基于流形學習的旋轉機械早期故障融合診斷方法研究.pdf

1、隨著現(xiàn)代科學技術的迅猛發(fā)展，在工業(yè)制造、航空航天、石油化工、能源冶金以及國防工業(yè)等領域，逐步涌現(xiàn)出許多大型復雜的旋轉機械裝備，如風力發(fā)電機、航空發(fā)動機、工業(yè)燃氣輪機等，這些旋轉機械一旦發(fā)生故障，不但嚴重影響企業(yè)的生產效率，造成巨大的經濟損失，甚至造成不可挽回的人員傷亡。解決因旋轉機械故障導致巨大經濟損失、人員傷亡和災難性事故發(fā)生的關鍵是開展旋轉機械早期故障診斷技術研究，即在故障萌芽階段對其進行準確的辨識，并據此指導保養(yǎng)和維修工作，有效地

2、控制故障發(fā)展，保障旋轉機械安全、可靠運行。
　　大型旋轉機械結構日益復雜、運行環(huán)境惡劣、工況不穩(wěn)定，表征其運行狀態(tài)的振動信號具有非線性強噪聲特點，而旋轉機械早期故障特征微弱，淹沒于強噪聲環(huán)境中，難以提取；大型旋轉機械早期故障孕育于設備運行的正常狀態(tài)且處于不斷發(fā)展變化中，故障原因與故障表征間映射關系模糊且早期故障樣本稀缺，故障辨識難度大；單一傳感器獲取的狀態(tài)信息只能反映旋轉機械局部運行狀態(tài)，大型旋轉機械采用多個不同位置傳感器獲取的狀

3、態(tài)信息來刻畫整體運行狀態(tài)，需要對多傳感器多識別模型下獨立局部診斷結果進行決策融合。
　　論文針對大型旋轉機械強噪聲干擾下非線性微弱特征提取、小子樣模糊信息故障識別、多源多模型決策融合診斷等問題，深入研究基于流形學習的旋轉機械早期故障融合診斷方法，具體研究內容如下：
　　①針對大型旋轉機械振動狀態(tài)非線性微弱特征難以提取的問題，提出了基于自適應流形學習的旋轉機械微弱特征融合提取方法。采用自適應局部切空間排列流形學習和相空間重構相

4、結合的方法，對旋轉機械強噪聲振動信號進行非線性降噪；然后構建混合域高維特征集，以全面、綜合、深入地刻畫旋轉機械裝備的整體運行狀態(tài)；提出基于Dezert-Smarandache證據理論的多準則融合評價序列進行特征選擇，剔除原始高維特征集中干擾特征；最后把優(yōu)化高維敏感特征子集輸入到自適應正交鄰域保持嵌入流形學習中進行特征融合約簡，進一步剔除特征集中的冗余特征，實現(xiàn)非線性微弱特征的融合提取。
　　②針對大型旋轉機械故障診斷中故障樣本稀缺

5、和故障原因與故障表征間映射關系模糊的問題，提出了流形距離度量的有監(jiān)督模糊C均值聚類旋轉機械故障識別方法。有監(jiān)督模糊C均值聚類在硬聚類基礎上擴展了隸屬度的取值范圍，具有更好的模糊信息表達能力；在小子樣情況下，算法保留了對監(jiān)督樣本的模糊性劃分，同時通過監(jiān)督項比例系數(shù)調節(jié)監(jiān)督樣本的“典型程度”來更好地引導聚類，當發(fā)現(xiàn)監(jiān)督樣本信息有誤時，能有效減少噪聲監(jiān)督項對整體分類效果的影響；采用非參數(shù)核密度估計融合監(jiān)督樣本的類別標簽信息，設置初始聚類中心，

6、提高迭代效率；采用流形距離度量，更好地處理空間分布復雜的現(xiàn)實數(shù)據，使算法更具普適性，實現(xiàn)大型旋轉機械小子樣模糊信息早期故障的有效識別。
　?、坩槍Υ笮托D機械故障診斷中單一傳感器振動信號故障診斷的局限性問題，提出了基于模糊一致性矩陣的多源多模型加權決策融合診斷方法。通過對沖突系數(shù)設置閾值，合理選用Dempster-Shafer證據理論或Dezert-Smarandache證據理論進行多源非沖突或沖突性信息的決策融合；其中各傳感器的

7、可靠性由其訓練樣本的模式識別精度體現(xiàn)，通過模糊一致性陣綜合衡量各傳感器的可靠性，計算多源多模型下的權值系數(shù)；對各傳感器故障識別結果進行加權，提高決策融合診斷的容差性和魯棒性，實現(xiàn)大型旋轉機械多源多模型下局部診斷結果的有效融合。
　?、芨鶕陨涎芯糠椒?，研發(fā)了一套集數(shù)據采集、信號處理、微弱特征提取、故障識別、決策融合診斷等功能為一體的旋轉機械狀態(tài)監(jiān)測與早期故障診斷系統(tǒng)，并進行了實際應用。
　　文章最后對本文的工作進行了總結，并