基于数据的机电设备多变换域非线性故障预测理论方法研究

大型机电设备大部分故障是趋势性故障，其故障发展通常具有长历程特征，长历程故障发展信息往往被工况变化等非故障信息所淹没，传统方法难以进行有效故障预测。主要面向大型旋转机电设备，开展基于现场数据的故障预测理论方法研究，提出多变换域非线性预测新途径，实现长历程变工况设备故障预测；提出非线性降维拓扑映射故障特征提取新方法，提取对设备正常工况变化不敏感而对故障及潜在故障变化发展敏感的故障发展趋势信息，实现故障特征发展变化与非故障能量变化的解耦和分离；提出具有动态自适应特点的新型神经网络智能预测方法，实现基于历史和现时特征信息的非线性联想预测；同时，比较评价有关预测方法的适用性，构建故障预测知识和预测系统，改进和完善远程在线监测诊断中心及相关实验系统，进行基于在线实测数据的实验研究和实践验证。研究工作对实现大型机电设备早期故障预报，保障安全运行，节约维护费用，提高利用率及实施科学维护具有重要意义。

大型机电设备大部分故障是趋势性故障，其故障发展通常具有长历程、非线性及非平稳的复杂特征，在故障预测中故障发展信息往往被工况变化等非故障信息所淹没，传统方法难以进行有效故障预测。本项目主要面向大型复杂旋转机电设备，采用理论方法研究和实验研究相结合的方式，开展基于现场数据的故障预测理论方法研究。主要研究多变换域非线性预测新方法，实现长历程变工况设备故障预测，提出复杂装备非平稳弱信号的故障发展演变趋势特征提取方法，提取对设备正常工况变化不敏感而对故障及潜在故障变化发展敏感的故障发展趋势信息，研究非线性降维拓扑映射故障特征提取新方法等。项目总体研究工作进展顺利，按期按计划完成了计划书规定的研究内容，开展了国际合作与交流并组织了国内外学术会议，取得了预期的研究成果。部分具体研究内容随着研究工作的展开进行了必要的扩展，如在理论方法研究、实验研究、系统研制和实践验证等环节。研究成果包括：构建双跨转子-轴承系统碰摩-松动耦合等典型故障非线性动力学模型，提出基于小波包惩罚函数的振动信号软阈值降噪方法，提出基于Birgé-Massart阈值的状态特征弱信息提取方法，提出局部切空间排列和支持向量机的非线性降维映射方法，构建基于动特性检测的高档车削中心故障知识库，构建基于信息熵的时变最优组合预测模型，提出基于主元分析故障重构的旋转机械故障预测方法，提出基于灰色径向基函数神经网络的故障预测方法等，改进旋转机械实验台系统，进行典型故障模拟与仿真实验研究，完善并改进机电设备远程状态监测与故障预示系统，进行基于工业现场实际数据的机电设备状态数据采集、分析处理和实践验证，完善并研发面向大型烟气发电机组、油田大型注水机组、市政供水机组、大型燃气动力机组、大型风力发电机组等高端、大型与关键机电设备的状态监测与故障预警技术及系统。项目研究成果对实现大型复杂机电设备早期故障预报，保障设备安全运行，避免重大事故发生，节约维护费用，提高利用率及实施科学维护具有重要意义，并且研究成果的推广与应用能够获得明显经济效益和社会效益。