发明名称 |
一种机电设备非线性故障预测方法 |
摘要 |
本发明涉及一种机电设备非线性故障预测方法,1、获取能代表设备运行状况的数据,选取一段长历程的对故障敏感的连续振动信号进行分析;2、利用3σ方法和插值方法对振动数据分别进行异常值剔除和缺失数据填补;3、采用提升小波方法对振动信号中进行降噪;4、将降噪后的振动信号分解到相应的特征频带内;5、利用某一典型预测特征频带,采用非线性流形学方法通过拓扑映射与非故障能量信息解耦,得到低维流形特征;6、利用具有动态自适应特点的递归神经网络,及低维流形特征的第一维作为神经网络输入,在时域进行长历程趋势的智能故障预测。本发明由于采用提升小波方法,算法简单、运算速度高、占用内存少,适合故障特征的特征频带提取。本发明可广泛应用于各种机电设备的故障预测中。 |
申请公布号 |
CN101799368A |
申请公布日期 |
2010.08.11 |
申请号 |
CN201010101329.9 |
申请日期 |
2010.01.27 |
申请人 |
北京信息科技大学 |
发明人 |
徐小力;陈涛;王少红;吴国新 |
分类号 |
G01M19/00(2006.01)I;G01M13/00(2006.01)I;G01M13/04(2006.01)I |
主分类号 |
G01M19/00(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
一种机电设备非线性故障预测方法,其步骤如下:步骤一、通过现有远程监测诊断中心获取能代表设备运行状况的数据,选取对故障敏感的某测点传感器输出的一段长历程的连续振动信号进行分析;步骤二、利用3σ方法和插值方法对获取的振动数据分别进行异常值剔除和缺失数据填补;步骤三、采用提升小波方法对振动信号中所包含的噪声进行降噪;步骤四、利用提升小波方法将降噪后的振动信号分解到相应的特征频带内;步骤五、利用步骤四中获取的某一典型预测特征频带,采用非线性流形学习方法通过拓扑映射与非故障能量信息解耦,得到用于故障预测的低维流形特征;步骤六、利用具有动态自适应特点的递归神经网络,及步骤五中的低维流形特征的第一维作为神经网络输入,在时域进行长历程趋势的智能故障预测。 |
地址 |
100192 北京市海淀区清河小营东路12号机电系统测控重点实验室 |