旋转机械剩余使用寿命预测研究

摘要

现代制造业的快速发展促进了大型机械设备的大规模生产。旋转机械是大型机械设备的关键部件，然而，旋转机械在长时间运行后，难免会有磨损，性能下降，最终导致故障。不及时的进行维护，这些故障可能就会导致机器的损坏，甚至大型灾难。剩余使用寿命（Remaining Useful Life，RUL）预测对于旋转机械的状态监测和及时维修具有重要意义，是保证机械安全运行、降低维修成本和经济损失的一项有前途的技术。
本文以轴承和齿轮的全寿命周期振动信号作为研究对象，提出了基于一种新的排序特征和时间卷积网络（Temporal Convolutional Network，TCN）的旋转机械RUL预测方法。对于现存的RUL预测方法，总的来说，可以分为两类：基于模型和数据驱动。如果所建立的模型能够准确地表征老化机械的退化过程，则第一种方法是有效的。然而，实际老化过程受到各种因素的影响，比如负载和工作环境等。一般退化过程是非线性、随机、动态变化的，因此在退化模型中存在着大量的不确定参数。相对而言，数据驱动的方法可以实时跟踪机器的退化过程，能更准确预测RUL。因此本文基于数据驱动的思想，首先对原始振动数据进行处理，构造出一系列的特征；然后通过这些特征训练出一个预测模型，用于RUL预测。
目前，一些分解算法多用在信号的预处理上，比如传统的经验模态分解算法（Empirical Mode Decomposition，EMD），然而，EMD分解信号可能出现模态混叠和端点效应现象，所以本文引入了集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和局部均值分解（Local Mean Decomposition，LMD）算法作对比。但由于分解后的信号内部数据之间的关系并不是很清晰，这就导致训练预测模型时很难捕捉到其数据内在规律，针对这一点，本文提出了将冒泡排序（Bubble Sort，BS）算法用在特征的提取上。实验结果表明，BS算法的应用可以较大程度的提升旋转机械RUL预测精度。其次，深度学习技术已成为RUL预测的研究热点，本文将深度学习网络TCN用于预测模型的训练，该方法与传统的极限学习机（Extreme Learning Machines，ELM）、长短期记忆（Long Short Term Memory，LSTM）和卷积神经网络（Convolutional Neural Network，CNN）相比较，结果表明，本文提出的基于排序特征和TCN的RUL预测方法效果更好。