基于多元征兆和多重智能方法融合的故障診斷研究.pdf

1、科學(xué)技術(shù)的不斷發(fā)展和工業(yè)現(xiàn)代化水平的不斷進(jìn)步，使旋轉(zhuǎn)機(jī)械設(shè)備的集成化和智能化程度越來越高，機(jī)械結(jié)構(gòu)日趨復(fù)雜，導(dǎo)致部件間的耦合性越來越強(qiáng)，這不僅極大增加了運(yùn)行故障風(fēng)險(xiǎn)，還放大了故障后果的嚴(yán)重性。因此，實(shí)時(shí)監(jiān)控機(jī)械運(yùn)行狀態(tài)，提取有效狀態(tài)信息，及時(shí)發(fā)現(xiàn)異常征兆，并依此判斷機(jī)械故障類別指導(dǎo)選擇應(yīng)對(duì)措施，對(duì)于保證旋轉(zhuǎn)機(jī)械的可靠運(yùn)行和減少故障損失具有非常重要的意義。旋轉(zhuǎn)機(jī)械最常見和最主要的故障是軸系振動(dòng)故障，軸系運(yùn)行過程中產(chǎn)生的振動(dòng)信號(hào)攜帶了很多與

2、軸系狀態(tài)密切相關(guān)的信息，它能夠反映軸系的健康狀況，因此，軸系振動(dòng)信號(hào)分析與識(shí)別是旋轉(zhuǎn)機(jī)械故障診斷的基礎(chǔ)和最重要的途徑。此外，由振動(dòng)信號(hào)合成的軸心軌跡，同樣攜帶了很多軸系振動(dòng)信息，其幾何形態(tài)直接反映了軸系的運(yùn)行狀態(tài)，因此，軸心軌跡的形狀識(shí)別是旋轉(zhuǎn)機(jī)械故障診斷的另一種重要途徑。軸系信號(hào)分析方法是通過對(duì)軸系振動(dòng)信號(hào)進(jìn)行處理分析，提取出能夠揭示信號(hào)與機(jī)械運(yùn)行狀態(tài)間的固有聯(lián)系的信息，建立信號(hào)與軸系狀態(tài)之間的映射關(guān)系，實(shí)現(xiàn)軸系狀態(tài)的表征和識(shí)別。軸心

3、軌跡形狀識(shí)別則是將軸系故障診斷問題轉(zhuǎn)化成圖像識(shí)別問題，通過建立軸心軌跡形狀與軸系狀態(tài)間的映射關(guān)系來識(shí)別軸系的狀態(tài)。
　　本研究主要內(nèi)容包括：⑴針對(duì)旋轉(zhuǎn)機(jī)械軸系信號(hào)難以表征和識(shí)別的問題，深入研究了基于經(jīng)驗(yàn)?zāi)B(tài)分解的數(shù)字信號(hào)處理理論體系，將其應(yīng)用于軸系信號(hào)的特征提取。針對(duì)旋轉(zhuǎn)機(jī)械軸系故障發(fā)生發(fā)展的固有特性，提出了一種基于無失真端點(diǎn)極值化的經(jīng)驗(yàn)?zāi)B(tài)分解方法，并將其應(yīng)用于旋轉(zhuǎn)機(jī)械軸系信號(hào)的分析和特征提取。該方法有效抑制了經(jīng)驗(yàn)?zāi)B(tài)分解中的端

4、點(diǎn)效應(yīng)和端點(diǎn)效應(yīng)可能導(dǎo)致的信號(hào)失真，為軸系信號(hào)特征提取準(zhǔn)備了一個(gè)完備的數(shù)據(jù)基礎(chǔ)，提高了軸系故障表征和識(shí)別的準(zhǔn)確性。⑵通過經(jīng)驗(yàn)?zāi)B(tài)分解得到的信號(hào)特征包含了大量的冗余信息，其嚴(yán)重的影響了旋轉(zhuǎn)機(jī)械軸系故障診斷的精度和效率。針對(duì)這一問題，深入探討了傳統(tǒng)特征選擇方法和分層分類原理，集二者之所長(zhǎng)，抽取分類樹的分層特征選擇機(jī)制，改變常規(guī)的特征優(yōu)選模式，另辟蹊徑，設(shè)計(jì)了一種新的冗余信息濾除方法。該方法以有效性為指導(dǎo)，設(shè)計(jì)啟發(fā)式搜索規(guī)則，以性能補(bǔ)充為原則

5、向已選特征子集補(bǔ)充當(dāng)前最有效特征，具有計(jì)算效率高、所選特征子集小、子集區(qū)分能力強(qiáng)的特點(diǎn)。該方法還能夠準(zhǔn)確刪除嚴(yán)重影響分類器性能的無效冗余信息，實(shí)現(xiàn)用簡(jiǎn)潔穩(wěn)定的特征表示揭示故障間的固有聯(lián)系，提高了分類器的分類精度和泛化性能，為旋轉(zhuǎn)機(jī)械軸系故障的簡(jiǎn)潔準(zhǔn)確表征提供了有效的特征優(yōu)選機(jī)制。⑶基于分類樹的分層特征選擇方法刪除了冗余信息，實(shí)現(xiàn)了特征子集的優(yōu)化，促進(jìn)了故障表征的準(zhǔn)確性，同時(shí)提升了故障診斷的精度和效率。但是，特征子集的優(yōu)化過程難免會(huì)刪除一

6、些有效性較小的信息，這對(duì)故障診斷的準(zhǔn)確性是沒有幫助或者是不利的。因此，深入分析了分層分類過程中特征的組織和利用機(jī)制后，本文提出了關(guān)聯(lián)特征向量的概念。關(guān)聯(lián)特征向量模擬人腦分層分類過程中的特征選擇和組織機(jī)制，能夠充分挖掘每一項(xiàng)特征對(duì)故障分類的最大貢獻(xiàn)，有效抑制每一項(xiàng)特征對(duì)故障分類可能產(chǎn)生的干擾，同時(shí)還可以通過無效項(xiàng)放大不同類別之間的差異。另外，關(guān)聯(lián)特征向量本身采用分層分類的特征選擇和組織機(jī)制，適合于采用單層分類的簡(jiǎn)單分類機(jī)制，所以關(guān)聯(lián)特征向

7、量同時(shí)具備了單層分類精簡(jiǎn)性和分層分類的有效性。因此，關(guān)聯(lián)特征向量不僅極大提高了特征向量對(duì)故障樣本的表征能力，而且還保證了特征提取和后續(xù)故障診斷的時(shí)效性，是一種全新的旋轉(zhuǎn)機(jī)械故障表征方式。⑷關(guān)聯(lián)特征向量在樣本表征上有革新性的優(yōu)勢(shì)，但是卻不能準(zhǔn)確地表征混疊模式。為此，本文在深入分析關(guān)聯(lián)特征向量產(chǎn)生機(jī)制和對(duì)應(yīng)特征提取方法的基礎(chǔ)上，指出導(dǎo)致這個(gè)問題的原因是其對(duì)邊界的“二值”邏輯處理模式。針對(duì)這一問題，本文以模糊邏輯取代“二值”邏輯，設(shè)計(jì)了模糊關(guān)

8、聯(lián)特征向量。模糊關(guān)聯(lián)特征向量采用模糊邏輯模式處理關(guān)聯(lián)特征向量產(chǎn)生和特征提取中的邊界問題，在繼承關(guān)聯(lián)特征向量新奇獨(dú)特結(jié)構(gòu)的基礎(chǔ)上，增強(qiáng)了普適性和健壯性，為存在少量混疊模式的故障診斷問題提供了一種簡(jiǎn)單高效的故障表征方式。⑸軸心軌跡識(shí)別是以圖像識(shí)別的方式實(shí)現(xiàn)故障診斷，用傳統(tǒng)的圖像表征方法表征軸心軌跡時(shí)，普遍存在形狀表征不全面、計(jì)算過程復(fù)雜和特征向量維度高等問題。針對(duì)這些問題，本文在深入研究四種最典型的軸心軌跡形狀的基礎(chǔ)上，提出了軸心軌跡直觀特

9、征的概念，分別從結(jié)構(gòu)、區(qū)域和邊界的角度定義了軸心軌跡的直觀特征，并模仿人眼對(duì)形狀的描述機(jī)制設(shè)計(jì)了相關(guān)直觀特征的計(jì)算方法，以最簡(jiǎn)單的數(shù)學(xué)方式定義了軸心軌跡最有效最直觀的特征。在此基礎(chǔ)上，本文進(jìn)一步提出了模仿人眼的軸心軌跡識(shí)別方法，它以直觀特征為人眼，實(shí)現(xiàn)對(duì)軸心軌跡形狀的宏觀準(zhǔn)確表征，以智能分類方法為人腦，實(shí)現(xiàn)軸心軌跡的智能識(shí)別。直觀特征為軸心軌跡提供了一種新的優(yōu)越的表征方式，模仿人眼的軸心軌跡識(shí)別方法為軸心軌跡的識(shí)別提供了一種簡(jiǎn)單、精確、