本文關鍵詞： 旋轉機械 信號處理 經驗模態(tài)分解 特征選擇 智能故障診斷 關聯(lián)特征向量　出處：《華中科技大學》2015年博士論文　論文類型：學位論文

【摘要】：科學技術的不斷發(fā)展和工業(yè)現(xiàn)代化水平的不斷進步,使旋轉機械設備的集成化和智能化程度越來越高,機械結構日趨復雜,導致部件間的耦合性越來越強,這不僅極大增加了運行故障風險,還放大了故障后果的嚴重性。因此,實時監(jiān)控機械運行狀態(tài),提取有效狀態(tài)信息,及時發(fā)現(xiàn)異常征兆,并依此判斷機械故障類別指導選擇應對措施,對于保證旋轉機械的可靠運行和減少故障損失具有非常重要的意義。 旋轉機械最常見和最主要的故障是軸系振動故障,軸系運行過程中產生的振動信號攜帶了很多與軸系狀態(tài)密切相關的信息,它能夠反映軸系的健康狀況,因此,軸系振動信號分析與識別是旋轉機械故障診斷的基礎和最重要的途徑。此外,由振動信號合成的軸心軌跡,同樣攜帶了很多軸系振動信息,其幾何形態(tài)直接反映了軸系的運行狀態(tài),因此,軸心軌跡的形狀識別是旋轉機械故障診斷的另一種重要途徑。軸系信號分析方法是通過對軸系振動信號進行處理分析,提取出能夠揭示信號與機械運行狀態(tài)間的固有聯(lián)系的信息,建立信號與軸系狀態(tài)之間的映射關系,實現(xiàn)軸系狀態(tài)的表征和識別。軸心軌跡形狀識別則是將軸系故障診斷問題轉化成圖像識別問題,通過建立軸心軌跡形狀與軸系狀態(tài)間的映射關系來識別軸系的狀態(tài)。本文的主要創(chuàng)新性工作包括： (1)針對旋轉機械軸系信號難以表征和識別的問題,深入研究了基于經驗模態(tài)分解的數(shù)字信號處理理論體系,將其應用于軸系信號的特征提取。針對旋轉機械軸系故障發(fā)生發(fā)展的固有特性,提出了一種基于無失真端點極值化的經驗模態(tài)分解方法,并將其應用于旋轉機械軸系信號的分析和特征提取。該方法有效抑制了經驗模態(tài)分解中的端點效應和端點效應可能導致的信號失真,為軸系信號特征提取準備了一個完備的數(shù)據(jù)基礎,提高了軸系故障表征和識別的準確性。 (2)通過經驗模態(tài)分解得到的信號特征包含了大量的冗余信息,其嚴重的影響了旋轉機械軸系故障診斷的精度和效率。針對這一問題,深入探討了傳統(tǒng)特征選擇方法和分層分類原理,集二者之所長,抽取分類樹的分層特征選擇機制,改變常規(guī)的特征優(yōu)選模式,另辟蹊徑,設計了一種新的冗余信息濾除方法。該方法以有效性為指導,設計啟發(fā)式搜索規(guī)則,以性能補充為原則向已選特征子集補充當前最有效特征,具有計算效率高、所選特征子集小、子集區(qū)分能力強的特點。該方法還能夠準確刪除嚴重影響分類器性能的無效冗余信息,實現(xiàn)用簡潔穩(wěn)定的特征表示揭示故障間的固有聯(lián)系,提高了分類器的分類精度和泛化性能,為旋轉機械軸系故障的簡潔準確表征提供了有效的特征優(yōu)選機制。 (3)基于分類樹的分層特征選擇方法刪除了冗余信息,實現(xiàn)了特征子集的優(yōu)化,促進了故障表征的準確性,同時提升了故障診斷的精度和效率。但是,特征子集的優(yōu)化過程難免會刪除一些有效性較小的信息,這對故障診斷的準確性是沒有幫助或者是不利的。因此,深入分析了分層分類過程中特征的組織和利用機制后,本文提出了關聯(lián)特征向量的概念。關聯(lián)特征向量模擬人腦分層分類過程中的特征選擇和組織機制,能夠充分挖掘每一項特征對故障分類的最大貢獻,有效抑制每一項特征對故障分類可能產生的干擾,同時還可以通過無效項放大不同類別之間的差異。另外,關聯(lián)特征向量本身采用分層分類的特征選擇和組織機制,適合于采用單層分類的簡單分類機制,所以關聯(lián)特征向量同時具備了單層分類精簡性和分層分類的有效性。因此,關聯(lián)特征向量不僅極大提高了特征向量對故障樣本的表征能力,而且還保證了特征提取和后續(xù)故障診斷的時效性,是一種全新的旋轉機械故障表征方式。 (4)關聯(lián)特征向量在樣本表征上有革新性的優(yōu)勢,但是卻不能準確地表征混疊模式。為此,本文在深入分析關聯(lián)特征向量產生機制和對應特征提取方法的基礎上,指出導致這個問題的原因是其對邊界的“二值”邏輯處理模式。針對這一問題,本文以模糊邏輯取代“二值”邏輯,設計了模糊關聯(lián)特征向量。模糊關聯(lián)特征向量采用模糊邏輯模式處理關聯(lián)特征向量產生和特征提取中的邊界問題,在繼承關聯(lián)特征向量新奇獨特結構的基礎上,增強了普適性和健壯性,為存在少量混疊模式的故障診斷問題提供了一種簡單高效的故障表征方式。 (5)軸心軌跡識別是以圖像識別的方式實現(xiàn)故障診斷,用傳統(tǒng)的圖像表征方法表征軸心軌跡時,普遍存在形狀表征不全面、計算過程復雜和特征向量維度高等問題。針對這些問題,本文在深入研究四種最典型的軸心軌跡形狀的基礎上,提出了軸心軌跡直觀特征的概念,分別從結構、區(qū)域和邊界的角度定義了軸心軌跡的直觀特征,并模仿人眼對形狀的描述機制設計了相關直觀特征的計算方法,以最簡單的數(shù)學方式定義了軸心軌跡最有效最直觀的特征。在此基礎上,本文進一步提出了模仿人眼的軸心軌跡識別方法,它以直觀特征為人眼,實現(xiàn)對軸心軌跡形狀的宏觀準確表征,以智能分類方法為人腦,實現(xiàn)軸心軌跡的智能識別。直觀特征為軸心軌跡提供了一種新的優(yōu)越的表征方式,模仿人眼的軸心軌跡識別方法為軸心軌跡的識別提供了一種簡單、精確、高效的新方法。
[Abstract]:The continuous development of science and technology and the continuous progress of industrial modernization have made the integration and intelligent degree of rotating machinery equipment more and more complicated . The mechanical structure is becoming more and more complex , which not only greatly increases the operation failure risk , but also amplifies the severity of the failure . Therefore , it is very important to monitor the operation state of machinery in real time , extract the effective state information , and find out the abnormal symptom in time . The most common and most important fault of rotating machinery is the failure of shafting vibration . The vibration signal produced during the operation of shaft system carries a lot of information closely related to shafting state . It can reflect the state of shaft system . The digital signal processing theory system based on empirical mode decomposition is studied in this paper , which is applied to feature extraction of shafting signal . The method effectively suppresses signal distortion caused by end effect and end effect in empirical mode decomposition , and provides a complete data base for feature extraction of shafting signal , which improves the accuracy of shafting fault characterization and identification . ( 2 ) The signal characteristics obtained by empirical mode decomposition include a large amount of redundant information , which seriously affects the accuracy and efficiency of fault diagnosis of rotating machinery . ( 3 ) Based on the hierarchical feature selection method of classification tree , redundant information is deleted , the optimization of feature subset is realized , the accuracy of fault diagnosis is promoted , and the accuracy and efficiency of fault diagnosis are improved . In this paper , based on deeply analyzing the correlation feature vector generating mechanism and the corresponding feature extraction method , this paper points out that the cause of this problem is the two - valued logic processing mode of the boundary . In order to solve this problem , the fuzzy logic model is used to deal with the boundary problem in the feature vector generation and feature extraction . ( 5 ) The recognition of the axis locus is to realize the fault diagnosis in the way of image recognition , and the problems of incomplete shape characterization , complex calculation process and dimension of feature vector are presented .

【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TH165.3

【相似文獻】

相關期刊論文 前10條

1 張秀梅;楊文杰;王偉志;高文成;陳永衡;;廣義特征向量與過渡矩陣[J];遼寧工學院學報;2007年03期

2 陳塑寰，，宋大同，韓萬芝;重特征值的特征向量導數(shù)計算的新方法[J];機械強度;1995年02期

3 劉俊;黃秀玲;張智光;;基于產品特征向量的產品配置研究[J];制造業(yè)自動化;2008年12期

4 呂一兵;陳忠;;矩陣特征值和特征向量的常微分方程數(shù)值解法研究[J];長江大學學報(自然科學版)理工卷;2009年01期

5 麥苗,金元懷;一類循環(huán)分塊陣特征向量的求法[J];北方工業(yè)大學學報;1995年01期

6 張德文;移頻動柔度簡化式和特征向量導數(shù)[J];導彈與航天運載技術;1998年04期

7 曾國華;董聰;;動力特征向量靈敏度的組合擾動迭代算法[J];振動、測試與診斷;2007年03期

8 張德文;減少特征向量導數(shù)計算空間與時間的探索[J];強度與環(huán)境;1997年01期

9 陳集豐;特征向量導數(shù)的簡便計算法[J];航空學報;1988年01期

10 張德文;基于實用完備模態(tài)的動柔度式——特征向量導數(shù)[J];導彈與航天運載技術;1998年02期

相關會議論文 前5條

1 陳力奮;宋漢文;王文亮;;確定退化模態(tài)可導特征向量轉換矩陣的一種新方法[A];振動工程學報（工程應用專輯）[C];2001年

2 戴琨;汪小帆;;根據(jù)特征向量判據(jù)優(yōu)化網絡的同步能力[A];第四屆全國網絡科學學術論壇暨研究生暑期學校論文集[C];2008年

3 劉增武;蔡悅斌;;基于K-L變換的船舶噪聲特征向量的降維處理[A];中國聲學學會1999年青年學術會議[CYCA'99]論文集[C];1999年

4 張新培;曹策慧;;隨機結構特征值和特征向量統(tǒng)計特性的研究[A];第五屆全國結構工程學術會議論文集（第二卷）[C];1996年

5 曹玉娟;牛振東;彭學平;江鵬;;一個基于特征向量的近似網頁去重算法[A];中國索引學會第三次全國會員代表大會暨學術論壇論文集[C];2008年

相關博士學位論文 前2條

1 陳曉s

本文編號：1458617