基于信號(hào)局部特征提取的機(jī)械故障診斷方法研究.pdf

1、人們對(duì)現(xiàn)代化生產(chǎn)系統(tǒng)運(yùn)行可靠性和安全性越來越高的要求，是機(jī)械故障診斷技術(shù)產(chǎn)生并迅速發(fā)展的原因。隨著機(jī)械設(shè)備向高速化、重載化、大型化和和復(fù)雜化方向發(fā)展，傳統(tǒng)故障診斷技術(shù)越來越難以滿足診斷需求。信號(hào)分析技術(shù)和人工智能方法的發(fā)展為提高故障診斷水平提供了有力工具。本文結(jié)合“車輛變速箱檢測(cè)試驗(yàn)臺(tái)”、?！败囕v分動(dòng)器檢測(cè)試驗(yàn)臺(tái)”、“車輛變速箱齒輪檢測(cè)試驗(yàn)臺(tái)”等項(xiàng)目，針對(duì)機(jī)械設(shè)備發(fā)生故障時(shí)振動(dòng)信號(hào)往往表現(xiàn)出時(shí)變性、非平穩(wěn)性特點(diǎn)，以齒輪和軸承為對(duì)象，圍繞

2、故障特征信息提取和智能診斷方法這兩個(gè)核心問題開展研究，重點(diǎn)在于基于信號(hào)局部特征的分析方法和基于AIS(Artificial Immune System)的智能診斷模型及其應(yīng)用。主要工作和研究成果如下：
　　 (1)介紹了研究對(duì)象的主要故障形式、振動(dòng)產(chǎn)生機(jī)理和信號(hào)特點(diǎn)，以及實(shí)際中振動(dòng)信號(hào)的測(cè)量和傳播路徑的影響，為后續(xù)章節(jié)奠定基礎(chǔ)。
　　 (2)針對(duì)測(cè)得的信號(hào)中伴有背景信號(hào)和噪聲，研究了形態(tài)小波降噪和特征提取方法?；谛螒B(tài)小

3、波的一般框架構(gòu)造了極值提升形態(tài)小波和復(fù)合結(jié)構(gòu)元素形態(tài)非抽樣小波兩種形態(tài)小波，將其用于沖擊信號(hào)特征的提取，具有比傳統(tǒng)小波和解調(diào)分析更強(qiáng)的特征提取能力；將極值提升形態(tài)小波應(yīng)用于齒輪和軸承的小波灰度矩分析，結(jié)果表明極大改善了其對(duì)信號(hào)局部時(shí)頻能量分布特征的刻畫能力。
　　 (3)針對(duì)一般方法的基對(duì)信號(hào)局部特征不具有自適應(yīng)性，研究了基于局域波的特征提取方法。提出了一種改進(jìn)局域波分解特征提取性能的方法，根據(jù)局域波互信息剔除噪聲分量和虛假分量

4、，并引入形態(tài)小波分析，以抑制模態(tài)混疊和虛假分量，提高了信號(hào)分解的準(zhǔn)確性和瞬時(shí)參數(shù)提取的時(shí)效性。在此基礎(chǔ)上，提出局域波域的信息熵特征分析方法，用于定量刻畫信號(hào)在基本模式空間中分布的復(fù)雜度。用實(shí)例驗(yàn)證了其有效性。
　　 (4)針對(duì)特征的重要性不同及其相關(guān)性和冗余性，結(jié)合局域波分析，從特征提取和特征選擇兩個(gè)方面研究了獲得對(duì)分類有利的特征子集、改善分類性能的方法：核主元分析—最小二乘支持向量機(jī)和貝葉斯證據(jù)框架—序列后向選擇—最小二乘支持

5、向量機(jī)。前者通過核主元分析將數(shù)據(jù)映射到高維特征空間，在抑制冗余度和噪聲的基礎(chǔ)上進(jìn)行特征提?。缓笳哌\(yùn)用啟發(fā)式搜索策略，在分類器學(xué)習(xí)過程中實(shí)現(xiàn)自適應(yīng)的多特征子集選擇優(yōu)化。用實(shí)例驗(yàn)證了以上方法在提高分類器的學(xué)習(xí)和泛化性能上的有效性。
　　 (5)AIS本質(zhì)上是模擬生物體自身的故障診斷機(jī)制，具有很好的可解釋性．基于免疫識(shí)別和免疫網(wǎng)絡(luò)隱喻機(jī)制，提出了基于V—detector算法的故障診斷模型和RS—ABNet故障診斷模型，前者適于處理低維