基于信號特征提取的設備健康狀態(tài)預測與評估.pdf

1、井下機械機電設備復雜度較高，導致其故障特征呈現(xiàn)非線性、時變性、并發(fā)性、不確定性等特征，而且井下噪聲干擾大、設備數(shù)量多、分布時而分散時而聚集等，給設備的故障預測帶來了很大的麻煩。本文在前人信號處理、分類算法、故障預測、機器學習的基礎上，針對井下設備健康狀態(tài)評估準確度、適用范圍、實用性等問題進行了研究。主要內容如下：
　?。?）設備健康狀態(tài)預測與評估。井下的復雜環(huán)境導致通過直接預測其故障類型變得非常困難，而且對于突發(fā)故障來說，預測設備

2、的故障類型意義不大，因此提出通過健康狀態(tài)評價設備的運行狀況。實驗表明，對于出現(xiàn)漸變故障的設備該方法具有很高的應用價值。
　?。?）基于特征提取的井下設備特性研究。設備的運行聲音能夠反映出當前設備的健康狀態(tài)，研究了聲音對設備健康狀態(tài)的敏感度，提出了對所提取聲音進行分幀、去噪等預處理，并且對信號的短時能量、倒頻譜、Mel倒譜系數(shù)特征進行對比分析。實驗表明，基于特征提取的設備健康狀態(tài)預測與評估是可行的，而且對于同一信號，提取不同的特征，

3、其預測精度也有所不同。
　?。?）機器學習理論在健康狀態(tài)預測中的應用研究。支持向量機（Support Vector Machine，SVM）有唯一的全局最優(yōu)解與出色的機器學習能力，能夠很好的解決小樣本、非線性、高維化等問題。本文將評價設備健康狀態(tài)的問題轉化為對設備特征分類的模型進行處理，提出了基于特征提取和SVM的設備健康狀態(tài)預測與評估方法。
　?。?）設備健康狀態(tài)評估研究及實驗分析。提出了設備健康度的概念，通過在井下水泵處