（计算机应用技术专业论文）基于gmdh方法的设备剩余寿命预测.pdf

i 、，& 。掣 哆 。，；一豁 武汉科技大学 研究生学位论文创新性声明 本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研 究所取得的成果。除了文中已经注明引用的内容或属合作研究共同完成的 工作外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。 对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名：竺j 坚日期：矽二f2 了 研究生学位论文版权使用授权声明 本论文的研究成果归武汉科技大学所有，其研究内容不得以其它单位 的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定， 同意学校保留并向有关部门( 按照武汉科技大学关于研究生学位论文收录 工作的规定执行) 送交论文的复印件和电子版本，允许论文被查阅和借阅， 同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行 检索和对外服务。 论文作者签名：兰! 兰垒 指导教师签名：砸望2 日 期：丝! ! ：丝 _ - j o 武汉科技大学硕士学位论文第1 页 摘要 机械设备是企业实施生产的核心工具和主要资源，广泛地应用于制造业、电力行业、 载能工业等行业，一方面，他们的运行状态极为重要，一旦设备出现故障，往往后果不堪 设想；另一方面，机械设备的故障诊断不仅包括对设备运行状态的识别、诊断，还包括对 其状态的发展趋势进行预测。因此，如何根据设备运行的状态去预测设备寿命，从而确保 设备处于正常、稳定的工况，是当今各行业最为关注和重视的问题，也是自造业目前的热 点研究问题。 本文首先介绍了该课题的研究背景和国内外的研究现状，然后阐述了设备剩余寿命预 测的相关概念和基本方法。针对设备的寿命预测问题，介绍了常用的几种预测方法，并进 行分析比较，以这些方法为基础，提出了有别于传统的、适用于非线性复杂系统的、基于 g m d h 理论的设备剩余寿命预测方法，实现了模型结构综合和模型确认的自动过程。并 利用相空间重构理论重构出原动力系统，解决了在应用g m d h 方法进行寿命预测中，因 状态参数过少而无法构造模型的问题。最后通过实例验证了该方法在复杂设备系统的剩余 寿命预测中精度较高的特点。 关键词：设备剩余寿命预测；g m d h ；相空间重构 a b s t r a c t m e c h a n i c a le q u i p m e n t sa r et h ec o r ei n s t r u m e n t sa n dt h em a i nr e s o u r c e st b re n t e r p r i s e s p r o d u c i n g m a n yi n d u s t r i e s ，s u c h a sm a n u f a c t u r i n gi n d u s t r y , e l e c t r i c i t yi n d u s t r y , e n e r g y i n e l u s t r va n ds oo n ，a l lh a v et h e i ro w nm e c h a n i c a le q u i p m e n t s t h er u n n i n g s t a t u so f m e c h a n i c a le q u i p m e n t si se x t r e m e l yi m p o r t a n tf o rt h ed e v e l o p m e n to fe n t e r p n s e s i ft h e s e m e c h a n i c a le q u i p m e n t so c c u l m i s t a k e so rm a l f u n c t i o n s ，w h i c hw i l ln o to n l ym a k ep r o d u c t i o n d e l a y i n g , b u ta l s or e s u l ti n t h e p r o d u c t i o n c o s t si n c r e a s e db e c a u s eo ft h e s ee q u i p m e n t m a i n t a i n i n ge x p e n s e s ，a n dw h i c hd i r e c t l yw e a k e nt h ec o m p e t i t i v e n e s so fe n t e r p r i s e t h e r e t b r e ， e n t e r p r i s e ss h o u l db ea b l et o t r o u b l e s h o o tm e c h a n i c a le q u i p m e n te f f e c t i v e l yi n a d v a n c et o e ! n 1 1 a i l c et h e i rc o m p e t i t i v e n e s s t r o u b l e s h o o t i n gm e c h a n i c a le q u i p m e n t n o to n l yi n c l u d e m o n i t o r i n ga n dd i a g n o s i n ge q u i p m e n tr u n n i n gs t a t e s ，b u t a l s of o r e c a s t i n gt h ed e v e l o p m e n t t r e n do ft h e i rf u t u r er u n n i n gc o n d i t i o n i nt h ep r e m i s et h a tm e c h a n i c a le q u i p m e n t s1 s o nt h e n o 肌a 1 s t a b l ew o r k i n gc o n d i t i o n s ，a c c o r d i n gt ot h er u n n i n gs t a t e so fm e c h a n i c a le q u i p m e n t s h o wt op r e d i c tt h es e r v i c et i m eo fm e c h a n i c a le q u i p m e n t s ，a n da sm u c h a sp o s s i b l et oe x t e n d t h e i rs e i c et i m e ? m a n yi n d u s t r i e sh a v ep a i da t t e n t i o nt os o l v ea b o v ep r o b l e m s ，a n dn a t u r a l l y t h e s ep r o b l e m sa l s ob e c o m eh o tr e s e a r c ht o p i c so fi n f o r m a t i o ni n d u s t r y t h i sp a p e rf o c u s e so nt h ei s s u eo ff o r e c a s t i n gt h er e m a i n i n g l i f eo fm e c h a n i c a le q u i p m e n t si n t h et r o u b l e s h o o t i n gm e c h a n i c a le q u i p m e n t f i r s t l y , t h i sp a p e ri n t r o d u c e s s e v e r a lc o m m o n m e t h o d sf o rp r e d i c t i n gt h es e r v i c et i m eo fm e c h a n i c a le q u i p m e n t s ，a n dt h e na n a l y z e s a n d c o m p a r e st h e s em e t h o d s ，a c c o r d i n gt os y n t h e s i z et h ea d v a n t a g e so ft h e s em e t h o d s ，an e w m e t l 的d w h i c hi sd i f f e r e n tf r o mt r a d i t i o n a lm e t h o d s ，i sp r o p o s e dt of o r e c a s tt h er e m m n m g l i l e o fm e c h a i l i c a le q u i p m e n t s ，w h i c hi sb a s e do nn o n l i n e a rc o m p l e xs y s t e m sa n dt h eg m d h t h e o r y 1 1 1 i sm e t h o da c h i e v e sm ea u t o m a t e dm o d e lc r e a t i n ga n dv a l i d a t i n gp r o c e s s e s ，a n db a s e do n t h e d h a s es p a c er e c o n s t r u c t i o nt h e o r y , i tr e c o n s t r u c tt h ep r i m ed r i v i n gp o w e rs y s t e m ，w n l c n e f f e c t i v e l yr e s o l v et h ep r o b l e mt h a tc a l l t c o n s t r u c tt h es y s t e mm o d e lc a u s e db yn o te n o u g h s t a t ep a r 锄e t e r si nt h ec o u r s eo ft h er e m a i n i n gl i f ep r e d i c t i o nu s i n gg m d h m e t h o d s f i n a l l y , t h r o u g hp r a c t i c a le x a m p l e so f a ne n t e r p r i s ep r o j e c t ，w ev e r i f yt h ee f f e c t i v e n e s so f t h em e t h o d s k e yw o r d s ：r e m a i n i n gl i f ep r e d i c t i o n ，g m d h ，p h a s es p a c e r e c o n s t r u c t i o n 一一一 武汉科技大学硕士学位论文第1 i i 页 目录 摘要i a b s t r a c t i i 目录i i i 第一章绪论1 1 1 研究的背景及意义1 1 2 国内外研究现状l 1 3 研究的主要内容3 1 4 本文的结构安排3 第二章研究基础4 2 1 设备剩余寿命预测4 2 1 1 设备寿命的概念4 2 1 2 设备剩余寿命5 2 1 3 设备故障率曲线5 2 1 4 设备故障模跫6 2 2 设备寿命预测的基本方法和主要内容9 2 2 1 设备预测的基本方法一9 2 2 2 设备寿命预测的主要内容1 0 2 3g m d h 方法简介l0 2 3 1g m d h 的发展1 0 2 3 2 自组织理论简介“ 第三章计算设备剩余寿命的几种方法13 3 1 基于神经网络方法的疲劳寿命预测13 3 1 1b p 神经网络基础1 4 3 1 2b p 网络算法1 4 3 2 基于状态监测的设备寿命预测15 3 2 1 状态监测l5 3 2 2 趋势分析l6 3 2 3 软件设计l6 3 3 基于可靠度理论的剩余寿命预测1 6 3 3 1 可靠度的计算1 6 3 3 2 常用剩余寿命预测思路1 7 3 4 从经济角度考虑设备寿命周期预测1 8 3 4 1 设备的寿命周期费用18 3 4 2 设备使用周期2 0 第四章基于空间重构的g m d h 方法在复杂机械系统状态预测中的应用2 2 4 1g m d h 算法的研究2 2 4 1 1g m d h 算法建模过程2 2 4 1 2g m d h 网络构建2 6 4 2 相空i 、日j 重构2 9 4 3 基于相窄问重构的g m d h 3 0 4 4 机械设备状念预测的动力学模式3 2 第1 v 页武汉科技大学硕士学位论文 第五章g m d h 方法在机械设备寿命预测中的实现3 4 5 1 系统实现语言与实现工具3 4 5 2g m d h 算法的实现3 4 5 3 基于g m d h 算法的实验结果分析3 7 第六章结束语3 9 6 1 工作总结3 9 6 2 工作展望3 9 参考文献4 0 附录i 攻读硕士学位期间成果4 3 到! 谢4 4 武汉科技大学硕士学位论文第1 页 1 1 研究的背景及意义 第一章绪论 当前，新技术新理论的发展同新月异，以这些高新技术为基础生产的先进设备逐步地 应用到各种企业当中，为企业创造更大利润的同时，也促进了社会生产力的飞速发展。然 而对现代企业的设备进行更为科学地管理，有着相当重要的实际意义，因此这是一个值得 深入研究的课题。现有的设备管理理论、设备寿命理论、运行和磨损理论都可以对现代企 业的设备管理起指导作用。 设备管理是【l 】一门新兴学科，是现代企业科学化管理的一个重要组成部分，它也随着 生产的发展而逐渐完善。设备是企业发展的命脉，关系着企业的生存能力，设备同时也是 企业规模化发展的重要标准。设备管理也是企业安生生产、文明生产、环保生产的基础， 是q e h s ( 安全、质量、职业健康和环境) 【1 7 】管理体系的重要组成部分，同时既保证了产品 的质量，也为全名质量管理过程控制提供了依据。 随着生产力的发展和新技术的突飞猛进，充分体现高新技术的先进生产设备更是层出 不穷，使现代化的生产从大规模的集约型生产到最为流行的柔性生产1 5 】。先进的生产设备 走进了各个行业，成为其核一t l , 的关键设备，比如飞机发动机，大型发电机，大型变压器等 等，因此关键设备的j 下常运行决定了生产的推进，如果出现任何设备故障，都可能造成巨 大的损失，也将严重阻碍企业的发展。 本文介绍了几种常用的设备剩余寿命预测【2 】的方法，并总结了这些方法常用的预测步 骤和一些常见问题，其中预测结果与设备在现实中的情况有很大的误差，这直接影响了企 业的生产，和对设备进行科学有效地管理，同时也会严重影响企业的经济效益。文章提出 了一种区别于传统地对设备监测和寿命预测的方法，以g m d h 4 1 理论为基础，通过g m d h 算法对设备剩余寿命进行预测，在g m d h 基础上又提出了基于空间重构1 3 】的方法，很好地 解决了在g m d h 中无法对一维数据进行分析的问题。通过不同的模型建立方法及对各种方 法下预测性能的分析，初步得出g m d h 在一些预测方面的优势。最后在实际设备管理项目 中的设备寿命预测模块中，应用了该预测方法，并从实际预测结果分析了这种方法的可行 性。 1 2 国内外研究现状 在2 0 世纪7 0 年代初期，苏联乌克兰学院的a g i v a k h e n k o 根据控制论中的自组织原理， 提出了g m d h 方法【6 。9 1 ( g r o u p e dm e t h o do f d a t ah a n d l i n g ，数据处理组合法) 。通过g m d h 方法可能构建出类似神经网络的结构【8 1 。g m d h 基于启发式自组织方法，启发式自组织方 法在过程动态分析的基础上利用启发式方法选择模型结构，然后在模型结构的基础上估计 模型的参数。 第2 页武汉科技大学硕士学位论文 二十世纪中期，出现了一大批新兴学科，例如：“耗散结构理论( d i s s i p a t i v es t r u c t u r e t h e o r y ) 、“协同学”( s y n e r g e t i c s ) 、“突变论”( m o r p h o g e n s i s ) 、“超循环论( h y p e r c y c l e t h e o r y ) 、“混沌理论”( c h a o t i ct h e o r y ) 和“分形理论”( f r a c t a lt h e o r y ) 等【9 1 。尽管 这些理论所研究的对象和各自特性不尽相同，但是对于分线性复杂系统的研究是它们的共 同点，另外它们都基本属于自组织建模形式。自组织系统1 5 】的含义是指，自己创建、自 我演化、最终自行组织，在这个过程当中并不需要任何的外界假设和影响，完全主动的从 无序走向有序的过程。 自组织数据处理组合思想( g m d h ) 于上世纪7 0 年代提出后经历了4 0 多年的发展，在 其发展过程中出现了三个早程碑式的事件： a g i v a k h n e n k o 于1 9 6 7 年提出自组织数据挖掘的核心思想一数据处理组合方法 ( g r o u pm e t h o do fd a t ah a n d l i n g ) ； h r m a d a l 瘌a g i v a k h n e n k o 与1 9 9 4 年在 1 0 1 中将之前提出的一系列基于g m d h 的 建模算法进行概括与总结。书中作者将以上算法归纳为一种复杂系统建模的启发 式算法，并从对噪声的免疫能力和收敛能力上对其进行了分析和讨论； j a m u e l l e r & l f r a n k 于上世纪9 0 年代丌发出自组织数据挖掘工具k n o w l e d g e m i n e r 1 0 】： g m d h 方法的优势在于它能够对输入和输出的变量原始信息构造出模型，从而进行自 选择。由g m d h 方法构建出的网络具有神经网络的特性，用多项式处理数据同时在结构上 有自组织、全局优选的特性。因此，g m d h 非常适合用于复杂系统的建模。 机械设备的寿命主要取决于磨损和负载。苏联p i i 雷什科利用内燃机机油中磨屑含量指 定了评定技术状态和剩余寿命的表达式，可根据内燃机负荷程度以及燃油积累消耗量测算 内燃机剩余寿命。苏联b e 卡纳尔丘克着重研究了内燃机动载荷工况( 负荷、转速、温度 及应力) 下主要零件表面磨损的规律性，通过大量实验，将数据进行回归模拟和形成数学 模型，指出了在非稳定的运载荷下雨相当稳定负荷比较情况下，内燃机气缸、活塞及活塞 环的磨损可增长1 2 2 8 倍。 在船舶领域中，杨勇虎提出了船舶动力装置的寿命预测方法【l 习：根据系统的可靠性框图 分析计算可靠度。利用沿时l 、日j 轴辛普森( s i m p s o n ) 法近似几分系统的可靠性曲线可以得 到系统的平均故障问隔时间( m e a nt i m eb e t w e e nf a i l u r e s ，m t b f ) ，求出m t b f 随时问的 变化曲线，根据实际的情况设定一个最小的m t b f 值，如果小于该值对应的时问可认为是 该系统的预计的理论寿命。 l e eb s 等综合利用运行记录数据和实验仿真理论数据预测了发电厂蒸汽产生器的寿命 【1 6 】。j a g a n n a t h a ns 与r a j ug v s 提出了一种神经网络与模糊分类相结合的自适应方法来预测 发动机的寿命【1 7 】。a b d a l l ai 等开发了一种基于人工神经网络的柔性路面剩余寿命预测软件 【l 引。z e i n s a h a t t os 等通过对正常工况不平衡负载下轴承振动信号的时频特征分析，提出了 2 层神经网络轴承剩余寿命预测算法【l 引。p e t t e r s s o n 提出了关于变压器剩余服役寿命的预测 方法【2 0 】，而k a z m i e r s k 坝0 指出了在变压器寿命预测中需要考虑的关键因素【2 。力臻等按基 武汉科技大学硕士学位论文 第3 页 于某一限值可靠度的方法对有桥梁结构的剩余使用寿命进行了研究2 2 2 3 1 ，对模拟采用维修 或加固措施以延长剩余寿命的桥梁措施，提出了基于体系可靠度并考虑最优维修方案组合 的寿命预测方法，建立了优化数学模型。 1 3 研究的主要内容 本文主要分析常见方法在设备剩余寿命中的应用情况，并提出一种基于相空间重构的 g m d h ( 数据处理组合) 方法，去解决设备剩余寿命预测的问题。用g m d h 方法建模，在 建模过程中不存在个人偏见，如果在相关数据很少的情况下，g m d h 方法对非线性系统的 预测是非常有效的。g m d h 最显著的特点就是对所建立的系统模型进行自主选择。但是应 用g m d h 方法的前提是输入的数据要满足二元二次回归方程，而设备的监测数据往往为一 维数据，对此，本文提出了应用相空间重构的方法来解决该问题。根据以上算法思想，结 合某冶会企业的设备管理系统中的设备剩余寿命预测的模块，本文分析并对该系统模块进 行了编码实现。 1 4 本文的结构安排 本文首先介绍设备剩余寿命的现实意义，并介绍了设备寿命和设备寿命预测的基本概 念，以及常见的预测方法。之后提出了g m d h 理论，并介绍该理论在设备寿命预测中的优 势，然后提出一种基于相空间重构的方法，去解决运用g m d h 方法解决预测中遇到的一些 问题。最后结合实际的项目分析了这种方法在设备剩余寿命预测中的现实意义，并提出了 对今后工作的展望，具体结构如下： 第一章绪论 介绍研究的背景和意义，国内外的研究现状，以及研究内容和论文的整体结构安排。 第二章研究基础 主要介绍了设备剩余寿命的基本概念，和基本解决方法。 第三章计算设备剩余寿命的几种方法 主要介绍了当前常用的集中解决设备剩余寿命预测的方法，以及具体的预测步骤和分 析了这些方法在实际预测中常见的问题和一些缺陷。 第四章基于相空间重构的g m d h 方法在复杂机械系统中剩余寿命预测的研究 在该部分，提出了g m d h 方法，研究了该方法在设备剩余寿命中运用的可行性，并利 用相空间重构的思想去解决g m d h 方法中的一些问题。 第五章g m d h 方法在机械设备寿命预测中的实现 结合了前两章的思想，分析了在实际项目中，设备剩余寿命预测模块的具体作用。 第六章结束语 总结了论文的主要工作，对g m d h 方法在设备剩余寿命预测问题进行概述，并对下 一步的研究工作提出展望。 第4 页武汉科技大学硕士学位论文 2 1 设备剩余寿命预测 2 1 1 设备寿命的概念 第二章研究基础 设备寿命川指设备从开始投入使用起( 包括从出厂和运输的过程) ，直到由于设备功 能完全丧失，或者由于某些人为或客观因素引起的设备报废，而最终退出使用的总时间长 度。按照不同的准则，可以将设备的寿命分为自然寿命、经济寿命和技术寿命三种。 设备自然寿命【i 】是指设备在规定使用条件下，从投入使用丌始( 包括从出厂和运输的 过程，最后上线运行) 到因有形磨损或者由于某些人为或客观因素导致的设备不能保持规 定功能而终止使用的时间。因此，设备的自然寿命主要受有形磨损影响，由其在平时生产 运行使用过程中的可靠性决定，同时也与管理的好坏相联系。设备在使用过程中，由于受 到外力作用，其零部件会发生摩擦、振动、蠕变、腐蚀、生锈等现象，使设备实体会产生 磨损，如果继续使用下去而不进行适当地处理的话，将影响设备的正常使用，还有可能改 变设备运行状态，形成设备故障。通过维修后，虽然可以修复或者恢复设备原有的状念和 功能，但随着设备长时间使用和其他因素的影响，设备的总体性能会逐步地降低，保养维 护工作加剧，可能导致设备磨损严重，从而设备的故障率越来越大，单位时间内的故障次 数也会越来越多，因此设备已经不能实现生产的要求的功能，即使通过维修仍不能提高或 者恢复设备原始性能或者其故障率降仍高居不下，达不到要求的底线，不能满足其使用可 靠性和安全性的要求，这种情况下对设备进行维修的话显然意义不大，如果情况更为严重， 进行局部更换已经没有意义，最好的方法也是最经济最现实的方法就是更换现有设备。此 时，设备就可以认为已经到达了其自然的寿命，也就是到了报废的时间。由此可以看出， 设备故障率函数是对设备寿命的确定起着指导的作用，是预测设备剩余寿命的重要依据。 设备的技术寿命【l 】( 又称设备有效寿命) 是指设备从投入使用到因技术落后而被淘汰 所延续的时问。随着科学技术的进步和生产力的发展，设备的更新换代速度急剧加快，也 导致了设备的技术寿命随之变短，其表现为很多设备在没有达到使用寿命的时候，已经不 能继续加入生产工作，因此，在计算设备剩余寿命的同时也要考虑设备的技术寿命，它也 是预测设备剩余寿命的重要依据，不容忽视。 设备的经济寿命【4 】是指设备从开始投入使用，到从经济价值考虑而不适合再使用以致 被更新或淘汰所经历的时间。维护、维修和保养等费用决定了设备的经济费用，其利用价 值也是参考数据之一。设备的经济寿命决定了在何种时期更换设备，是产生最大价值收益 的关键点。 对于己知单元的一个寿命分御函数，其平均寿命使用下面公式计算： 武汉科技大学硕士学位论文第5 页 聊( ) 2 而1 丽 “一j ： 1 - f ( 石) 出) ( 2 1 ) 式中“单元的平均寿命； ，( 力一单元的寿命分布函数 对于一台可修复的复杂设备，有多个单元构成的复杂系统，存在故障频率高、种类多、 发生时间间隔不规律的特点。所以，要计算设备的剩余寿命，不能仅仅靠单元算法，要考 虑设备的具体特点去建立故障模型，据此模型柬计算其剩余寿命。 设备剩余寿命反映在工程中就是何时更换设备的问题。设备发生故障后，是修理还是 更新，采取哪种决策取决于采用该决策后设备是否满足可靠性要求，能否完成规定功能。 根据所推导出的设备故障率模型，当设备各单元的故障率均比较高时，设备的故障率就会 很高，可靠性和安全性降低，频繁发生故障，影响设备的j 下常使用，即使经过修理或者更 换个别故障单元仍不能把故障率降低到可以接受的水平，无法恢复规定功能的需要，此时 就可以对设备进行报废处理。 在实际应用中，预测设备的剩余寿命，就是求出设备的总体运行状态是否还能够满足 生产可靠性的要求，最终的目的是更换新设备，根据寿命可以提前做出决策。 根据现实生产的可靠性要求或人为认可的界限，确定一个标准的故障率限度，( f ) 。当 发现设备的故障率已经达到了这个限度值，或者超过了限度值，此时就可以将设备报废， 更新或者更换设备，此时的时刻丁就是设备的自然寿命。 2 1 2 设备剩余寿命 设备剩余寿命【2 】就是设备处于j 下常运行的状态，即距离大修或报废的大概时间。设备 剩余寿命显示了设备的剩余使用价值，直接反映了设备何时更换的问题。在发现设备故障 后，要根据具体情况去确定具体的工作，同时也要考虑技术上的问题，不断的更新维护、 维修和管理。 保证要不断监测设备的工作状态变化，确保维修维护的及时准确，才能减少设备意外 停机，尽可能延长设备服役的时间：减少各类事故，杜绝灾难性的事故，从而才能减少维 修时间和费用，从而使设备性能得到完全的发挥，同时也能为企业创造更大的价值。 2 1 3 设备故障率曲线 故障率曲线是反映故障率随着使用时间变化的宏观统计规律，并且是拆卸或更换设 备的重要依据。二十世纪中期，人们曾认为设备故障期分为：初期故障期、偶发故障期和 耗损故障期，浴瓮曲线( 图2 1 ) 使用于一切设备。但是美困联合航空公司研究表明，除 了典型的浴瓮曲线外，还有故障率不变、故障率增加和故障率减小3 类。 第6 页武汉科技大学硕士学位论文 蹩! 障，一 j 蒜高干矗运， 、， 图2 1 设备故障率曲线 初期故障期。在设备丌始投入工作之后，由于刚投入使用的设备其工作强度并不高， 所以设备故障率随时问增加丌始下降，这段时间也称作磨合期。由于不同设备的设计不同， 其不同厂商制造的质量也不尽相同，再加上运行的客观环境和使用人员的主管因素等等， 这些都会直接影响初期故障期的大小。在此阶段出现的故障一般都是不可预见的，但是这 个时期出现的故障对以后的维护维修工作起着指导和警示作用。 偶发故障期。在b 阶段，设备运行状态平稳、维修维护工作有序进行，因此在这个阶 段设备故障率一般都很低，趋向一个稳定的值。在此阶段，设备故障的发生属于随机性， 并没有固定的规律可循，所以称这个阶段为偶发故障期。由这个阶段故障率相对平稳，因 此是设备运行的最佳时期。通常这个阶段所发生的故障常常由于可靠性设计中所存在的隐 患和使用不当引起的。 损耗故障期。即使通过定期的维护保养可以降低一段时间内的故障率、延长设备稳定 运行时问，但随着使用时间的增加，设备不可避免的进入后期c 阶段，由于使用时间加 长，故障率再一次上升。这个时期设备故障都带有普遍性和规模性，设备的使用寿命接近 终了，此阶段称为损耗故障期。在c 阶段设备处于故障频发状态，设备零部件长时间频 繁使用，逐渐出现老化、磨损以及疲劳现象，设备寿命逐渐衰竭。 2 1 4 设备故障模型 1 9 6 0 年1 2 月，美国贝尔电话实验室的德雷尼克首次发表了复杂设备的故障定律，认为： 对于复杂的可修复设备、当设备中没有支配性故障模式时，无论其零部件的寿命服从何种 分布( 如指数分布、j 下态分布、威布尔分布等) ，如果设备每次故障对故障备件进行更换， 那么，经常时间的故障与更换后，设备的故障率将服从指数分布。这个定律归纳了复杂设 备的寿命特点。但是，该定律的前提是设备中没有支配性故障模式，并且是对一般设备故 障的说明，从而不能反映出一台设备的具体情况，在特定使用和维修下( 大修后) 的实际 故障规律。因此，设备剩余寿命的确定须根据实际的故障情况和维修实际来研究其故障率 武汉科技大学硕士学位论文 第7 页 模型。 大量实验证明，设备及其单元通常能够构成一个设备系统，同时可以看做成为一个有 机的整体，其中的零部件可以看成整体中的特殊单元，设备故障率等于各个单元的故障率 之和，如图2 2 所示： 兄( f ) ，：一， k ：二二一一一j 二二一一：- = 二z 乙l 一一 2 ( 0 l 一二一一一 l 一：= f z i 二j _ = 一一一一一一一一一 ! ，zi 批) 鲁( n 一j ， r 一二二了毛一一一一一一一一一一一一一一一一+ 一一一一一 一一一一一一一一一一一j 旯和) 4 ：一一二一二_ ： 一i 一一- 二一：一一一+ 图2 2 单元与设备的故障曲线x 服从指数分布的单元故障点 由n 个单元构成的设备，2 i ( t ) 为第i 个单元由新品工作至f 时的故障率，当设备无任何更 新时，其故障率2 i ( t ) 为： 力( f ) = 办( f ) i=1(2-2) 若设f ( f = l ，1 ) 单元最近一次更换设备，设其时刻为：t m i ，设备故障率： 允( f ) = 罗七( 卜加f ) j _ i = 1 ( 2 - 3 ) 如果第，个单元在t 出现了故障，之后采取了更新设备的措施，这时故障率为： 砌) = 撕一加f ) + 乃( 。) ， 歹m 】 ，= l 产1(2-4) 如果在f ：( f ： f 。) 时刻没有发生故障的话，其设备中各个单元的故障率为： 兄( f 2 ) = 兄f ( f 2 一加f ) + 乃( f 2 一f 1 ) ， 歹 1 ，咒 ，：l = 1 ( 2 5 ) 第8 页武汉科技大学硕士学位论文 由于设备中的每个零部件都可能出现故障，所以设备的故障率等于各个单元的故障率 之和，那么在t 时刻，设备故障率的期望值也等于各个单元期望值之和： 旯( f ) = 旯和) i = 1 ( 2 6 ) 其中： 忙卜南卜以m ( 2 - 7 ) 式中 e ( n ) 一第i 个单元的平均寿命； 】一向下去正算法 假设第i 个单元经过修复后，其故障率变为名= 石( 靠) 一无( o ) ，若t 时刻修复的单元由价， 那么此时刻的设备故障率为： 2 ( f ) = 办( 厶) 一五： 忙1j 2 1 ( 2 - 8 ) 因此，据以上过程可以得出结论，整个设备的故障率等于各个单元的故障率的总和， 矿k 蔷五。 由上述分析可以得出以下结论： 如果某些单元的故障率呈现出浴瓮曲线，那么在修复或更换之后，设备总故障率会随 着每个单元的故障率变化而变化，在升高之后逐渐降低，如图2 2 中名( f ) 所示。 如果设备单元故障率服从指数分布，则修复之后的设备故障率和单元故障率都保持不 变。如图2 2 中九所示 当故障后所更换的零部件质量较差，则之后的故障率较之前相比可能会更高，同样可 以得出设备整体的故障率同样比以l j 更高。如图2 2 中( f ) 所示。 对于一台具体的设备，根据其管理标准和履历可以计算出设备在当前状态下的故障 五( f ) ，根据使用设备的可靠性要求，选定一个合适的故障率限度“力，此时设备的自然寿命 为时刻乃痢t - z 间的时间段为要求的设备剩余寿命。 在计算一台设备的故障率五( f ) 的时候，可以根据其一段时间的运行状态和当前对该设 备的管理方式结合求得，并根据可靠性理论要求进行实际选择，确定出一个更为准确的故 障率限度“f ) ，此时设备的自然寿命为lt 和丁之f n j 的f b j 隔时间即为设备的剩余寿命。 武汉科技大学硕士学位论文 第9 页 2 2 设备寿命预测的基本方法和主要内容 2 2 1 设备预测的基本方法 要预测设备的剩余寿命，最主要的一点是，根据对设备运行状态的监测，获取设备运 行状态中的实际数据；并在监测过程中注意设备的异常和隐患信息，根据这些信息能及早 的发现故障可能出现的位置，做出最及时的维修方案。由于有设备状态监测功能和设备故 障诊断的预测维修体制，因此，可以大大降低停机损失和维修成本，提高经济效益。 目前为止，设备剩余寿命预测主要有两种方法：累积损伤跟踪法和特征参数跟踪法。 2 2 1 1 累积损伤跟踪法 累积损伤跟踪法是根据损伤物理学原理对机械受到的损伤进行积累，并根据破坏因子 对允许损伤值和设备损伤率确定设备的剩余寿命。【2 5 2 6 】 2 2 1 2 特征参数跟踪法 状态监测指标是通过特征参数跟踪法选择出的最能够反映设备技术状态和运行状态 参数，设备剩余寿命预测是根据技术指标的发展趋势、实现规定的极限值来得出【2 7 j 。根据 采用的不同数学方法，可以把特征参数跟踪法分成四种： ( 1 ) 曲线回归拟合。回归分析历史数据之后，利用“最小二乘法”【2 剐模拟出一条曲线，该 曲线与历史数据曲线相吻合，最后，通过曲线外推的方法得到预测结果，这种方法的原理 相对简单，在实际应用时比较方便。但由于采用传统的数据分析和建模方法，建模后对设 备的即时变化不能做出改变，所以预报和预测误差较大。 ( 2 ) 基于灰色理论【2 9 】。利用g m ( i ，m ) 方法建立模型，其预测的方法是根据g m ( i ， m ) 生成的微分方程求解得到结果，但这种方法的预测精度偏低。 ( 3 ) 神经网络建模。人工神经网络是根据神经元之间的相互关系去分析输入的结果，设 备的状态信息和监测设备所得的信号证好满足这种对应关系，此外人工神经网络有很强的 函数逼近能力，因此对设备剩余寿命的预测而言是一种非常有前途的方法。另一方面利用 人工神经网络可以跟踪设备的状态信息，在建立多个神经元的基础上，解决不同时刻设备 信息之l 日j 存在的必然联系，最终实现对设备剩余寿命的预测。 ( 4 ) 时间序列参数建模。利用a r m a ( p ，q ) 方法建立时间序列模型，需要根据设备的 历史数据作为输入参数，从而预测出设备在之后某个时刻的运行状态。a r m a ( p ，q ) 方 法建模的基础也要求类似于线性结构的数据作为输入，但是实际设备所采集的状念多数为 不稳定的数据，所以这种方法仅仅适用于平稳随机的假设基础上的建模。 第1 0 页 武汉科技大学硕士学位论文 2 2 2 设备寿命预测的主要内容 对设备进行剩余寿命的预测，通过对设备运行的特征参数进行监测，并通过设备当前 的状态信息判断距离大修和报废时问。 2 3g m d h 方法简介 2 3 1g m d h 的发展 在2 0 世纪7 0 年代初期，苏联乌克兰学院的a g i v a k h e n k o 根据控制论中的自组织原理， 提出了g m d h 方法( g r o u p e dm e t h o do f d a t ah a n d l i n g ，数据处理组合法) 。通过g m d h 方 法可能构建出类似神经网络的结构。 自然界中的生物的演变是从简单到复杂的，期间还受到优胜劣汰，适者生存这一法则 的约束，生物在进化过程中，不断受到外界环境的制约能够与之相互协调，使得物种逐步 地发生变化。在进行大批量育种过程中，为了得到新的一代，每一次大批量淘汰的过程都 应该筛选出具有某些较好特性、但还需要继续改进的那些生物，并利用这些生物继续育种。 经过一些阶段的选择以后，就可以培育出理想的物种。数据分组处理方法( g m d h ) 再现 了自然界生物发展的过程。在建模的初始阶段存在一批简单的初始组织，建模过程中不断 有复杂度更高的候选模型产生，外准则在这时被用来选择出有竞争力的模型以继续模型的 生长过程，而这些有竞争力的模型积累了前面模型过去的经验，表现出遗传的特征。 g m d h 方法的优势在于它能够对输入和输出的变量原始信息构造出模型，从而进行自 选择。由g m d h 方法构建出的网络具有神经网络的特性，用多项式处理数据同时在结构上 有自组织、全局优选的特性。因此，g m d h 非常适合用于复杂系统的建模。 相对于传统的神经网络算法，它有以下优点： ( 1 ) 通过明确的函数表达式得到模型结果。由于传统的b p 神经网络模型很难得出实际的 物理意义，所以很难建立起能够解释各个变量间互相作用和依赖程度的模型。同时，b p 神 经网络无法回答“为什么”和“怎么样”的问题，从而限制了神经网络在系统分析方面的应用。 而有自组织特性的g m d h 网络在综合了神经网络和统计建模的思想后，可以给出函数表达 式的结果，甚至还能达到大变量高次回归方程，这是其他建模方法难以实现的。 ( 2 ) 高预测精度和最优复杂度。通常的神经网络通过对噪声的过拟合和降低泛化来解决 小样本或数据噪声大的情况。g m d h 网络的最优复杂特性保证了其能从近似的、不确定的、 甚至是互相矛盾的知识环境中做出决策，避免了模型结构