基于集成软竞争自适应共振理论的复杂机械系统早期故障检测与故障预测方法研究

Aiming at the difficulty of fault feature extraction, weakness of incipient fault information and less fault samples, on the basis of adaptive resonance theory, adaptive resonance theory based on the soft competition is built, and the ensemble cluster methods based on the soft-competition adaptive resonance theory and Yu’ norm is proposed, which is combined with the feature parameter of multiple symptom domain, and applied to the incipient fault detection of complex mechanical. Furthermore the soft-competition adaptive resonance theory is introduced into the radial basis function neural network, the ensemble radial basis function neural network prediction method based on the soft-competition adaptive resonance theory is supposed, and is used to predict the feature parameter respectively, based on the self-organizing map neural network the composite feature is obtained and used to depict the performance degradation of mechanical system, thus the fault prediction of the system is finished. At last, with rolling mill as the object of the research a set of system for incipient fault detection and fault prediction is built and used to validate the effectiveness of these supposed methods. The research project gives a new way for the incipient fault detection and fault prediction of complex mechanical system and is of vital importance for the improvement of the safety and reliability and the avoidance of terrible accident.

本项目针对复杂机械系统故障特征提取难、早期故障信息弱、故障样本少导致早期故障检测及故障预测困难的问题，以自适应共振理论（ART，adaptive resonance theory）为基础，建立了基于软竞争ART模型，提出了基于集成软竞争ART的Yu范数聚类方法，并结合多征兆域特征参数，实现了复杂机械系统早期故障检测；提出了基于软竞争ART－RBF神经网络集成预测方法，并分别对多个特征参数进行预测，再结合自组织映射模型，构造出表征系统性能退化的综合指标，实现了复杂机械系统的故障预测。最后，以轧机机组为研究对象，建立了一套早期故障检测和故障预测系统，用于验证本研究所提出方法的有效性。本项目研究将为复杂机械系统早期故障检测和故障预测提供了一条新的途径，对提高机械装备运行安全性和可靠性，避免恶性事故发生具有重大意义。

本项目针对机械设备故障特征提取难、早期故障信息弱、故障样本少导致设备早期故障检测、故障诊断与预测难的问题，以自适应共振理论（ART）为基础，研究了基于软竞争和硬竞争的学习机制和基于Yu范数的相似性理论，提出了基于Yu范数相似度区分技术的特征选择方法，提出了基于硬竞争ART的Yu范数无监督聚类、基于侧抑制软竞争和模糊竞争学习（FCL）软竞争ART的Yu范数无监督聚类等方法，并结合集成学习技术和多征兆域特征参数，提出了集成软竞争ART的Yu范数无监督聚类方法和集成有监督ART方法，从而实现了设备早期故障检测和故障诊断识别，并通过对齿轮、轴承、油缸泄漏等故障的诊断分析验证了该系列方法的有效性。在研究软竞争ART和RBF网络模型的基础上，建立了基于软竞争的ART-RBF神经网络预测模型，提出了集成软竞争ART-RBF神经网络预测方法，并结合多个特征参数的预测值，利用SOM模型获取了反映设备性能退化的综合指标参数预测值，从而实现了设备的故障预测，并通过对轴承性能退化趋势的预测分析验证了该方法的有效性。并且，在研究全变分方法的基础上，提出了改进的小波全变分、基于非凸正则化的二阶全变分降噪方法，有效实现了信号的提纯及故障特征参数的提取，提出了基于再生相移正弦辅助的EMD和基于张量奇异谱分析的盲源分离方法，实现了单通道信号的多故障源分离及多故障特征参数提取，并通过轴承、轧机传动系统等故障的诊断分析验证了该系列方法的有效性。此外，在轧机轧制性能方面也研究了非局部效应对非局部轧制接触应力的影响，从而为轧机性能退化的预测分析奠定了基础。. 这些研究内容及取得成果将为机械设备早期故障检测、故障诊断和故障预测提供了一些新的思路和方法，对保障设备的正常运行具有重要的理论意义和应用价值。