基于核方法的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)與模式分析方法研究.pdf

1、旋轉(zhuǎn)機(jī)械是國民經(jīng)濟(jì)支撐行業(yè)中廣泛使用的關(guān)鍵性核心設(shè)備，開展旋轉(zhuǎn)機(jī)械故障診斷技術(shù)研究，對于確保此類設(shè)備安全、可靠、高效、長周期、滿負(fù)荷、優(yōu)質(zhì)運(yùn)行，避免巨大的經(jīng)濟(jì)損失和災(zāi)難性事故的發(fā)生，具有極大的經(jīng)濟(jì)、社會意義。旋轉(zhuǎn)機(jī)械故障診斷過程實質(zhì)是模式分析過程，以支持向量機(jī)為代表的核方法帶來了模式分析領(lǐng)域的第三次革命，該類方法通過核函數(shù)將原始空間數(shù)據(jù)隱式映射到特征空間，在特征空間尋找線性關(guān)系，實現(xiàn)非線性問題的高效求解。旋轉(zhuǎn)機(jī)械發(fā)生的故障常常呈現(xiàn)出非線

2、性行為，核方法特別適用于旋轉(zhuǎn)機(jī)械故障診斷與模式分析問題的處理。
　　 典型的核方法除支持向量機(jī)(SVM)，還有核主成分分析(KPCA)、核獨(dú)立成分分析(KICA)、核聚類(KC)、核Fish判別(KFD)等。論文圍繞核方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用而展開，主要研究內(nèi)容包括：
　　 1.面向核方法應(yīng)用的旋轉(zhuǎn)機(jī)械振動信號采集與預(yù)處理。
　　 以機(jī)械故障綜合模擬實驗臺為平臺，設(shè)計了旋轉(zhuǎn)機(jī)械典型故障振動測試實驗，并采

3、集了數(shù)據(jù)。提取時域統(tǒng)計特征、小波包分解和經(jīng)驗?zāi)B(tài)分解所得不同頻段的能量、熵和能量熵特征、時序特征、關(guān)聯(lián)維特征，構(gòu)成11個旋轉(zhuǎn)機(jī)械故障特征庫，為核方法應(yīng)用研究提供數(shù)據(jù)基礎(chǔ)。
　　 針對EMD過程中易產(chǎn)生冗余IMF的不足，提出改進(jìn)HHT方法。小波包去噪后，以EMD所得每個IMF與分解前信號的相關(guān)系數(shù)作為判斷依據(jù)，剔除冗余IMF，滾動軸承故障診斷實例表明該方法可有效提取微弱信號故障特征頻率。
　　 2.面向旋轉(zhuǎn)機(jī)械故障診斷的K

4、PCA核參數(shù)優(yōu)選與消噪方法研究。
　　 揭示了核函數(shù)及核參數(shù)對KPCA性能影響規(guī)律，發(fā)現(xiàn)無論選用高斯核還是多項式核，累計貢獻(xiàn)率大于0.85的核主成分個數(shù)均隨核參數(shù)的增大而遞減，最終呈收斂狀態(tài)；選用高斯核的KPCA，其核主成分具有更好的聚類性能，對沒有任何先驗知識的特征向量執(zhí)行KPCA時，建議取高斯核參數(shù)σ>25。
　　 提出了基于KPCA的信號消噪方法，克服濾波、小波消噪等常用消噪方法需要先驗知識，給實際應(yīng)用帶來困難的不

5、足。通過相空間重構(gòu)將一維觀測信號擴(kuò)展為多維向量，再執(zhí)行KPCA，提取核主成分，實現(xiàn)信號消噪，整個過程無需任何先驗知識。仿真與滾動軸承振動信號消噪實例驗證了方法的有效。
　　 3.基于KICA的旋轉(zhuǎn)機(jī)械故障信號消噪與特征提取。
　　 提出了基于KICA的信號消噪方法，通過引入適配噪聲分量，將一維觀測信號擴(kuò)展為多維向量，再執(zhí)行KICA，實現(xiàn)信噪分離，達(dá)到消噪目的。KICA消噪過程不受信噪比影響，具有其它消噪方法無法比擬的優(yōu)勢

6、。轉(zhuǎn)子不平衡振動信號的消噪實例驗證了方法的有效性。
　　 定義了旋轉(zhuǎn)機(jī)械KIC特征量，實測信號分析表明KIC對滾動軸承與齒輪故障均具有有較好的識別性，可作為敏感特征量用于故障診斷。
　　 4.基于(核)聚類的旋轉(zhuǎn)機(jī)械故障診斷。
　　 提出了EMD-模糊聚類法、基于高階累積量的AR參數(shù)估計-模糊聚類法，滾動軸承故障診斷與性能退化評估實例驗證了方法的有效性。
　　 提出了基于雙譜分布區(qū)域的匹配聚類方法，有效克

7、服了傳統(tǒng)基于譜圖頻率峰值的故障診斷方法容易受混頻干擾的不足，滾動軸承與齒輪的故障診斷實例驗證了方法的有效性。
　　 提出了兩種核聚類方法，重點(diǎn)研究了初始核聚類中心、及進(jìn)一步核聚類中心的確定方法，實例驗證了方法的有效性。
　　 5.基于SVM與多振動信息融合的旋轉(zhuǎn)機(jī)械故障診斷。
　　 提出了基于SVM的多振動信息融合旋轉(zhuǎn)機(jī)械故障診斷方法，多個傳感器的單一特征量的SVM融合可實現(xiàn)較高精度的滾動軸承與齒輪的故障診斷。<