面向复杂系统耦合性信息的局部反向建模诊断方法研究

复杂机电系统参数耦合性普遍存在，且耦合故障所占比重逐年增加，迫切需要研究针对复杂机电系统耦合故障的监测诊断方法。本项目通过研究数据间关联关系的数学表示方法，并建立其与故障的映射模型，利用关联关系的变化跟踪系统状态变迁。主要内容包括：构造非线性基函数模板库，以典型相关分析为基本工具，提取监测数据序列各种局部非线性关系模型，建立模型与故障的映射；设计高效索引结构，通过快速的模型匹配，实现故障诊断；基于非线性关系模型匹配结果，构造参数间的可达矩阵，标识参数的传递路径，从而识别源发性故障；引入时间窗，建立时变非线性关系模型，并提取综合性指标，以捕捉系统状态变化；以一类支持向量机为工具，建立综合性指标的自适应报警线，实现系统状态的自动监测；通过仿真数据和试验数据进行技术验证。本项目以数据为基础，利用数据的局部关联关系反向建立系统的状态模型，有望提高建模的精度和效率，为复杂系统的故障诊断提供了新思路。

复杂机电系统参数耦合性普遍存在，且耦合故障所占比重逐年增加，迫切需要研究针对复杂机电系统耦合故障的监测诊断方法。本项目通过研究数据间关联关系的数学表示方法，并建立其与故障的映射模型，利用关联关系的变化跟踪系统状态变迁。主要内容包括：研究了基于典型相关分析的复杂系统故障关联影响模式提取及故障辨识技术。利用典型相关分析，提取复杂系统的故障关联影响模式，进而抽取故障关联表现模板，通过模式比对实现对复杂系统故障的辨识；研究了基于广义典型相关分析的复杂系统故障非线性关联影响模式提取技术，提出了通过广义映射提取非线性关联关系的技术；研究了基于窗典型相关分析的复杂系统在线监测技术。通过改进典型相关分析，引入时间窗，实现时变相关关系的监测，满足了系统状态实时监测需求；研究了基于统计量的非线性关联关系辨识技术。采用了核偏最小二乘方法建立系统的数据模型，利用SPE统计量监测模型在残差空间的变化，并通过T2统计量监测模型在主元向量空间的波动，建立了数据关联关系与系统状态的映射，间接实现了数据非线性关联关系的辨识；研究了基于贡献率的故障源定位技术。通过改进的贡献率计算方法，量化了变量对数据模型变化的影响程度，实现了耦合性故障源的快速定位，并利用仿真实例验证了该方法的可行性；以隐马尔科夫模型观测矩阵为研究对象，提出了用观测矩阵间的相似度来表征数据间亲疏程度的方法，以全自动活塞生产线精加工机床的刀具为监测对象，以机床主轴电流数据为数据对象，验证了方法在复杂应用背景条件下有效性；提出了以矩阵相似度系数大小作为故障多类分类依据的方法，避免了传统依据概念作为分类依据方法存在的不对称性问题，使DHMM更好地在小数据样本背景得到应用。通过本项目的研究发表9篇学术论文，其中SCI检索3篇，申请发专明专利1项，培养博士研究生3名，硕士研究生3人。