通常,机械设备在完全失效前要经过一系列不同的性能退化状态.如果能够在设备性能退化过程中监测到其性能退化的程度,就可以有针对性的制定设备维护计划,防止设备故障的突然发生.设备性能退化评估正是基于以上思想提出的一种主动设备维护的技术.隐马尔科夫模型(HMM)作为一种重要的模式识别和分类方法,在机械设备状态监测和故障诊断领域应用比较活跃.本课题旨在研究新型的HMM在性能退化评估与预测中的应用.提出基于频带熵的滚动轴承特征频率提取方法。当轴承存在点蚀故障时，主要的能量成分都集中在高频共振频带，并且包含了被调制到该频带内的各个特征频率成分。基于该理论，Antoni等提出了基于谱峭度的包络解调方法来解决该问题。结合信息熵和振动信号的时频分布特点，提出了一种基于频带熵(Frequency band entropy,FBE)的包络解调方法，利用轴承共振频率处频带熵较小的特点来设计自适应滤波器相关参数并求取包络谱。实验数据验证经过基于频带熵的滚动轴承特征频率提取可以有效表征轴承的故障特征。另外，滤波后的信号也可以更好的应用于轴承的故障诊断和性能退化评估。提出基于耦合隐马尔科夫模型的多通道信息融合轴承故障诊断与性能退化评估方法。耦合HMM(Coupled HMM,CHMM)是一种由两个或多个HMM链组成的，各个HMM链的状态变量相互关联的概率统计模型。CHMM不但保留了HMM的数学结构和概率推理能力，而且在此利用多通道状态间的相互依赖关系建立起了各个通道间的因果关系和影响，因此非常适合用于对多通道数据进行信息融合。提出基于SOA的故障诊断与性能退化评估系统架构。使用Web服务和WCF编程模型对该系统架构进行了验证和实现，并应用到某鼓风机的状态监测与故障诊断。
展开▼
