本文關(guān)鍵詞： 流形學習 特征提取 降噪 故障診斷 模式識別　出處：《華南理工大學》2014年博士論文　論文類型：學位論文

【摘要】：機械裝備是一個復雜的非線性系統(tǒng)，由于振動信號包含著描述系統(tǒng)運行狀態(tài)的豐富信息，振動信號分析是目前常用的機械系統(tǒng)故障診斷方法之一。一般通過在機械構(gòu)件的關(guān)鍵部位測取振動信號，通過信號處理獲得表征機械運行狀態(tài)的特征指標，常用的信號處理方法有時域分析、頻域分析及時頻分析。但是實際測得的信號往往存在著非線性、非高斯分布的特點，加上故障形態(tài)的多變性，使得傳統(tǒng)的信號處理方法在復雜系統(tǒng)故障診斷中存在著一定的局限性，有必要探索用于復雜非線性系統(tǒng)的故障診斷新方法，以防范于未然，減少損失。 流形學習算法是近年來模式識別領(lǐng)域的研究熱點之一，其本質(zhì)在于通過一定的非線性映射將高維空間的數(shù)據(jù)結(jié)構(gòu)在低維空間中進行表示，同時最大程度的保留高維空間數(shù)據(jù)的有用信息。因此，可以利用流形學習的優(yōu)點，用以處理從時域、頻域以及時頻域中提取的多維信號特征或者處理由多個傳感器獲取的多源信號，實現(xiàn)機械運行狀態(tài)的識別。然而，研究中發(fā)現(xiàn)存在以下問題：(1)噪聲直接影響著流形學習算法的穩(wěn)健性；(2)參數(shù)選擇影響了算法的特征提取效果；(3)某些算法對高維數(shù)據(jù)結(jié)構(gòu)信息保持不完整等。為此，本文從流形學習算法的基礎(chǔ)理論出發(fā)，研究算法在機械系統(tǒng)狀態(tài)識別、趨勢分析中的噪聲敏感性以及參數(shù)選擇等問題，具體工作如下： (1)傳統(tǒng)時域降噪方法需要消耗大量的計算時間及存儲空間，不利于實現(xiàn)機械系統(tǒng)在線診斷。提出直接對特征樣本空間進行降噪的方法，理論分析了進行特征空間降噪的可行性，試驗結(jié)果表明所提方法可有效的降低計算時間，且明顯提高機械運行狀態(tài)識別及聚類精度，提高流形學習算法在機械故障診斷的適用性； (2)針對局部線性嵌入算法LLE(Local Linear Embedding)中近鄰點數(shù)選擇對降維效果影響非常敏感的問題，通過分析得出不同樣本的最優(yōu)近鄰點數(shù)應(yīng)該不相等的結(jié)論，進而提出了可變近鄰的LLE算法，提高了算法的聚類效果。將LLE算法的泛化形式： NPE(Neighborhood Preserving Embedding)算法與自組織映射SOM(Self-Organizing Map)結(jié)合，實現(xiàn)軸承退化過程的狀態(tài)識別； (3)針對局部保持投影LPP(Locality Preserving Projection)算法只考慮樣本鄰域信息而忽略距離較遠樣本信息的問題，提出同時考慮樣本近鄰信息及最遠樣本信息的保持投影算法：NFDPP(Nearest-Farthest Distantce Preserving Projection)，更好的保留數(shù)據(jù)結(jié)構(gòu)的有效信息。發(fā)動機失火實驗及軸承障實驗結(jié)果表明，，所提算法可有效提高機械運行狀態(tài)的識別正確率； (4)針對譜回歸算法SR(Spectral Regression)未綜合考慮樣本局部及全局信息的問題，提出了同時考慮局部結(jié)構(gòu)和全局數(shù)據(jù)結(jié)構(gòu)的譜回歸分析算法(Local and GlobalSpectral Regression, LGSR)。發(fā)動機實驗及變速器故障實驗表明，改進的譜回歸算法能夠獲得更高的識別精度和聚類效果； (5)針對多傳感器測量系統(tǒng)，在前述研究基礎(chǔ)上分別提出多維度的NFDPP(Multi-NFDPP)與多維度LGSR算法(Multi-LGSR)。將算法分別應(yīng)用于多傳感器監(jiān)測系統(tǒng)的齒輪故障檢測及軸承退化過程的在線監(jiān)測，結(jié)果表明，這些方法能夠有效的預測故障的發(fā)生并確定故障出現(xiàn)的部位。
[Abstract]:......
【學位授予單位】：華南理工大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：TH165.3

【參考文獻】

相關(guān)期刊論文 前10條

1 潘旭峰,李曉雷,耿立恩;汽車傳動系統(tǒng)機械故障診斷方法的研究[J];汽車工程;1998年03期

2 袁遠,季星來,孫之榮,李衍達;Isomap在基因表達譜數(shù)據(jù)聚類分析中的應(yīng)用[J];清華大學學報(自然科學版);2004年09期

3 文貴華;江麗君;文軍;;鄰域參數(shù)動態(tài)變化的局部線性嵌入[J];軟件學報;2008年07期

4 張妮;田學民;;基于等距離映射的非線性動態(tài)故障檢測方法[J];上海交通大學學報;2011年08期

5 張周鎖;閆曉旭;成瑋;;粒計算及其在機械故障智能診斷中的應(yīng)用[J];西安交通大學學報;2009年09期

6 梁霖;徐光華;栗茂林;張熠卓;梁小影;;沖擊故障特征提取的非線性流形學習方法[J];西安交通大學學報;2009年11期

7 栗茂林;王孫安;梁霖;;利用非線性流形學習的軸承早期故障特征提取方法[J];西安交通大學學報;2010年05期

8 張熠卓;徐光華;梁霖;張鋒;李淑智;;利用增量式非線性流形學習的狀態(tài)監(jiān)測方法[J];西安交通大學學報;2011年01期

9 蔣全勝;賈民平;胡建中;許飛云;;基于拉普拉斯特征映射的故障模式識別方法[J];系統(tǒng)仿真學報;2008年20期

10 李學軍;楊大煉;郭燈塔;蔣玲莉;;基于基座多傳感核主元分析的故障診斷[J];儀器儀表學報;2011年07期

相關(guān)博士學位論文 前3條

1 林慧斌;離散頻譜校正理論的抗噪性能研究及其在工程中的應(yīng)用[D];華南理工大學;2010年

2 王廣斌;基于流形學習的旋轉(zhuǎn)機械故障診斷方法研究[D];中南大學;2010年

3 王雷;基于流形學習的滾動軸承故障診斷若干方法研究[D];大連理工大學;2013年

本文編號：1467803