【摘要】：隨著科學(xué)技術(shù)的飛速發(fā)展,現(xiàn)代機(jī)械設(shè)備越來越大型化、高速化、重載化和智能化,而這些設(shè)備的運(yùn)行工況卻越來越復(fù)雜和苛刻,因此要求其具有很高的運(yùn)行可靠性。如果機(jī)械設(shè)備中某些關(guān)鍵部件發(fā)生了故障,不但會(huì)造成企業(yè)和國家的巨大經(jīng)濟(jì)損失,嚴(yán)重時(shí)甚至?xí)䦟?dǎo)致人員傷亡和環(huán)境污染并造成惡劣的社會(huì)影響。因此機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷對(duì)保障企業(yè)的經(jīng)濟(jì)效益和工人的安全意義重大。本文以稀疏表征理論和字典學(xué)習(xí)方法為基礎(chǔ),以滾動(dòng)軸承、齒輪和轉(zhuǎn)子等旋轉(zhuǎn)機(jī)械關(guān)鍵零部件為研究對(duì)象,其中字典學(xué)習(xí)方法以K-SVD算法為基礎(chǔ),圍繞著基于K-SVD算法的字典學(xué)習(xí)以及稀疏表征方法開展了四個(gè)方面的研究:基于移不變K-SVD字典學(xué)習(xí)的微弱故障特征提取;基于移不變K-SVD字典學(xué)習(xí)的單通道復(fù)合故障分析;基于K-SVD和改進(jìn)LLC算法的局部約束稀疏特征提取;基于時(shí)頻圖像和K-SVD判別式字典學(xué)習(xí)的智能診斷。本文的主要研究內(nèi)容如下所示:(1)針對(duì)信號(hào)中存在周期性重復(fù)出現(xiàn)的特征模式的問題,提出了一種基于移不變K-SVD字典學(xué)習(xí)的機(jī)械故障信號(hào)特征提取方法。該方法主要包括兩大步即多個(gè)故障特征模式學(xué)習(xí)和最優(yōu)潛在成分的選擇,能夠有效地提取出機(jī)械故障信號(hào)中周期性重復(fù)出現(xiàn)的故障特征。通過仿真和實(shí)驗(yàn)分析,并與基于K-SVD字典學(xué)習(xí)和小波字典匹配追蹤的信號(hào)特征提取方法進(jìn)行了對(duì)比,驗(yàn)證了所述方法的有效性。(2)針對(duì)機(jī)械復(fù)合故障,提出了一種基于移不變K-SVD字典學(xué)習(xí)和自適應(yīng)聚類的單通道盲源分離方法。該方法先用移不變K-SVD字典學(xué)習(xí)方法對(duì)單通道復(fù)合故障信號(hào)進(jìn)行自適應(yīng)學(xué)習(xí)得到一組基函數(shù)及對(duì)應(yīng)的潛在成分,然后根據(jù)潛在成分的結(jié)構(gòu)相似性進(jìn)行聚類分析并使用最小類類間相關(guān)系數(shù)均值來確定最佳聚類數(shù)目,最終實(shí)現(xiàn)不同故障源信號(hào)的分離。通過滾動(dòng)軸承復(fù)合故障的仿真和實(shí)驗(yàn)分析,驗(yàn)證了該方法的有效性。(3)為了使不同狀態(tài)信號(hào)具有更好的可區(qū)分性,從而提高故障診斷準(zhǔn)確率,在局部約束線性編碼(LLC)算法的基礎(chǔ)上,提出了一種基于K-SVD字典學(xué)習(xí)和改進(jìn)LLC稀疏編碼的局部約束稀疏特征提取方法。該方法首先使用時(shí)域和頻域等特征提取方法提取機(jī)械振動(dòng)信號(hào)的特征并將其作為初始特征,之后進(jìn)行每類K-SVD字典學(xué)習(xí)獲得包含各個(gè)狀態(tài)類別的過完備字典,然后利用改進(jìn)LLC算法得到基于改進(jìn)LLC稀疏編碼的局部約束稀疏特征,最后將改進(jìn)LLC稀疏編碼作為特征向量,利用改進(jìn)PSO算法優(yōu)化的SVM對(duì)機(jī)械故障進(jìn)行診斷。通過滾動(dòng)軸承單一故障和復(fù)合故障試驗(yàn),對(duì)所述方法的可行性和有效性進(jìn)行了驗(yàn)證。(4)機(jī)械振動(dòng)信號(hào)的時(shí)頻圖蘊(yùn)含著豐富的特征信息,為實(shí)現(xiàn)時(shí)頻特征的自動(dòng)分類識(shí)別,提出了一種基于機(jī)械振動(dòng)信號(hào)時(shí)頻圖和判別式字典學(xué)習(xí)的故障診斷方法。該方法首先對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行小波變換以獲得小波時(shí)頻圖,然后采用灰度共生矩陣提取小波時(shí)頻圖的紋理特征,最后利用基于判別式K-SVD字典學(xué)習(xí)的標(biāo)簽一致K-SVD(LC-KSVD)算法實(shí)現(xiàn)故障的智能診斷。通過滾動(dòng)軸承故障和轉(zhuǎn)子故障的診斷,驗(yàn)證了該方法的有效性。
【圖文】：

圖 2-1 不同 p 值對(duì)應(yīng)的曲線ppsFig.2-1 The behavior ofpps for different values of p上是 Lp范數(shù)最優(yōu)化問題，右邊等式 x = Ds定義了一個(gè)何空間中，可以把這個(gè)子空間視為一個(gè)超平面，那么是在該超平面上搜尋向量 s 的 Lp范數(shù)最小的解。選取和 0.7，如圖 2-2 所示，紫色代表 x = Ds對(duì)應(yīng)的可行解超數(shù)，不斷吹藍(lán)色“氣球”，“氣球”會(huì)一直膨脹，直至第停止，，相交點(diǎn)性質(zhì)即為我們關(guān)心的問題。由圖可見，當(dāng)超平面相交點(diǎn)的三個(gè)坐標(biāo)值均非零，因此為非稀疏解。超平面相交點(diǎn)位于坐標(biāo)軸上，其他坐標(biāo)軸的值為零，因取小于 1 的其他值時(shí)，Lp范數(shù)與可行解超平面相交點(diǎn)都。因此通常采用 p∈ [0,1]范圍內(nèi)的pl 范數(shù)作為稀疏性度問題是凸優(yōu)化問題，可以使用基追蹤算法求解。而 p∈凸的，可以采用貪婪算法或 FOCUSS 算法求解，具體

圖 2-2 Lp范數(shù)球面與 x = Ds可行解超平面的相交點(diǎn)：p=2 (左上)，p =1.5 (右上)，p =1 (左下)，p =0.7 (右下)e intersection between the ball representing Lpnorm and the hyperplane representinon of x = Ds：p=2 (top left), p=1.5 (top right), p=1 (bottom left) and p=0.7 (botto疏系數(shù)求解算法-3)所示的信號(hào)稀疏表征求解方法實(shí)際上是基于 L0范數(shù)的優(yōu)化問題。度量解的稀疏性的函數(shù)，但 L0范數(shù)優(yōu)化是一個(gè)非凸的 NP 難問題，為組合方法，給定稀疏約束條件 L0=p，從字典中依次選擇 p 個(gè)原子形成選擇的 p 個(gè)原子能否精確表征信號(hào)。組合方法的計(jì)算復(fù)雜度很高，在現(xiàn)。因此，需要將稀疏約束條件盡量放松，常用 Lp范數(shù)代替 L0范數(shù)數(shù)，即松弛優(yōu)化方法。此外，也可以采用貪婪追蹤算法求解次優(yōu)的 = 1即 L1范數(shù)時(shí)，L1范數(shù)優(yōu)化為凸優(yōu)化問題，可以使用在稀疏表征中 (Basis Pursuit, BP)[153]方法來求解。當(dāng)0 < p< 1時(shí)，可以采用 FOCU相對(duì)于 L1范數(shù)，Lp(0 < p<1)范數(shù)獲得的表征更加稀疏，但由于 Lp(0
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH17;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 毋文峰;陳小虎;蘇勛家;;基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾膯瓮ǖ罊C(jī)械信號(hào)盲分離[J];機(jī)械工程學(xué)報(bào);2011年04期

2 袁勝發(fā);褚福磊;;支持向量機(jī)及其在機(jī)械故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2007年11期

3 畢果;陳進(jìn);李富才;何俊;周福昌;;譜相關(guān)密度分析在軸承點(diǎn)蝕故障診斷中的研究[J];振動(dòng)工程學(xué)報(bào);2006年03期

相關(guān)碩士學(xué)位論文 前1條

1 羅江華;貝葉斯網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用研究[D];重慶大學(xué);2006年

本文編號(hào)：2598492