样本受限下的关键传动设备衰退演化预测及视情维修决策

Predictive maintenance is important because it can avoid “over maintenance” and “less maintenance” to a great extent. Consequently, cost and risk can be declined for a company. The current predictive maintenance is deficient. First weak fault signal may be filtered and fault may be missed detected if denoising or filtering methods are used for weak fault detection. Second, the current equipment deterioration evolution prognosis methods are based on amount of failure samples or suspension samples which datasets are balanced. Prognosis models are hard to be built if samples are limited and unbalanced. Third, most of the maintenance decision models ignore the real-time prognosis results of equipment deterioration evolution and spare availability. To solve the problems above, a weak fault detection method is proposed based on multi-stable stochastic resonance. The fault detection efficiency is improved for a single weak fault and multiple faults. New equipment deterioration evolution prognosis methods are developed based on deep learning and stochastic processes. The problems of equipment deterioration evolution prognosis are solved considering the limited extent and imbalance. Considering the availability of different spares and real-time prognosis results of equipment deterioration evolution, a joint optimization model of equipment predictive maintenance and spare ordering. This study with improve the theory and application of predictive maintenance.

视情维修因能很大程度上避免“欠维修”和“过维修”的发生，为企业降低成本和风险故尤为重要。现有的视情维修理论中还存在以下不足：一是滤波去噪类故障检测方法有时会将微弱故障信号滤掉，从而造成故障漏检；二是现有的设备衰退预测模型大多以一定量的失效样本或截尾样本为建模基础，当样本受限且数据集不平衡时难以建立预测模型；三是大多维修决策模型忽略了设备衰退演化实时预测结果和维修备件可用性的影响。针对上述不足，本项目提出了基于多稳态随机共振模型的微弱故障检测方法，提高了对单一微弱故障和多微弱故障同时检测的效率；提出了基于深度学习理论和随机过程的设备衰退演化预测模型，解决在不同受限程度及数据集不平衡情况下的设备衰退预测问题，揭示了维修行为对可修设备退化的影响；考虑不同维修备件的可用性，结合设备衰退演化实时预测结果，建立了设备视情维修和备件订购集成优化模型。本项目的研究将完善视情维修理论，提高其工程实践性。

视情维修因在很大程度上能够避免“过维护”和“欠维护”现象的发生，能够为企业降低运维成本和设备突发失效风险而深受学界和工业界的重视。然而现有的视情维修体系尚不成熟，在某些特定情况下的设备故障检测、设备退化预测和维护决策等方面还需要进一步完善。具体而言包括：微弱故障信号的有效检测、样本受限下的设备退化预测和剩余寿命预测以及基于设备的退化预测结果的设备成组维护决策。针对上述三方面的问题本项目展开了深入的研究。具体包括构建了基于振荡共振理论的设备单一微弱故障信号和多微弱故障信号的同时检测方法。振荡共振理论与现存的大部分的故障检测方法不同，现有的方法中大部分是将背景噪声信号滤除从而达到检测故障信号的目的，但这种方式也可能会破坏故障信号。与之相反，振荡共振模型能够实现在不去除背景噪声，甚至是人为添加噪声的情况下增强微弱故障信号的表征，从而达到检测微弱故障信号的方式。针对设备的退化预测和剩余寿命预测，本项目在总结现有的预测方法的基础之上，提出了基于随机森林和深度学习的设备剩余寿命预测模型。此外，受到振荡共振理论的启发和含噪最大期望算法的启发，构建了针对处于不同样本状态下的设备剩余寿命预测方法，该方法采用人工噪声和深度学习模型，大大的提高了在不同状态下的预测模型的鲁棒性和预测效率。在进行成组设备的视情维护建模时，首先构建了针对单个设备的退化预测模型，然后根据退化程度和服役时间对设备的失效风险进行了评估，然后根据不同设备的失效时间构建了以长期维护成本率最低为目标的决策模型，通过维护时间窗进一步对维护决策进行优化。以上研究内容中所建立的模型均通过模拟信号、试验台数据、公开实验数据以及真实设备的状态监控数据中得到了验证。本项目中的研究成果不仅丰富了视情维护的理论，也为将振荡共振理论、噪声有益性理论、决策优化理论应用于机械故障诊断、设备退化预测和维护决策领域提供了实验依据。

内容获取失败，请点击重试