摘要
工业互联网技术的广泛应用推动制造业产生海量数据，这些数据中通常包含表征制造装备健康状态的丰富信息。在机械故障诊断与寿命预测领域，现有的信号处理和故障诊断技术难以从强耦合、低信噪比、高掩盖的混合信号数据中提取出能够表征装备真实状态的信号，导致了制造装备故障识别精度低、寿命预测波动大、健康管理能力差。针对上述问题，本文以采集的原始测量数据为基础，深入制造装备关键部件故障产生机理与退化演化规律，开展数据驱动的制造装备关键部件故障诊断与寿命预测研究。通过分析频域信号特性和滤波机制，提出针对强噪声干扰下的制造装备关键部件早期故障诊断方法，实现超低信噪比下信号处理及故障诊断；基于集成学习思想，提出了多源数据集成的故障模式识别模型，提升了小样本目标域训练集下的故障识别精度；基于装备的退化规律，提出了健康状态评估和寿命预测混合模型，实现制造装备的自主监测与智能诊断。具体内容概括如下： （1）提出了一种制造装备关键部件早期故障诊断模型。该模型设计了基于频率加权能量算子和功率谱融合的信号处理算法，克服了现有信号处理算法抗噪性弱、鲁棒性低的问题，实现了强噪声干扰下制造装备关键部件的早期故障诊断。 （2）提出了一种制造装备关键部件故障模式识别模型。该模型构建了基于域间分布度量和样本相似度的多源数据集成策略，解决了同领域不同工况下多源数据难以有效融合的问题，提高了小样本目标域训练集下故障模式识别精度。 （3）提出了一种制造装备关键部件健康状态评估和寿命预测混合模型。该模型构造了一种具有较高综合性能的健康指标族并改进了现有的分阶PE裂纹扩展模型，解决了原有PE模型适应性低、约束条件较多的问题，实现了制造装备关键部件的退化跟踪和寿命预测的有机结合。
NETL