基于LLTSA算法的轉(zhuǎn)子故障特征數(shù)據(jù)集降維方法研究.pdf

1、隨著旋轉(zhuǎn)機(jī)械向超大型化方向快速發(fā)展，利用運(yùn)行中采集到的機(jī)械振動(dòng)信號(hào)實(shí)施設(shè)備的狀態(tài)監(jiān)測(cè)與故障診斷，是確保其穩(wěn)定、安全、高效運(yùn)行的主要措施。故障診斷存在著信息量大、知識(shí)匱乏的問(wèn)題，因此如何從故障特征數(shù)據(jù)中篩選出對(duì)故障診斷有用的特征數(shù)據(jù)子集，已成為故障診斷研究中亟需盡快解決的問(wèn)題。傳統(tǒng)的線(xiàn)性降維方法無(wú)法對(duì)非線(xiàn)性故障特征數(shù)據(jù)做出正確的降維處理，因此非線(xiàn)性故障特征數(shù)據(jù)的降維方法研究已成為當(dāng)前研究的重點(diǎn)。此外，當(dāng)機(jī)械系統(tǒng)需要實(shí)施在線(xiàn)狀態(tài)監(jiān)測(cè)時(shí)，正確

2、判別新增數(shù)據(jù)的類(lèi)別是保證監(jiān)測(cè)結(jié)果正確性的必要前提條件。針對(duì)以上兩問(wèn)題，本研究對(duì)局部切空間排列算法(LTSA)進(jìn)行改進(jìn)，并將改進(jìn)后的算法用于解決故障統(tǒng)計(jì)特征數(shù)據(jù)集的降維問(wèn)題。還對(duì)通過(guò)借助增量LTSA學(xué)習(xí)算法對(duì)新增特征數(shù)據(jù)進(jìn)行正確辨識(shí)的方法進(jìn)行了探討。開(kāi)展的具體研究?jī)?nèi)容與得到的研究結(jié)論情況如下:
　　1)針對(duì)原始故障數(shù)據(jù)無(wú)法直接用于故障分析的問(wèn)題，研究了常用于故障分析的時(shí)域特征，這些特征包括均值、標(biāo)準(zhǔn)差、峰峰值和裕度指標(biāo)等。針對(duì)經(jīng)典的

3、線(xiàn)性降維方法不能滿(mǎn)足非線(xiàn)性故障數(shù)據(jù)降維要求的問(wèn)題，分析比較了幾種常用的流形學(xué)習(xí)算法的特點(diǎn)。分析顯示出，該類(lèi)方法在處理非線(xiàn)性故障數(shù)據(jù)時(shí)，擁有能夠較好地保留數(shù)據(jù)本質(zhì)信息特征的優(yōu)點(diǎn)。
　　2)針對(duì)傳統(tǒng)的線(xiàn)性降維方法難以對(duì)非線(xiàn)性故障統(tǒng)計(jì)特征實(shí)施有效降維的問(wèn)題，將局部切空間排列算法(LTSA)用于非線(xiàn)性故障特征數(shù)據(jù)的降維中。該方法能有效的對(duì)非線(xiàn)性數(shù)據(jù)進(jìn)行降維處理。但由于在降維過(guò)程中，鄰域k值的選取沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，因此僅憑經(jīng)驗(yàn)和試驗(yàn)法無(wú)法滿(mǎn)足

4、快速正確處理數(shù)據(jù)的要求。針對(duì)此不足，在本問(wèn)題研究中引入了線(xiàn)性分塊算法。應(yīng)用情況表明:構(gòu)造出的新算法能對(duì)非線(xiàn)性數(shù)據(jù)進(jìn)行合理的局部線(xiàn)性分塊，從而可解決LTSA算法鄰域k值選取問(wèn)題，使得降維結(jié)果得到了良好的改善。
　　3)針對(duì)在線(xiàn)監(jiān)測(cè)與診斷需要及時(shí)正確的分析與處理新增數(shù)據(jù)的問(wèn)題，采用增量局部切空間排列算法(LTSA)對(duì)新增數(shù)據(jù)進(jìn)行處理。設(shè)計(jì)出的新方法在利用歷史數(shù)據(jù)信息的同時(shí)還能夠?qū)π略鰯?shù)據(jù)進(jìn)行判別分析。本項(xiàng)研究工作對(duì)設(shè)備當(dāng)前狀況的分析與