李涛

摘要：要实现PHM和AL的关键核心技术就是故障预测技术，该项技术的研究是机械故障诊断研究当中的热点，所受到的关注也不断上升。而机械传动系统在我国的国防和生产当中被广泛的运用着，因此对于其的安全性和可靠性的要求很高。以下主要进行了机械传动系统关键零部件故障预测技术的研究。

关键词：机械传动 关键零部件 故障预测

0 引言

在机械传动系统的运行当中，因为长时间连续性的工作，所以其关键零部件非常容易磨损，以及出现各种各样的故障情况。由于故障因素的出现，进而使得整个系统无法保持正常状态运行。而我国在这方面的研究起步晚，对于故障预测技术之上还存在很大的不足，无法有效的进行故障预测。

1 机械传动系统关键零部件故障预测技术概述

从广义而言，故障预测技术有三大功能，第一是能够有效的进行故障检测，并且将早期故障进行隔离处理。第二是确认设备目前所存在的故障程度。第三是对故障发生时间进行预测，估计其剩余使用寿命。

2 HSMM故障预测技术研究

2.1 故障预测模型 首先建立，预测模型图。其中利用高斯分布函数表示每个宏观状态，其所驻留的时间所显示的分布函数为P（dn/hi），则：

T=∑■■D（hi）

logP（Sλ，T）=∑■■logP（dn/hi）

当满足以上条件，则每个退化状态所驻留的时间是：

D（hi）=μ（hi）+ρσ2（hi），ρ=（T-■μ（hi）/■σ2（hi））

在以上式子①的基础之上，再利用后向递归法进行计算，最终确认已经进入退化状态的关键零部件剩余使用寿命。假设目前关键零部件的退化状态是i，而使用寿命则用RULi表示其剩余寿命时间。

2.2 预测步骤 对于故障的预测有以下四个步骤：第一，提取特征信息。将所有的相关数据进行预处理，使之符合使用需求。根据相应的方式提取所需特征信息，并且将其当做该关键零部件的观测值，以表示其在整个寿命周期当中的任意时刻。最后形成观察值序列O（k），设置其长度是T。第二，参数估计。在第一个步骤的基础之上可以得出一个转移矩阵aij，其中i不小于零，j不大于N，利用该矩阵表示其退化状态。每个退化状态持续时间密度函数均值是μ（hi），以及σ2（hi）方差。最后依据式子①计算出在该状态之上所驻留的时间单元，D（h0）、D（h1）、D（hN-1）。第三，确定退化状态。第四，根据所获得的相关信息，利用后向递归法进行计算，最终得出所剩寿命的平均值，以及方差。

2.3 实例分析 第一，对HSMM进行全寿命预测模型训练。首先将所获得有关寿命数据编号，每三十分钟从中提取一个样本，并将样本编号，最终可以获得六十三个文件。为了获取在相同的工作条件之下，发生同样故障的多组寿命数据，则可以使用递进方式，同样进行相应编号。如此到最后能够得到三个周期数据，将前两组当做训练样本，最后一组是测试样本。利用提取特征信息的方法获得尺度一和尺度二，使其能够将故障程度反映出来，并且将特征信息相量定为与其有关的特征尺度熵。进而可以得出长度是六十三的观测值序列O（k），将两组数据所形成的序列当做HSMM全寿命预测模型的训练样本集。

由于关键零部件在整个寿命过程当中的运行状态可以划分为七个，相应的就会有七个对应HSMM模型，通过假设得出初始概率的分布矢量。由于模型训练和状态转移矩阵之间相互影响不大，所以在产生转移矩阵之时可以通过等概率方式进行。

在以上的条件之下，假设最大的迭代步是一百，收敛误差是0.000001，则可以得到七个对应预测模型。在该实例当中迭代为四十次左右，则进行模型收敛，最后获得退化状态驻留时间均值和方差。

第二，预测和验证。利用以上提到的特征尺度熵确认样本的退化状态，以及第二章第一部分提到的公式，选择十个样本进行预测和验证。最终得出结果如图1所示。通过图表内容可以得出结论，退化状态2、3、4验证之后的实际结果不在预测所划分的区间之内，说明该项预测不正确。其余则被包含在剩余寿命的预测区间之内，说明其正确。整体看来正确率较高，预测结果效果显著。

■

3 结语

综上所述针对机械传动关键零部件进行故障预测技术，可以首先建立有关模型，然后针对退化的状态和剩余寿命进行预测，最终确认预测结果，以最大限度提高寿命利用率。

参考文献：

[1]周志刚.随机风作用下风力发电机齿轮传动系统动力学及动态可靠性研究[D].重庆大学，2012.

[2]曾庆虎.机械动力传动系统关键部件故障预测技术研究[D].国防科学技术大学，2010.

[3]吴斌.旋转机械易损关键零部件故障诊断方法研究[D].大连理工大学，2012.

[4]雷福祥.大型风能发电机组传动系统故障分析与评价[D].新疆大学，2011.