考虑设备状态退化特点的自适应诊断研究

机械设备由于老化、磨损等原因存在状态退化过程，如果在状态监控过程中通过有效的监测或评估退化程度，对组织生产和设备维修具有重要的价值和意义。本项目以隐马尔科夫模型自适应在线学习为理论基础，提出健康监控过程中自适应故障诊断技术研究。项目通过对机械设备运行中采集的振动信号进行基于小波分解/分形理论的奇异点分析，实现对Lipschitz指数的估计和系统故障特征的提取；通过对状态特征参数选择和融合技术的研究，强化故障特征使之能更好地反应系统当前状态并实现对故障特征信息的压缩，提高故障特征的敏感度；构建相应的状态评估系统使之能准确及时地反映系统健康状态；通过对隐马尔科夫模型中Bayesian自适应框架下RKL/RPE在线学习方法的理论研究，进一步改进和提高基于隐马尔科夫模型故障诊断系统的效率和性能。因此，本项目的实施不仅可以改善故障诊断识别系统的性能和效率，而且能够丰富模式识别领域的理论和方法。

针对机械设备存在的状态退化过程，本项目以隐马尔科夫模型自适应在线学习为理论基础，针对设备健康监控过程中的自适应诊断技术开展了三个方面的研究，即：（1）微弱信号检测与特征提取；（2）设备健康状态评估；（3）自适应故障诊断。在青年科学基金项目的资助下，已申请国家发明专利2项，发表论文19篇（其中SCI收录6篇，EI收录15篇），另有2篇论文已录用。获得自然科学基金青年面上连续资助、973二级子课题等项目的资助，与航空装备研究所开展合作课题1项。2011年入选第九批四川省学术和技术带头人后备人选，以及教育部新世纪优秀人才支持计划。2012年入选电子科技大学百人计划。.在微弱特征信号检测方面，针对旋转机械中存在的微弱周期信号和非周期信号，从增强特征信号能量和提高信噪比的角度，实现微弱特征信号检测算法的设计与开发。针对系统多故障发生时由于频率混叠导致不同故障特征频率难以辨识这一极具挑战性的问题，开展了插值离散傅利叶变换（IpDFT）方法的研究。在此基础上，创新的提出了Zoom IpDFT方法，该方法综合局部频带放大和IpDFT的思想，显著提高了信号频谱分析的精度和频率分辨率。.在系统健康评估方面，提出了小波分解细节信号基于故障特征能量的优选方法，在最优细节信号基础上，构造了设备的健康参数FSGI；同时，建立了相应的故障判定准则，实现被监测对象的早期故障检测及健康状态的量化描述。该研究成果适用于齿轮箱系统的健康评估和剩余寿命预测，在发表两年多的时间里，该论文受到国内外学者和研究人员的关注，Google Scholar引用超过30次。.多次担任国际会议程序委员会/技术委员会委员，参与国际会议的组织工作，并应邀在国际会议做专题讲座和特邀报告。曾担任ICRMS 2009国际会议论文集的主编，现担任国际期刊IEEE Transactions on Reliability以及Microelectronics Reliability的客座编委。2012年被聘为香港城市大学客座教授，现为国际电工电子工程学会（IEEE）和美国工业工程学会（IIE）高级会员，美国机械工程学会（ASME）会员。担任多个国内外学术期刊的审稿人，并为CRC Press、John Wiley and Sons等出版社评审专著写作计划。