基于状态监测的设备剩余寿命预测模型

VIP免费
3.0 牛悦 2024-11-19 4 4 731.3KB 62 页 15积分
侵权投诉
I
摘 要
设备是企业的物质技术基础，加强设备管理，采用状态监测技术，应用数学
模型，预测出设备剩余寿命，对于提高设备运行可靠性，降低高额的维修费用，
具有重要的理论意义和实用价值。
本文首先回顾了设备状态维修的发展过程及其国内外的发展现状，分析了目
前状态维修存在的问题，重点介绍了剩余寿命预测的主要方法。
其次，阐述了标准粒子群算法的基本原理。给出了详细算法流程设计，并与
遗传算法、传统进化算法、蚁群算法的特点进行了比较，针对标准粒子群算法的
一些缺点，本文提出了一种新的改进粒子群优化算法，该算法在收敛速度、收敛
精度方面比常规粒子群算法有较大的提高。同时，文中还介绍了灰色系统的基本
理论和 GM(1,1)模型的建模过程及基本特点，并对该模型进行了改进与应用。
最后，本文以管道剩余寿命预测为例，应用本文提出的灰色模型的改进模型
和改进的粒子群算法，进行案例计算。结果表明，可以得到更加优化的预测值。
同时也表明了改进粒子群算法与灰色模型结合的适应性，为应用灰色模型进行剩
余寿命预测提供了一条新的途径。
关键词：状态维修 预测 粒子群算法 GM(1,1)模型
ABSTRACT
Equipment is the enterprises’ material basis. Strengthening the equipment
management, using the condition monitoring technologies and applying the
mathematical models for predicting the residual life of equipment have important
theoretical and practical value to improve the operative reliability and reduce the high
maintenance costs of equipment.
Firstly, the paper reviews the development process and status at home and abroad
of the equipment based condition maintenance, analyzes the current problems of the
based condition maintenance, and focuses on introducing the current main methods of
the residual life prediction.
Secondly, the paper introduces the basic principles of the standard particle swarm
algorithm and gives a detailed algorithm process and compares with the feature of
genetic algorithm, the traditional algorithm and ant colony algorithm, and relative to a
number of shortcomings of the standard particle swarm algorithm, presents a new
kind of improved particle swarm optimization algorithm in this paper. Compared to
the conventional particle swarm algorithm, the convergence rate and precision have
been enhanced. At the same time, the article also describes the basic theory of grey
system, introduces the modeling process and the basic characteristics of GM (1,1)
model and focuses on the improvement and application of the model.
Lastly, take the predicting the residual life of pipelines for an example, applied the
improved model of the grey model and improved particle swarm algorithm to carry
out calculation to the example. The results show that the improved methods can get
more optimizing predictive value, at the same time, show the adaptability between
improved particle swarm algorithm and grey model and provide a new approach for
applying grey model to forecast residual life.
Key Word: Based Condition Maintenance, Prediction, Particle
Swarm Algorithm, GM(1,1) Model
III
目 录
中文摘要
ABSTRACT
第一章 绪 论 ............................................................................................................... 1
§1.1 课题的来源及意义 ...........................................................................................1
§1.2 国内外研究现状分析与评价 ...........................................................................1
§1.2.1 状态维修理论 ............................................................................................ 1
§1.2.2 剩余寿命预测模型 .................................................................................... 3
§1.3 研究内容及路线 ................................................................................................4
第二章 基于灰色理论的设备剩余寿命预测模型研究 ............................................. 7
§2.1 引言 ...................................................................................................................7
§2.2 设备剩余寿命预测 ...........................................................................................7
§2.2.1 预测技术 ..................................................................................................... 7
§2.2.2 寿命预测方法的发展现状 ........................................................................ 8
§2.3 灰色理论主要内容 ...........................................................................................9
§2.3.1 灰色系统理论 ............................................................................................ 9
§2.3.2 灰色建模理论 ...........................................................................................11
§2.4 GM(1,1)模型的建立 ........................................................................................12
§2.4.1 GM(1,1)模型的建模过程 ......................................................................... 12
§2.4.2 模型参数说明 .......................................................................................... 15
§2.5 GM(1,1)模型的问题分析 ................................................................................16
§2.6 GM(1,1)模型的改进 ........................................................................................17
§2.6.1 GM(1,1,λ)模型 .......................................................................................... 17
§2.6.2 GM(1,1,λ1,λ2)模型 .....................................................................................18
§2.7 小结 .................................................................................................................18
第三章 粒子群优化算法 ........................................................................................... 19
§3.1 粒子群算法概述 .............................................................................................19
§3.2 粒子群算法基本原理 .....................................................................................21
§3.2.1 粒子群算法的数学描述 .......................................................................... 21
§3.2.2 粒子群算法的编码和参数分析 .............................................................. 22
§3.2.3 粒子群算法流程 ...................................................................................... 24
§3.3 粒子群算法与其他算法比较 .........................................................................26
§3.3.1 粒子群算法与一般算法的比较 .............................................................. 27
§3.3.2 粒子群算法与遗传算法的比较 .............................................................. 28
§3.3.3 粒子群算法与蚁群算法的比较 .............................................................. 29
§3.4 粒子群算法的局限性 .....................................................................................30
§3.5 粒子群算法的应用 .........................................................................................30
§3.6 小结 .................................................................................................................31
第四章 案例分析 ....................................................................................................... 32
§4.1 问题概述 .........................................................................................................32
§4.1.1 计算案例 .................................................................................................. 32
§4.1.2 基本理论 .................................................................................................. 33
§4.1.3 可行性 ...................................................................................................... 33
§4.1.4 预测方法 .................................................................................................. 34
§4.2 GM(1,1)模型预测 ............................................................................................35
§4.3 基于粒子群算法的 GM(1,1,λ)模型 ...............................................................38
§4.3.1 算法流程设计 .......................................................................................... 38
§4.3.2 参数设置 .................................................................................................. 40
§4.3.3 计算结果 .................................................................................................. 40
§4.4 基于粒子算法的 GM(1,1,λ1,λ2)模型 ............................................................. 41
§4.4.1 改进粒子群算法 ...................................................................................... 41
§4.4.2 算法设计 .................................................................................................. 42
§4.4.3 参数设置 .................................................................................................. 43
§4.4.4 计算结果 .................................................................................................. 44
§4.5 结果分析 .........................................................................................................45
§4.6 小结 .................................................................................................................45
第五章 总结与展望 ................................................................................................... 46
§5.1 主要工作 .........................................................................................................46
§5.2 后续工作与展望 .............................................................................................46
附录 粒子群算法求解的部分源程序 ....................................................................... 47
参考文献 ..................................................................................................................... 54
在读期间公开发表的论文 ......................................................................................... 59
致 谢 ........................................................................................................................... 60
第一章 绪论
1
第一章 绪 论
§1.1 课题的来源及意义
本文是国家自然科学基金项目“先进制造设备可用度维修理论和时间延迟模
型” （70301002）研究成果之一。在市场经济条件下，运用新的设备维修管理体
制和新的设备检测、诊断、维修与预测技术、加强设备维修的科学管理，对降低
维修成本、提高维修效益，改善设备状况、增强企业市场竞争能力、促进企业稳
步发展，都具有重要意义[1,2]。
目前，我国企业仍广泛使用计划预修制进行设备的维修。计划预修制是预防
性维修的一种，旨在通过计划对设备进行周期性的修理[3]。一般情况下设备一旦
出厂，其维修周期基本上就确定下来，这种模式的优点是可以减少非计划故障停
机，将潜在故障消灭在萌芽状态，缺点是维修的经济性和设备基础保养考虑不够。
由于计划固定，较少考虑设备使用实际、负荷情况，容易产生维修过剩或维修不
足。
为了克服计划预修制普遍存在的维修不足和维修过剩问题，以及确保重大设
备安全可靠、经济的运行，基于状态监测技术的状态维修广泛应用于设备的监测
和维修。状态维修(Condition Based Maintanence)理论目标是延长设备运行时间和
检修的时间间隔，减少检修项目[3]。这种检修方式以设备的当前的时间工作状况
为依据，而并非传统的以设备使用时间为依据，它通过先进的状态检测与诊断手
段，识别故障的早期征兆，对故障部位、故障程度和发展趋势做出判断，根据诊
断结果来决定对其进行更换或维修的过程。主要特点在于修理的预知性、针对性、
及时性和维修方案的灵活多变。
通过采用状态维修预测设备的劣化趋势，进而合理确定设备维修时机，提高
设备维修决策水平，降低设备维修费用等都具有重要的意义。
§1.2 国内外研究现状分析与评价
§1.2.1 状态维修理论
状态维修随着监测和故障诊断技术的发展而进入实用化阶段，由于其带来巨
大的效益，在国内外引起了广泛的重视。理论研究和实践应用已取得了很多成果。
基于状态监测的设备剩余寿命预测模型
世界上先进发达国家和地区，如美、日、英、德等，这方面都有比较快的发展[3]。
美国认为解决传统检修制度缺陷的措施是采用以可靠性为中心的维修
(Reliability centered maintenance RCM)，美国电力研究院某研究中心已经推出优化
检修的一系列技术方案和相关系统。
日本从80年代起实施以状态监测为基础的预知维修，日本发电设备检修协会
重点进行了状态维修对于本国技术特点实用性的研究，在检修中采用设备诊断和
寿命评估技术。
德国积极采用状态维修提高检修效率，最近几年，德国对发电厂的检修工作
进行了探讨，他们认为：目前应在发电厂研究监测技术和故障诊断的基础上，推
行状态维修或增加状态维修比重。
自从状态维修引入我国，很多专家学者和技术人员对其进行了大量的研究和
实际应用的探讨，例如：对状态维修技术在国内外的应用情况进行了比较详细的
阐述[4]；提出了几种状态维修模型以及决策方法，同时对其应用作了比较深入的
研究[5]；研究了设备维修管理的模型以及优化策略[6]；介绍了RCM的整体情况，
提出了一些行业实施状态维修的建议[7]；建立了一种考虑定期监测和维修带来对
设备可靠性和运行费用的维修优化模型[8]；在状态维修的状态评价部分，将人工
神经网络用于大型回转机械状态监测评价，提出了基于网络输出误差的机械状态
智能化监测评价方法，实际计算表明该方法具有运算量小、稳定性好、对机械状
态异常反映灵敏等优点[9]；在状态监测的基础上通过模糊综合评判对凝汽器运行
状态进行评价[10]。
国外应用状态维修技术也已经很广泛，例如：综述了国外状态检修技术的发
展情况及发展方向[11]；讨论了隐马尔柯夫模型应用于状态维修[12]；讨论了状态维
修与语言处理的相似之处，研究表明隐马尔柯夫模型对于构建状态维修的实用的
巨大潜力；研究了维修系统的建模以及最优化问题[13]；主要研究了在已知系统健
康状态的情况下，如何最优安排预防性替换问题，并描述了一种新颖而有效的方
法，对设备管理及系统健康费用有效的状态维修技术进行选择。该方法不仅考虑
了技术上的能力，而且考虑了评价在实施过程中预期的成本效益所涉及的因素
[14]；有的把实施状态评估或状态维修的原则分为故障诊断、管理、校正及最终的
维修项目等[15]；通过考虑预防维修对核动力设备的影响后果以及维修所涉及的费
用，建立了维修优化模型[16]；状态维修的核心就是对不同的设备采取不同的维修
方法，重要的是对所有设备的状态进行连续监测的技术[17]；将专家系统应用于变
压器绝缘的状态评价[18]；建立了油气管道的基于概率的状态评价模型[19]。可见，
国外很重视状态维修技术，不仅重视理论上的研究、实际的应用，也提出了状态
第一章 绪论
3
维修系统的体系结构。
综上所述，在状态维修理论中，状态维修和故障诊断的研究已基本成熟，但
是设备剩余寿命预测的研究仍待深入，特别是设备剩余寿命预测模型的研究。
§1.2.2 剩余寿命预测模型
剩余寿命预测方法可以分为数据驱动方法和模型驱动方法两类[20]，数据驱动
方法又可分为统计方法和人工智能方法。模型驱动方法主要是针对不同的研究对
象建立物理模型或者人工智能模型[21]。目前国内外一些主要的设备剩余寿命预测
模型有：
（1）基于动态贝叶斯网络的剩余寿命预测
基本步骤为[22]：
1）收集数据和特征提取。
2）根据一些特征建立 DBN(Dynamic Bayesian Network) (如图 1.1)。
Slice 0
Slice 1
Slice 2
X0
X1
XT
feature10
feature11
featuren0
featuren1
featurenT
隐藏状态结点（剩余寿命）
系列观测值 feature1T ……featurenT
图1.1 用于剩余寿命预测的动态贝叶斯网络
图中，
t
X
表示在t时刻的隐藏变量，即设备剩余寿命的值，featurent表示特征节
点n在t时刻观测到的信号特征值。
3）训练DBN模型。
4）计算
1:
( | )
T T
P X Y
，选择能使
1:
( | )
T T
P X Y
最大的
T
X
的值，其中Y为观测变量，
X为状态变量。
通过研究表明，该方法可以达到很高的准确率，该预测方法不仅可以对零部
摘要：

I摘要设备是企业的物质技术基础，加强设备管理，采用状态监测技术，应用数学模型，预测出设备剩余寿命，对于提高设备运行可靠性，降低高额的维修费用，具有重要的理论意义和实用价值。本文首先回顾了设备状态维修的发展过程及其国内外的发展现状，分析了目前状态维修存在的问题，重点介绍了剩余寿命预测的主要方法。其次，阐述了标准粒子群算法的基本原理。给出了详细算法流程设计，并与遗传算法、传统进化算法、蚁群算法的特点进行了比较，针对标准粒子群算法的一些缺点，本文提出了一种新的改进粒子群优化算法，该算法在收敛速度、收敛精度方面比常规粒子群算法有较大的提高。同时，文中还介绍了灰色系统的基本理论和GM(1,1)模型的建模...

展开>> 收起<<
基于状态监测的设备剩余寿命预测模型.pdf

共62页,预览7页

还剩页未读， 继续阅读

相关推荐

更多
立即下载
作者：牛悦 分类：高等教育资料 价格：15积分 属性：62 页 大小：731.3KB 格式：PDF 时间：2024-11-19

开通VIP享超值会员特权

  • 多端同步记录
  • 高速下载文档
  • 免费文档工具
  • 分享文档赚钱
  • 每日登录抽奖
  • 优质衍生服务

作者详情

相关内容

更多

推荐作者

热门标签

/ 62
评分 收藏
分享
立即下载 VIP免费下载
客服
关注