面向電機裝置的集合型故障診斷方法研究.pdf

1、電機裝置作為當前這個工業(yè)化快速發(fā)展的社會的最主要動力元件已被廣泛運用在了生活中的方方面面，小到玩具電動車的小馬達，牙科醫(yī)生手中的鉆頭，大到客機的飛行引擎，工廠的發(fā)電機等。電機裝置的故障需要盡早的被發(fā)現(xiàn)并做出正確的判斷，因為故障的出現(xiàn)會帶來無法挽回的經(jīng)濟損失，甚至威脅到工作人員的安全。在基于數(shù)據(jù)驅(qū)動的電機裝置故障診斷過程中，有兩個需要被重點解決的問題，第一項是關(guān)于電機裝置故障特征的提取與分析，第二項是將出現(xiàn)的故障有效的分類診斷出來。

2、>　　電機裝置的工作環(huán)境并不理想，所檢測到的信號一般會呈現(xiàn)出非線性、非高斯等特點，那么如何能夠在如此惡劣且復(fù)雜的環(huán)境中得到最為有效的特征信息并正確的做出高精度的診斷分類就成為了解決故障診斷的關(guān)鍵性問題。而且，一次性批量故障診斷方式并不能滿足電機裝置的診斷要求。若是停止電機裝置工作來進行檢測，將會耽誤工作的進度。這就需要在工作的同時對數(shù)據(jù)進行在線的診斷。
　　基于以上的需求，為了提高故障診斷的精度和快速性，本文提出了基于EEMD-O

3、S-RKELM和基于VMD-KPCA-RELM兩種集合型故障診斷方法。在第一種方法EEMD-OS-RKELM中，通過EEMD(Ensemble Empirical Mode Decomposition)對數(shù)據(jù)進行預(yù)處理，提取出有效的特征值，然后將得到的特征數(shù)據(jù)送給OS-RKELM進行故障狀態(tài)分類診斷。OS-RKELM(online sequential regularization extreme kernel learning mac

4、hine)是在OS-ELM的基礎(chǔ)上加入了正則化和核函數(shù)，有效抑制了因參數(shù)隨機選取所帶來的輸出矩陣奇異、診斷結(jié)果過擬合等問題，且該方法通過迭代的方式對數(shù)據(jù)進行在線學(xué)習(xí)，提高了診斷的時間。而在第二種集合方法VMD-KPCA-RELM中，首先通過VMD(variational mode decomposition)對數(shù)據(jù)進行預(yù)處理。其次，采用KPCA(kernel principle component analysis)對處理后的數(shù)據(jù)進行壓