论文部分内容阅读
电机是一种用量最大、覆盖面最广的工业设备,在工业生产中占据着十分重要的地位。一旦电机发生故障,带来的经济损失将无法预测,然而电机在寿命周期内发生故障是难以避免的。为了避免因为电机故障造成经济损失及发生事故,对电机进行故障预测与健康管理具有重要的意义。数据驱动PHM基于先进的传感器技术采集与电机属性有关的特征参数,并将这些特征参数和有用信息关联,借助机器学习和数据挖掘算法进行系统状态监测、故障诊断和故障预测,给出电机的故障演化程度和剩余寿命,从而为工业电机的维护、维修和管理提供决策支持。故拟以电机故障预测与健康管理为方向,应用工业大数据和数据挖掘技术进行电机预测性维护系统的设计与实现。本文使用基于数据驱动的电机故障诊断和故障预测方法,减少对电机物理模型的依赖,而通过电机的关键性能指标来标识电机状态,使用基于贡献率图的KPCA方法诊断电机故障,使用粒子滤波进行电机故障预测,并引入自反馈和自学习机制来提高故障预测的准确性和适应性。并设计实验进行了方法验证,相比于大多数的故障诊断和故障预测方法,本文给出的方法不需要大量的故障数据来建立模型,可以准确的进行电机故障诊断,可以较为准确地预测电机的故障后剩余使用寿命,可行性强,实用性高。此外,本文还设计并实现了数据驱动的电机故障诊断与预测系统。首先分析了系统的功能性需求,同时说明了系统的其他非功能性需求,接着制定了系统的大数据计算框架,对系统的总体架构进行了设计,详细说明了相关实现技术,最后展示了核心的故障诊断和故障预测功能。