基于NPPE算法的轉子故障特征數(shù)據(jù)集降維方法研究.pdf

1、旋轉機械如大型蒸汽輪機、燃氣輪機、航空發(fā)動機等，是國民經(jīng)濟生活的重要生產(chǎn)設施。大型轉子系統(tǒng)工況環(huán)境惡劣，隨著運行時間增長，設備可能會出現(xiàn)各種各樣意料不到的故障，影響生產(chǎn)計劃，甚至造成人員傷亡等嚴重后果，因此對轉子系統(tǒng)進行維護必不可少。隨著設備復雜程度加深，所需采集的設備運行狀態(tài)數(shù)據(jù)越來越多，所組成的高維特征數(shù)據(jù)集，足以使研究人員望而卻步。如何在高維數(shù)據(jù)集中提取設備有價值的信息，已經(jīng)成為故障診斷領域的熱門課題。低維特征空間直觀性強，易分析

2、，且數(shù)據(jù)處理效率高，可使診斷更加容易。
　　為此，本文以流形學習理論為基礎，以模擬化工機械的壓縮機——雙跨轉子系統(tǒng)為研究對象，利用非接觸式的電渦流位移傳感器采集得到離線狀態(tài)下的高維多域故障特征信號集，應用數(shù)據(jù)降維方法，特別的提出了改進的 NPPE流形學習算法，對多域故障特征集進行降維處理，并與模式分類算法相結合，研究其降維分類效果。主要研究工作及內(nèi)容如下：
　　1)鄰域保持多項式嵌入（NPPE）流形學習算法，有易于表達的顯式

3、映射函數(shù)，能保持數(shù)據(jù)局部幾何結構的非線性特性，還能利用新數(shù)據(jù)于降維之中，在機械故障診斷領域有巨大的應用潛力。
　　2)基于NPPE流形學習算法在旋轉機械故障診斷中的應用，并且將其改進為有監(jiān)督的機器學習形式，適當?shù)奶岣吡肆炕收咸卣魈崛【纫约昂罄m(xù)的故障識別正確率。
　　3)將基于小波包能量譜的時頻分析方法應用于轉子故障診斷中，具有優(yōu)良的診斷性能，簡單，易應用；提取的轉子多域高維故障特征集，包含時域、頻域、時頻域共計26個特征

4、，用于數(shù)據(jù)降維。
　　4)開發(fā)了旋轉機械故障診斷測試系統(tǒng) FDTS-1，集MATLAB、SQL Sever和C＃于一身；將振動數(shù)據(jù)存入 SQL Sever數(shù)據(jù)庫中，方便查詢和調(diào)用；測試系統(tǒng)中還有各種降維算法和分類算法，可對傳感器采集的多通道振動信號組成的多域特征集進行數(shù)據(jù)分析。
　　研究表明：基于流形學習的量化特征提取，因其可以發(fā)現(xiàn)故障數(shù)據(jù)集中的非線性信息，非常適用于此領域；如何將降維分析算法和模式識別算法嵌入在線的狀態(tài)監(jiān)測