統(tǒng)計聚類和粒子濾波在故障診斷中的應用研究.pdf

1、針對旋轉機械故障診斷中的故障特征提取、多故障診斷、壽命預測、突發(fā)故障診斷和預測，以統(tǒng)計聚類和粒子濾波作為技術方法，解決了上述幾個方面中存在的問題：1）目前故障特征很多，如何有效的將其進行選擇和融合，根據(jù)各自的貢獻對其進行充分利用，是一個需要研究的問題；2）多故障診斷中，同一種故障往往對應著多種形式的數(shù)據(jù)，包括不同環(huán)境下以及不同操作條件下的數(shù)據(jù)，增加了訓練分類器的時間復雜度，如何盡可能減小訓練分類器的時間復雜度，是目前面臨的一個問題；3）

2、在對旋轉機械進行的壽命預測中，目前應用比較廣泛的方法是粒子濾波技術，而無跡粒子濾波技術是對粒子濾波技術的改進，能夠充分利用先驗信息和觀測值來矯正預測模型，但是該技術仍然存在魯棒性不強的缺點，因此需要在這方面進行改進；4）突發(fā)故障因發(fā)生時間不確定而且持續(xù)時間短，導致故障特征很難捕捉，增加了突發(fā)故障診斷和預測難度，因此探索快速有效的故障診斷和預測算法是急需解決的問題。
　　針對問題1），提出了兩種基于統(tǒng)計聚類的故障特征選擇和融合方法：

3、一種是基于相似性傳播（Affinity propagation，AP）聚類的特征選擇方法，利用AP聚類不需要初始化聚類中心的優(yōu)點，通過自動聚類找到特征集合的子集，而這些子集能夠代表所有的特征，實驗研究表明通過該方法選擇出的特征子集在用于故障診斷后較其他特征選擇方法具有更高的診斷準確性；另外一種方法是在AP聚類的基礎上，提出了基于AP聚類和譜聚類相似性聚合（Affinity aggregation for spectrum cluster

4、ing，AASC）的混合聚類特征線性融合方法，通過譜聚類獲得最優(yōu)的特征選擇結果和這些特征對應的貢獻權值，并將這些特征最終融合為一個特征。實驗表明，采用本文方法處理后的特征，在用機器學習和數(shù)據(jù)驅動方法進行診斷時不僅簡單，而且準確率更高。
　　針對問題2），首先將歷史振動信號數(shù)據(jù)分別按照速度和損傷程度進行分層，對每一層的歷史數(shù)據(jù)進行聚類，獲得具有較少故障類型的數(shù)據(jù)集合，對每個小的數(shù)據(jù)集合進行訓練，當有新的故障數(shù)據(jù)時，可以首先判斷其是屬

5、于哪一層面的故障，然后有針對性的進行故障診斷，這樣節(jié)省了將所有故障類型都放在一起進行訓練的時間，起到化繁為簡的作用。采用美國凱斯西儲大學電氣工程實驗室采集的滾動軸承多故障數(shù)據(jù)驗證本文方法在多故障診斷中的效果，實驗結果表明該方法能夠有效的對多故障進行診斷。
　　針對問題3），采用改進的無跡粒子濾波方法實現(xiàn)無跡粒子濾波方法在預測魯棒性方面的提高，即利用奇異值分解（Singular Value Decomposition，SVD）首先對

6、無跡卡爾曼濾波中的sigma點生成過程中的協(xié)方差P矩陣進行奇異值分解，分解后取其特征值作為新的sigma點，該方法克服了無跡粒子濾波方法在應用時魯棒性不強的缺點，提高了壽命預測的可靠性。采用兩組測試數(shù)據(jù)來驗證本文方法在魯棒性方面的提升效果，分別是NASA數(shù)據(jù)庫中的Lithium-ion電池容量變化數(shù)據(jù)，以及NASA數(shù)據(jù)庫中的滾動軸承全壽命周期內的振動數(shù)據(jù)，實驗結果表明，改進后的無跡粒子濾波方法提升了預測算法對數(shù)據(jù)的魯棒性，使得預測結果更

7、加的準確。
　　針對問題4）中的突發(fā)故障診斷和預測，分別提出了對應的方法。針對突發(fā)故障的診斷，采用統(tǒng)計聚類的方法對突發(fā)故障發(fā)生前的數(shù)據(jù)進行分析，獲得代表其趨勢的聚類中心數(shù)據(jù)庫，然后實時監(jiān)測在線數(shù)據(jù)，當有與這些中心匹配的數(shù)據(jù)出現(xiàn)時，立即采取緊急措施，避免突發(fā)災難性事故的發(fā)生。針對突發(fā)故障的預測，將多元統(tǒng)計中的混合高斯隱馬爾科夫模型（Mixture of Gaussian Hidden Markov Model，MOG-HMM）方法進