《复杂机电系统智能故障诊断与健康评估》李巍华，张小丽，严如强作|(epub+azw3+mobi+pdf)电子书下载

图书名称：《复杂机电系统智能故障诊断与健康评估》

【作　者】李巍华，张小丽，严如强作

【页 数】 410

【出版社】 北京：国防工业出版社 , 2021.05

【ISBN号】978-7-118-12218-3

【参考文献】 李巍华，张小丽，严如强作. 复杂机电系统智能故障诊断与健康评估. 北京：国防工业出版社, 2021.05.

图书封面：

图书目录：

《复杂机电系统智能故障诊断与健康评估》内容提要：

本书系统的阐述现代工业中复杂机电系统的故障预测、智能诊断及系统健康状态的评估等理论与方法，主要包括基于数据驱动的智能故障诊断原理、方法及其实现技术。基于统计学习理论、半监督学习、流形学习、深度学习的故障预测、状态评估的原理、技术及其应用。重点从模式识别、机器学习的角度，重点阐述基于半监督学习、流形学习的故障特征提取与选择、早期故障的预测、故障模式的分类及装备性能退化的评估等。并对当前机器学习的研究热点，深度学习在智能预测、健康评估中的应用进行分析、展望。本书可作为高等院校机械工程、控制工程、自动化及系统工程等专业的研究生教材或教学参考书，也可供广大科技工作者和从事过程控制、故障诊断、设备维护等人员参考。

《复杂机电系统智能故障诊断与健康评估》内容试读

第1章

绪论

1.1智能故障诊断与健康评估的概念

装备智能故障诊断与健康评估是指利用人工智能和机器学习的相关算法对目标对象进行故障诊断、故障演化趋势及剩余寿命预测、健康状况的评估。从人工智能的角度看，装备的智能诊断与预测属于典型的模式识别问题。机器学习算法可以从历史数据中学习相关的知识，并生成相应的模型用于诊断、预测和健康评估。

装备智能故障诊断与健康评估对应着故障预测与健康管理(prognostics andhealth management,.PHM)领域的3个层次：①故障检测和故障定位（故障诊断）；

②故障发展趋势及剩余寿命预测（故障预测）：③根据诊断和预测信息对系统的健康状态进行评估（健康评估）。故障诊断包括故障检测和故障定位，故障检测主要是判断设备是否出现故障，而故障定位则是在故障出现时对故障部位进行识别故障检测技术的出现使得设备故障可以被及时地发现，防止故障继续发展造成更加严重的后果：故障定位技术则大大减少了设备检修的时间。故障预测则是在诊断的基础上，结合对象的结构参数与运行参数对设备的性能退化程度进行分析，对装备未来的故障及其演化的趋势进行预测、分析和判断，并对设备的剩余使用寿命进行预测。根据故障预测的结果，可以指导设备调整运行工况，以延长设备的使用时间：另外，还能根据剩余使用寿命，提前做好维护规划，减少设备的停机时间。健康状态评估则是在故障诊断和预测的基础上，对设备的健康状态进行量化分析设备在出现早期故障时，对设备运行的影响较小，此时对设备进行检修会造成不必要的浪费，增加设备的维护费用：当故障发展到一定程度之后，会对设备运行造成明显的影响，此时若不对设备进行检修则容易引发事故。健康状态评估技术通过对设备的性能劣化程度（含故障程度）进行动态的量化分析，实时监控设备健康状态，对其服役性能的退化程度做出评价，及时地发现需要维护的故障并减少不必要

复杂机电系统智能故障诊断与健康评估

的维护支出。

1.2复杂机电系统智能故障诊断与健康评估的意义

复杂机电系统的出现和发展反映了人类对于产品性能和工程设计的进一步追求，这是机械装备发展的必经过程。现代信息技术、计算机技术及人工智能的发展，赋予复杂机电系统越来越丰富的内涵以及更加复杂的功能。现代工业生产对产品质量和生产过程有着极高的要求，使得传统的机械系统逐渐被各类复杂机电系统所取代

根据文献「1]对复杂机电系统的定义，现代复杂机电系统是以机电系统为载体，融合机、电、液、光等过程的复杂物理系统。多种单元技术根据功能需求集成于不同的机电载体上，通过信息流融合和信息驱动形成各种现代机电装备，如航空发动机、高速列车、精密机床及现代生产设备等。复杂机电系统通常由数量巨大种类众多的零部件构成，系统内部各零部件和子系统之间存在复杂的耦合关系，因此，确定系统行为时需要综合考虑各子系统的独立行为及子系统间复杂的耦合关系。由于系统在功能、结构和耦合关系等方面的复杂性以及物理过程的多样性，使得复杂机电系统的智能故障诊断与健康评估面临极大的挑战

随着各类复杂机电系统不断向大型化、复杂化、高速化和精密化发展，在石化冶金、电力和机械等工业领域中，设备运行的高负荷、高腐蚀和高作业率成为主要特征。因机电系统设备故障而引起的灾难性事故屡有发生，例如：2011年，北京地铁某电动扶梯驱动链断裂，致使扶梯逆向下行造成了乘客踩踏事故：2012年，河北某风电场传动系统断齿停机事故，吉林某风电场发生风机塔架倒塌事故：2013年，俄罗斯载有卫星的火箭由于推进器故障在拜科努尔发射升空仅1mim就坠毁的事故等。由于机电系统设备故障可能造成巨大的经济损失、环境污染甚至人员伤亡，急需对运行中的机电系统进行动态监测与健康状况评估，以确保系统安全可靠运行。因此，复杂机电系统智能故障诊断与健康评估技术已成为保证生产系统安全稳定可靠运行的重要技术手段，越来越受到产业界、学术机构及政府部门的高度重视。《国家中长期科学和技术发展规划纲要(2006一2020)》和《机械工程学科发展战略报告(2011一2020)》均将“重大产品和重大设备以及关键零部件的可靠性、安全性和可维护性关键技术”列为需要重点突破的关键技术之一，工业和信息化部《智能制造工程实施指南(2016一2020)》也把“基于大数据的在线故障诊断与分析等智能检测装备”作为关键技术装备研制重点，以求可以“防患于未然”，避免灾难性事故发生，从而提高设备利用率、缩短停机维修时间、保证产品质量

设备的维护是设备正常运行、避免安全事故的重要保障，维护策略的发展经历2

第1章绪论

了4个阶段：①事后维修(corrective maintenance)阶段：②定期维护(planned mainte.nance)阶段：③视情维护(condition-based maintenance)阶段；④预知维护(predictivemaintenance)阶段。事后维护是指在设备出现明显故障甚至停机时，才对设备进行检修的维护策略。这种策略不仅存在极大的安全隐患，而且需要耗费大量检修时间，造成显著的经济损失。定期维护是根据设备各个关键零部件的设计寿命对设备进行定期更换零部件和检修的一种维护策略，与事后维修相比，这种维护策略降低了故障的发生率。但是，定期维护无法避免零部件在设计寿命内出现的故障，而且在大多数情况下，定期维护都是在零部件无法正常工作之前将其换下，导致维护成本的增加。智能故障诊断与健康评估技术的发展，使得设备维护从定期维护向视情维护转变。视情维护避免了由于定期维护换下可用零部件造成的浪费，大大提高了零部件的使用时间，减少了设备维护成本：另外，视情维护可以有效避免设备的关键零部件在未达到使用时限时因出现故障而造成的事故。故障预测技术的出现，使得维护策略有了进一步的发展，预知维护的概念开始出现。预知维护根据对设备故障性质、类别、发展趋势及剩余使用寿命的预测，可以指导设备通过调整运行工况等措施提高利用率、延长剩余寿命：对于维修时间比较长，或者大型零部件的故障，可以提前做好维修的准备，减少设备的停机时间。

对于复杂机电装备这种功能、结构和耦合关系极其复杂的系统而言，对其进行智能故障诊断与健康评估对于保证装备可靠性、提高系统利用率、减少维护成本、避免安全事故有着重大的意义。

1.3复杂机电系统智能故障诊断与健康评估的研究内容

在复杂机电系统运行过程中，多种物理过程相互耦合。从故障机理建模的角度来看，不仅需要考虑各个单独的物理过程，还需要分析各种物理过程之间的耦合，建模非常困难。智能故障诊断与健康评估方法利用机器学习算法，从历史数据中挖掘相关的知识，从而建立相应的模型，在研究复杂机电系统的状态评估和预测问题上有一定的优势。

智能故障诊断与健康评估方法包含4个主要步骤：①信号采集：②信号预处理：③特征提取和选择：④故障诊断与健康评估。采集与装备运行状态相关的物理量，如振动、压力、转速、温度及声发射信号等：由于复杂机电系统运行工况复杂，监测信号很容易受到噪声的污染，需要对信号进行预处理以减少噪声的影响：提取信号的特征来诊断故障，如时域特征、频域特征和时频域特征，特征提取和选择是故障诊断中的关键步骤，冗余无效的特征反而会对诊断造成干扰，从而影响诊断精度：以所提取的特征作为机电系统运行状态的综合表征，利用历史数据训练模型参

3

复杂机电系统智能故障诊断与健康评估

数，可以得到诊断预测模型。将系统运行监测信号经上述处理后输入最终的模型即可获取相应的系统状态信息。

对于智能故障诊断预测模型的建立，根据学习模式的不同，可以分成3类：监督学习、无监督学习和半监督学习。监督学习方法利用带标签的训练样本集训练模型，在样本量充足的情况下，可以获得精度和泛化能力俱佳的状态评估模型：然而，在样本不足时，会出现过拟合导致精度和泛化性能变差。无监督学习方法针对的是没有标签样本情况下的健康评估，根据样本的相似度分析样本间的内在联系，以实现预期功能，如聚类方法、自组织映射网络等。由于没有监督信息，因此学习到的模型往往不够精确，目前无监督学习主要用于异常检测。半监督学习方法同时利用标签样本和无标签样本对模型进行训练，在标签样本不足的情况下，可以有效提高模型的精度和泛化能力。3种方法分别对应不同的应用场景，在标签样本充足的情况下，监督学习可以在最短的时间内学习到符合要求的模型：在没有标签样本的情况下，只能选择无监督学习方法：在标签样本不足的情况下，半监督学习方法则可以解决监督学习由于训练样本不足而出现的过拟合问题

另外，根据模型结构层次的不同，还可以将这些方法分为浅层机器学习方法和深度学习方法。目前应用于智能故障诊断与健康评估的浅层机器学习方法主要有人工神经网络(artificial neural network,ANN)、支持向量机(support vector machine,

SVM)、聚类算法、隐马尔可夫模型、随机森林和流形学习方法等。这些方法只对输

入数据进行一到两次的非线性变化，计算量较小：另外，其简单的结构层次使得需要训练的参数较少，在训练样本较少的情况下，也能获得良好的精度和泛化性能但是，浅层结构特征提取能力有限，需要进行人工的特征提取和选择。Hinton等2利用贪婪学习算法解决了深层神经网络训练中梯度消失的问题，深度学习的概念开始出现。深度学习基于深层神经网络，其深层的结构使得其具有强大的特征提取能力，可以由网络自动进行特征的提取和选择，而不需要人工提取特征。但是，由于网络结构层次多，使得深度神经网络具有大量需要调整的参数，需要大量的故障数据用于网络的训练，训练样本不足时会出现严重的过拟合现象。相应地，其需要的训练时间和进行健康评估的时间也远远多于浅层机器学习方法

综上所述，复杂机电系统智能故障诊断与健康评估的研究内容就是利用机器学习方法，从数据中挖掘出相关的知识，建立相应的诊断预测模型对装备的健康状态进行评估

1.4智能故障诊断与健康评估的研究现状

智能故障诊断与健康评估对于提高生产效率、降低事故率具有非常重要的意

第1章绪论

义，国内外学界、工业界都十分重视相关的方法和应用研究，提出了大量的智能故障诊断与健康评估方法。目前，对复杂机电系统智能故障诊断与健康评估的研究主要集中于系统关键零部件，如齿轮、轴承等。根据机器学习方法的结构层次的不同，分别从基于浅层机器学习方法和基于深度学习方法对智能诊断、预测与健康评估的研究现状进行综述

1.4.1基于浅层机器学习的方法

在基于浅层机器学习方法的智能故障诊断与健康评估研究方面，国内外学者展开了大量的工作。Li等3从装在行星齿轮箱不同位置的多个传感器信号中提取相同的两个特征，分别是滤除正常啮合成分后信号的均方根值，以及测量信号与健康信号的频谱差中所有正值和频谱和归一化后的值，并利用自适应神经模糊推理系统融合这些特征对行星齿轮箱的故障模式和故障程度进行诊断。Unal等4利用包络分析、希尔伯特变换和快速傅里叶变换从振动信号中提取特征作为人工神经网络的输入进行故障诊断，并利用遗传算法(genetic algorithm,GA)优化人T神经网络的结构。游子跃等s提出一种基于总体平均经验模式分解(ensemble em-pirical mode decomposition,EEMD)和BP神经网络的风机齿轮箱故障诊断方法。利

用小波变换对采集到的振动信号进行降噪处理，用EEMD降噪后的信号并从选取

的固有模态函数(intrinsic mode function,IMF)分量中提取能量特征参数，归一化后输入到BP神经网络进行齿轮箱的故障诊断。Chang等6提出一种基于轴心轨迹技术和分形理论的旋转机械故障诊断方法，该方法从振动信号中提取轴心轨迹，然后利用分形理论提取特征作为BP神经网络的输入进行故障诊断。Tian等提出了一种基于流形的动态时间规整(dynamic time warping,DTW)方法，通过测量测试样本和模板样本之间的相似度来进行轴承故障诊断。与传统的动态时间规整方法相比，这个方法用基于流形的相似度度量代替了基于欧几里得距离的相似度度量

此外，这些机器学习方法还被广泛应用于信号的降噪、降维与特征提取等

Widodo等8利用主成分分析、独立成分分析、核主成分分析和核独立分量分析等从声发射信号和振动加速度信号中提取特征，并分别以关联向量机和支持向量机为分类器，对6种不同的轴承故障进行分类，对比了不同特征提取方式和分类器组合的故障诊断效果。Zari等91利用正常状态的数据训练神经网络，建立一个用于去除非轴承故障成分(removing non-bearing fault component,RNFC)的滤波器。从原始信号中减去滤波后的信号以去除信号中的非轴承故障成分，并从去除非轴承故障成分后的信号中提取时域特征作为另一个神经网络的输入，对感应电动机中的轴承的健康状态进行分类。Jiang等o从振动信号中提取29个常用特征，利用

5

复杂机电系统智能故障诊断与健康评估

干扰属性映射(nuisance attribute projeciton,NAP)进行特征选择，并被将选取的特征作为隐马尔可夫模型的输入进行轴承的退化评估。Yu从振动信号中提取14

个时域特征和5个时频域特征，利用主元分析(PCA)进行特征降维，然后利用一种

自适应隐马尔可夫模型算法建立一系列历史隐马尔可夫模型，以历史隐马尔可夫模型和当下马尔可夫模型的重叠率来评估轴承的健康状态

为提高机器学习模型的泛化能力，集成学习通过构建多个机器学习机来完成学习任务，也被广泛应用于复杂机电系统的智能故障诊断与健康评估中。如

Khazaee等12利用Dempster--Shafer理论融合了振动和声音数据，基于集成学习提出一种有效的行星齿轮箱故障诊断方法。首先，利用小波变换将振动和声音信号从时域转换到时频域，并提取时频域特征作为神经网络的输入：然后，构建两个神经网络分类器，将振动信号特征和声音信号特征分别输入不同的神经网络：最后利用Dempster--Shafer理论融合两个神经网络的输出得到最终的分类结果。Wang等1)提出一种基于粒子群优化的集成学习方法(particle swarm optimization basedselective ensemble learning,PSOSEN)用于旋转机械的故障诊断中。首先，从振动信号中提取时域和频域特征，训练出一系列的概率神经网络(probabilistic neural net-work,PNN):然后，利用自适应粒子群优化(adaptive particle swarm optimization,

APSO)算法从这些概率神经网络中选取出适用于故障诊断的网络，并利用奇异值

分解(singular value decomposition,SVD)获取这些网络输出的最佳加权向量，最终诊断结果为各个网络输出构成的向量与最佳加权向量的内积。

浅层机器学习方法结构简单，需要训练的参数少，计算量小，相应地对训练样本的数量和训练时间的要求也比较低。在训练样本数量和计算能力不足时，可以快速有效地建立具有较好精度和泛化能力的智能故障诊断、预测和健康评估模型。但是，由于其结构简单，特征提取能力有限，需要进行人工的特征提取和选择。

1.4.2基于深度学习的方法

随着深度学习技术的兴起及硬件计算设施的迅猛发展，基于深度学习的智能故障诊断与健康评估方法在故障诊断领域不断涌现。如Sao等4从振动信号中提取时域特征，将这些特征输入到深度置信网络中进行故障诊断，并提出用粒子群

算法来训练深度置信网络的方法。Q:等利用总体经验模态分解和自回归模型

从振动信号中提取特征，然后将提取的特征作为堆栈稀疏自编码网络的输入对旋转机械进行故障诊断。Chen等16从不同的传感器采集的振动信号中提取时域和频域特征，将这些特征按传感器分别输入到不同的两层自编码网络进行进一步的特征提取，最后将所有自编码网络的输出排成一列作为深度置信网络的输入进行轴承的故障诊断。Guo等)提出一种基于LSTM-RNN(long short term memory6

···试读结束···