基于核方法的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)與模式分析方法研究.pdf

1、旋轉(zhuǎn)機(jī)械是國(guó)民經(jīng)濟(jì)支撐行業(yè)中廣泛使用的關(guān)鍵性核心設(shè)備，開(kāi)展旋轉(zhuǎn)機(jī)械故障診斷技術(shù)研究，對(duì)于確保此類設(shè)備安全、可靠、高效、長(zhǎng)周期、滿負(fù)荷、優(yōu)質(zhì)運(yùn)行，避免巨大的經(jīng)濟(jì)損失和災(zāi)難性事故的發(fā)生，具有極大的經(jīng)濟(jì)、社會(huì)意義。旋轉(zhuǎn)機(jī)械故障診斷過(guò)程實(shí)質(zhì)是模式分析過(guò)程，以支持向量機(jī)為代表的核方法帶來(lái)了模式分析領(lǐng)域的第三次革命，該類方法通過(guò)核函數(shù)將原始空間數(shù)據(jù)隱式映射到特征空間，在特征空間尋找線性關(guān)系，實(shí)現(xiàn)非線性問(wèn)題的高效求解。旋轉(zhuǎn)機(jī)械發(fā)生的故障常常呈現(xiàn)出非線

2、性行為，核方法特別適用于旋轉(zhuǎn)機(jī)械故障診斷與模式分析問(wèn)題的處理。
　　 典型的核方法除支持向量機(jī)(SVM)，還有核主成分分析(KPCA)、核獨(dú)立成分分析(KICA)、核聚類(KC)、核Fish判別(KFD)等。論文圍繞核方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用而展開(kāi)，主要研究?jī)?nèi)容包括：
　　 1.面向核方法應(yīng)用的旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)采集與預(yù)處理。
　　 以機(jī)械故障綜合模擬實(shí)驗(yàn)臺(tái)為平臺(tái)，設(shè)計(jì)了旋轉(zhuǎn)機(jī)械典型故障振動(dòng)測(cè)試實(shí)驗(yàn)，并采

3、集了數(shù)據(jù)。提取時(shí)域統(tǒng)計(jì)特征、小波包分解和經(jīng)驗(yàn)?zāi)B(tài)分解所得不同頻段的能量、熵和能量熵特征、時(shí)序特征、關(guān)聯(lián)維特征，構(gòu)成11個(gè)旋轉(zhuǎn)機(jī)械故障特征庫(kù)，為核方法應(yīng)用研究提供數(shù)據(jù)基礎(chǔ)。
　　 針對(duì)EMD過(guò)程中易產(chǎn)生冗余IMF的不足，提出改進(jìn)HHT方法。小波包去噪后，以EMD所得每個(gè)IMF與分解前信號(hào)的相關(guān)系數(shù)作為判斷依據(jù)，剔除冗余IMF，滾動(dòng)軸承故障診斷實(shí)例表明該方法可有效提取微弱信號(hào)故障特征頻率。
　　 2.面向旋轉(zhuǎn)機(jī)械故障診斷的K

4、PCA核參數(shù)優(yōu)選與消噪方法研究。
　　 揭示了核函數(shù)及核參數(shù)對(duì)KPCA性能影響規(guī)律，發(fā)現(xiàn)無(wú)論選用高斯核還是多項(xiàng)式核，累計(jì)貢獻(xiàn)率大于0.85的核主成分個(gè)數(shù)均隨核參數(shù)的增大而遞減，最終呈收斂狀態(tài)；選用高斯核的KPCA，其核主成分具有更好的聚類性能，對(duì)沒(méi)有任何先驗(yàn)知識(shí)的特征向量執(zhí)行KPCA時(shí)，建議取高斯核參數(shù)σ>25。
　　 提出了基于KPCA的信號(hào)消噪方法，克服濾波、小波消噪等常用消噪方法需要先驗(yàn)知識(shí)，給實(shí)際應(yīng)用帶來(lái)困難的不

5、足。通過(guò)相空間重構(gòu)將一維觀測(cè)信號(hào)擴(kuò)展為多維向量，再執(zhí)行KPCA，提取核主成分，實(shí)現(xiàn)信號(hào)消噪，整個(gè)過(guò)程無(wú)需任何先驗(yàn)知識(shí)。仿真與滾動(dòng)軸承振動(dòng)信號(hào)消噪實(shí)例驗(yàn)證了方法的有效。
　　 3.基于KICA的旋轉(zhuǎn)機(jī)械故障信號(hào)消噪與特征提取。
　　 提出了基于KICA的信號(hào)消噪方法，通過(guò)引入適配噪聲分量，將一維觀測(cè)信號(hào)擴(kuò)展為多維向量，再執(zhí)行KICA，實(shí)現(xiàn)信噪分離，達(dá)到消噪目的。KICA消噪過(guò)程不受信噪比影響，具有其它消噪方法無(wú)法比擬的優(yōu)勢(shì)

6、。轉(zhuǎn)子不平衡振動(dòng)信號(hào)的消噪實(shí)例驗(yàn)證了方法的有效性。
　　 定義了旋轉(zhuǎn)機(jī)械KIC特征量，實(shí)測(cè)信號(hào)分析表明KIC對(duì)滾動(dòng)軸承與齒輪故障均具有有較好的識(shí)別性，可作為敏感特征量用于故障診斷。
　　 4.基于(核)聚類的旋轉(zhuǎn)機(jī)械故障診斷。
　　 提出了EMD-模糊聚類法、基于高階累積量的AR參數(shù)估計(jì)-模糊聚類法，滾動(dòng)軸承故障診斷與性能退化評(píng)估實(shí)例驗(yàn)證了方法的有效性。
　　 提出了基于雙譜分布區(qū)域的匹配聚類方法，有效克

7、服了傳統(tǒng)基于譜圖頻率峰值的故障診斷方法容易受混頻干擾的不足，滾動(dòng)軸承與齒輪的故障診斷實(shí)例驗(yàn)證了方法的有效性。
　　 提出了兩種核聚類方法，重點(diǎn)研究了初始核聚類中心、及進(jìn)一步核聚類中心的確定方法，實(shí)例驗(yàn)證了方法的有效性。
　　 5.基于SVM與多振動(dòng)信息融合的旋轉(zhuǎn)機(jī)械故障診斷。
　　 提出了基于SVM的多振動(dòng)信息融合旋轉(zhuǎn)機(jī)械故障診斷方法，多個(gè)傳感器的單一特征量的SVM融合可實(shí)現(xiàn)較高精度的滾動(dòng)軸承與齒輪的故障診斷。<