机械设备管理论文提纲

论文题目：基于EEMD-马田系统的机械设备关键部件的健康管理研究

摘要：随着科学技术的日益进步与精密仪器的飞速发展,对机械设备的可靠性和安全性要求也逐渐提高,如果没有一套完善的机械设备管理体系对其实施诊断与评估,那么就无法确保机械设备能够有效、顺畅、持续的运行。一旦机械设备的关键部件出现了故障,就会带来各种负担、降低运行效率,甚至引发一系列不良的后果。由于机械设备在运行使用阶段必定经历由正常逐渐到衰退并最终失效的过程。因此,只有对机械设备进行健康管理,获得实时监测信息基础上准确有效地进行故障诊断和健康状态评估,才能够预防突发故障的发生、提高机械设备的可靠性、降低运营成本、保障机械设备能够高效安全地运行。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）可以将信号分解为多个固有模态分量（Intrinsic Mode Function,IMF）与余项之和,从而反映信号内在特征信息。马田系统（Mahalanobis Taguchi System,MTS）是一种整合马氏距离、正交表和信噪比进行分类和诊断的模式识别方法,具有独特的分类和降维理论。本文将两者结合并引入到健康管理领域中,深入讨论了 EEMD-马田系统模型在机械设备关键部件的故障诊断和健康评估中的应用。本文的研究工作有以下几个方面:1)健康管理体系的研究。从机械设备的特点出发,在分析了预测与健康管理技术（Prognostics and Health Management,PHM）相关理论研究的背景和局限之后、阐述了机械设备的概念和特点,明确了本文的研究对象是滚动轴承。在此基础上分析了机械设备关键部件健康管理体系并从特征提取、故障诊断、健康状态评估、信息融合四个关键技术具体的描述。在这些描述中不仅仅介绍了各种技术手段的概念和作用,而且给出了彼此之间的联系和区别。2)基于EEMD-马田系统的故障诊断的研究。针对传统的马田系统在使用正交表和信噪比筛选特征变量存在的不足之处,提出了一种使用粗糙集改进的马田系统方法并将其用于解决故障诊断问题。首先使用EEMD对振动信号进行分解,并提取参数作为特征向量输入马田系统中。然后,构建基准空间并验证有效性,通过粗糙集代替正交表和信噪比来优化和筛选指标,从而实现机械设备的故障诊断。故障诊断的实例证明了该方法能够有效的判断滚动轴承的故障类型。3)基于EEMD-马田系统的信息融合方法此处不仅需要考虑到机械设备关键部件的故障诊断问题,而且还关注机械设备拥有各种组件和零部件这个特点。因此,本文使用证据理论融合各种传感器采集到的信息,从而全面地反映出机械设备的故障情况。该方法在使用EEMD-马田系统进行故障诊断的基础上,分别对每种故障模式构造基准空间,从而确立了基本信任分配函数。然后根据证据理论的合成规则完成信息融合的故障诊断。最后再次通过故障实例说明了信息融合方法可以大幅提高机械设备故障诊断的准确性和可靠性。4)基于EEMD-马田系统的健康状态评估方法。为了及时掌握机械设备的变化规律,针对目前健康状态评估研究比较匮乏的现状,提出了一种基于EEMD-马田系统的健康评估方法。归纳和整理出健康状态评估的标准,仅使用正常状态下的数据训练马田系统模型,从而建立全寿命周期的健康评估模型。在此基础上提出了一个健康指标从而便于直观地发现全寿命周期的变化过程。最后利用滚动轴承加速寿命试验的案例来证明该方法的有效性。

关键词：机械设备;健康管理;马田系统;EEMD;故障诊断;健康状态评估

学科专业：管理科学与工程

摘要

Abstract

1 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 相关研究综述

1.2.1 机械设备的健康管理研究综述

1.2.2 马田系统综述

1.2.3 文献总结

1.3 本文主要研究内容

1.4 本文主要研究方法和技术路线

1.5 本文的章节安排

1.6 主要创新点

2 EEMD和马田系统方法的概述

2.1 EMD方法

2.1.1 瞬时频率

2.1.2 固有模态函数

2.1.3 EMD方法步骤

2.2 EEMD方法

2.3 马田系统的原理

2.3.1 马氏距离

2.3.2 正交表

2.3.3 信噪比

2.3.4 马田系统的步骤

2.4 本章小结

3 机械设备关键部件的健康管理

3.1 机械设备健康管理

3.1.1 PHM的概述

3.1.2 机械设备健康管理的概念和特点

3.2 机械设备关键部件——滚动轴承的研究

3.3 机械设备关键部件的健康管理的技术手段

3.3.1 特征提取技术

3.3.2 故障诊断技术

3.3.3 健康状态评估技术

3.3.4 信息融合方法

3.4 本章小结

4 基于EEMD-马田系统的故障诊断方法

4.1 粗糙集理论的概述

4.2 基于粗糙集优化的EEMD-马田系统故障诊断模型

4.2.1 基于EEMD的特征提取和特征参数的构造

4.2.2 构建基准空间

4.2.3 确认基准空间的有效性

4.2.4 粗糙集优化基准空间

4.2.5 判断故障类型

4.3 实例分析

4.3.1 实验装置和参数设置

4.3.2 步骤和结果分析

4.3.3 对比分析

4.4 本章小结

5 基于EEMD-马田系统的信息融合方法

5.1 基于信息融合的故障诊断框架

5.2 证据理论的概述

5.2.1 识别框架

5.2.2 基本信任分配函数

5.2.3 信任函数

5.2.4 似真函数

5.3 基于证据理论的信息融合故障诊断方法

5.3.1 分析机械设备关键部件的结构

5.3.2 采集关键部件数据

5.3.3 基于EEMD的特征提取

5.3.4 马田系统获取证据源

5.3.5 构建基本信任分配函数

5.3.6 证据理论的合成

5.4 实例分析

5.5 本章小结

6 基于EEMD-马田系统的健康状态评估方法

6.1 健康状态评估的标准

6.1.1 基于控制图的评估标准

6.1.2 基于距离的评估标准

6.1.3 构造参数模型的评估标准

6.2 全寿命周期的健康状态评估方法

6.2.1 EEMD特征的提取

6.2.2 确立基准空间

6.2.3 验证基准空间

6.2.4 基准空间的优化

6.2.5 计算健康指数

6.2.6 健康状态等级划分

6.3 实例分析

6.3.1 指标和数据集

6.3.2 实验步骤和结果分析

6.3.3 对比分析

6.4 本章小结

7 结论与展望

7.1 结论

7.2 展望

致谢

参考文献