基于振動譜圖像識別的故障診斷方法研究.pdf

1、本文依托于為國內(nèi)數(shù)家知名企業(yè)研發(fā)的主減速器性能試驗(yàn)機(jī)課題，針對被試件狀態(tài)檢測需要人工觀察振動譜圖，其檢測診斷的準(zhǔn)確率與技術(shù)人員的經(jīng)驗(yàn)密切相關(guān)，導(dǎo)致準(zhǔn)確率無法保證的情況，提出基于振動譜圖像識別的智能診斷方法，圍繞其中的關(guān)鍵技術(shù)：信號處理方法、圖像特征融合及特征分解、特征提取方法、人工智能多類分類算法、多分類器融合方法展開研究，并將研究成果應(yīng)用到主減速器性能測試中。主要內(nèi)容如下：
　　 首先，針對振動信號的邊頻調(diào)制特征，在形態(tài)小波的

2、理論基礎(chǔ)上，提出了形態(tài)小波包最佳樹算法(MWP&BT)，探討了MWP&BT算法的濾波解調(diào)原理，并將其應(yīng)用到滾動軸承和主減速器的振動信號解調(diào)中。圍繞信號的非平穩(wěn)性、非高斯性，對時(shí)頻分析、雙譜、循環(huán)雙譜等現(xiàn)代信號處理方法進(jìn)行對比分析。
　　 第二，結(jié)合人眼視覺模型中對比敏感函數(shù)(CSF)特性，提出形態(tài)小波和CSF的圖像融合方法，使得融合圖像符合人眼視覺特性，并將其應(yīng)用到故障特征融合之中；提出基于振動譜圖像處理的振動特征分解方法，提出

3、圖像運(yùn)算相關(guān)算子，對基于圖像運(yùn)算的振動特征分解機(jī)理進(jìn)行分析，并與EMD進(jìn)行比較。
　　 第三，提出基于形態(tài)小波的圖像壓縮方法；針對振動譜圖像特征提取，提出兩種灰度矩算法，對相關(guān)影響因素進(jìn)行分析，并對SPWVD時(shí)頻圖像和雙譜圖像特征提取實(shí)例研究。
　　 第四，介紹人工免疫系統(tǒng)的概念，建立了基于免疫網(wǎng)絡(luò)模型的智能檢測方法的一般框架。然后，研究獨(dú)特型網(wǎng)絡(luò)動力學(xué)模型—Farmer模型的穩(wěn)定性，結(jié)合Farmer模型和aiNet的優(yōu)

4、勢，提出一種人工免疫網(wǎng)絡(luò)優(yōu)化算法(簡稱：AINOA)。研究了利用抗原抗體互識別的結(jié)合能量模型實(shí)現(xiàn)多類分類的可行性，結(jié)合AINOA的樣本空間優(yōu)化能力和結(jié)合能量模型的分類特性，提出一種人工免疫網(wǎng)絡(luò)分類算法(簡稱：AINCA)，并將其應(yīng)用到滾動軸承的故障檢測之中。
　　 第五，介紹了模糊測度、模糊積分的概念，由此引入基于模糊積分的決策融合模型，在多類分類器的基礎(chǔ)上，對分類結(jié)果進(jìn)行模糊積分決策融合，以期提高分類精度。
　　 最后