Large-scale rotating machinery is with complicate operating conditions and complex sensor signals. This project employs dynamics theory, fault diagnosis and prognostic theory to develop a multi-time-scale health management method for rotating machinery under varying operating conditions. Firstly, with the proposed statistical window analysis method, the signals of high frequency and very low frequency are described through a unified way. Secondly, the small time scale input-output fitting model, the small time scale input-output state-space model and the large time scale statistical model are created by applying fitting methods, subspace identification method and statistical method. Thirdly, faults are diagnosed based on the left null space decoupling method for fitting model and observer decoupling method for state-space model, where the effects of varying operating conditions are eliminated and the performance of fault diagnosis is also evaluated. Fourthly, the residual life time percent is taken as the health indicator, and the health state is predicted based on the large time scale statistical model with neural network techniques. The maintenance cost of the whole machine per unit time is minimized by applying a preventive mainte nance strategy. The results will improve the safety, reliability and arability of rotating machinery, and reduce the maintenance cost.

大型旋转机械系统复杂、工况多变、信号频率多样，其突发故障与性能退化现象在不同时间尺度上呈现。首先，提出随机窗口分析方法，解决高频振动信号与低频缓变信号特征的统一表征问题，在多时间尺度上描述系统多源输入输出信号，并运用拟合、辨识及统计等技术，建立小时间尺度稳态拟合模型、瞬态状态空间模型和大时间尺度运行统计模型，表述复杂系统在多时间尺度上的输入输出耦合关系；其次，拓展拟合模型左零空间解耦方法和状态空间模型观测器解耦方法，解决工况变化与系统输出耦合的问题，在小时间尺度上生成仅反映故障信息的残差，实现突发故障快速诊断；然后，基于大时间尺度一致性假设，探讨系统退化程度与运行统计模型参数的关系，解决系统在复杂工况下长期运行时的寿命预测问题，并利用在线规划技术，研究成本优化的维护方法；最终，形成基于多时间尺度模型的变工况大型旋转机械健康管理方法，为复杂机电系统的可靠性、安全性和可维护性研究提供思路。

项目背景：大型旋转机械系统复杂，工况多变，在长期运行过程中性能逐渐退化，剩余寿命逐步下降，易出现突发故障。监测采集的传感信号种类多样，并与运行工况存在直接关联关系，使突发故障和性能退化现象在不同时间尺度上得以呈现。.主要研究内容：首先，研究旋转机械多时间尺度模型构建，解决高频振动信号与低频缓变信号的统一表征问题，提取信号小时间尺度瞬态特征及大时间尺度统计特征，构建小时间尺度稳态、瞬态状态空间模型和大时间尺度运行统计模型；其次，研究构建旋转机械整机与主要部件健康指标，研究主要部件健康评估方法及在线寿命预测方法；然后，研究基于模型的成本优化在线预防智能维护方法；最终，形成基于多时间尺度模型的变工况大型旋转机械健康管理方法。.重要成果及关键数据：提出了基于图像特征的大型旋转机械轴承故障诊断方法；提出了基于迁移学习的大型旋转机械轴承故障诊断方法；提出了小时间尺度瞬态故障特征提取方法；提出了基于频谱搜索的旋转机械健康监测技术，有效定位轴承故障特征频率，实现故障有效诊断；提出了基于图像稀疏表示的旋转机械故障诊断，实现对不同故障程度的多种故障识别；提出了基于改进VMD的旋转机械早期故障诊断方法，有效提高故障诊断判别时间，有助于设备在线预防维护；提出了基于SIOS能量特征的旋转机械性能退化评估技术和基于敏感频带能量与人工神经网络的剩余寿命预测技术，有效评估轴承剩余寿命，优化了设备在线预防维护。.科学意义：本项目深入分析变工况下传感信号与旋转机械运行状态的关联特性，开展变工况大型旋转机械健康管理方法研究。所取得的研究成果可及时发现系统的突发故障、预测关键部件和整机的剩余寿命、动态合理地安排维护操作，从而保证旋转机械运行的安全性和可用度，提高服役性能，降低运行维护成本。