【摘要】：故障診斷需解決的基本問題是根據(jù)傳感器采集到的機械設(shè)備運行狀態(tài)信號,提取特征參量,設(shè)計決策函數(shù),最終求出其故障狀態(tài),核心是特征提取和模式識別問題。由于機械設(shè)備運行狀態(tài)復雜、工作環(huán)境惡劣、運行時間較長,因此其狀態(tài)信號具有數(shù)據(jù)量大、非線性程度高、噪聲干擾強等特性,人們對這些龐大而復雜的數(shù)據(jù)信息地駕馭和處理越來越難,表現(xiàn)在一方面我們可以獲取的數(shù)據(jù)量越來越大,而另一方面卻難以得到更多有助于決策的信息。從2000年開始發(fā)展起來的流形學習方法,將數(shù)據(jù)分析與狀態(tài)決策從歐氏空間擴展到流形,從而能夠從分布在高維流形上的數(shù)據(jù)集中高效快速地挖掘出數(shù)據(jù)的本質(zhì)特征,找到數(shù)據(jù)產(chǎn)生的內(nèi)在規(guī)律,達到準確故障診斷的目的。論文主要進行了以下研究工作： 在非線性降噪方面,提出三種流形學習降噪方法�；诒菊骶S數(shù)的局部切空間降噪方法,直接將高維相空間數(shù)據(jù)直接約簡到信號主流形所在的本征維數(shù)空間上,再反求一維信號實現(xiàn)對信號的降噪,避免了主流形提取時約簡目標維數(shù)的盲目性。局部切空間均值重構(gòu)降噪方法,將局部切空間降噪后的低維數(shù)據(jù)在全局范圍內(nèi)通過求取各點均值的方法重構(gòu)到原高維空間,相當于對各點的局部坐標進行均值處理,實質(zhì)是二次降噪,避免了相空間數(shù)據(jù)在全局排列過程中出現(xiàn)相點畸變的問題�；诟唠A累積量的局部切空間降噪方法,利用高階累積量理論上可完全抑制高斯有色噪聲干擾的特性,用四階累積量函數(shù)代替二階矩函數(shù)構(gòu)造協(xié)方差矩陣,提高了對含有色噪聲信號的降噪效果。 為解決了局部Fisher判別分析求解不對稱特征方程時得出的投影基向量不正交使得數(shù)據(jù)重建困難的問題,提出了基于迭代正交和Schur正交的局部Fisher判別方法。通過迭代正交或Schur正交分解的方法構(gòu)建正交基函數(shù),可有效保留故障信號流形空間中的與近鄰距離有關(guān)的結(jié)構(gòu)信息,并在主特征求取的過程中,保留類別信息,使提取的主特征量能在盡量保持甚至降低類內(nèi)散度的同時,使得類間信號特征量之間的距離盡可能遠離,進而更好地實現(xiàn)故障診斷。 將核方法引入正交局部Fisher判別中,提出了基于核的迭代正交和Schur正交局部Fisher判別方法,通過非線性核函數(shù)將信號投影到高維特征空間,在此空間進行正交局部Fisher判別分析,進行故障特征提取,實現(xiàn)了線性流形學習方法到非線性方法的轉(zhuǎn)變,取得了比線性正交方法更好的故障診斷效果。 以局部邊界鄰域點來構(gòu)建Fisher判別函數(shù)進行故障特征提取和診斷,提出局部邊界Fisher判別方法,直接利用鄰域空間邊界點對來計算局部類內(nèi)散度和類間散度,大大提高了方法效率。為避免偽邊界點干擾,還設(shè)計了用模糊聚類來尋找真實局部邊界的方法。用核方法實現(xiàn)了局部模糊聚類邊界Fisher判別由線形向非線形方法的轉(zhuǎn)變,基于核的方法具有更強的故障診斷能力。 在監(jiān)督流形學習方面,對增量局部切空間排列和線性局部切空間排列方法進行改進,并引入了非線性支持向量機分類器,提出了監(jiān)督增量局部切空間排列-支持向量機和監(jiān)督線性局部切空間排列-支持向量機故障診斷方法,既解決了非線性流形學習的泛化能力不足的問題,又增強了流形學習方法的故障診斷能力。
【圖文】：

LLE算法流程

機額定轉(zhuǎn)速為735r/min，配備的主電機的功率均為475KW，型號為JsQ1510，它們的實物圖如圖2一14。其中電機和軸承都固定在混凝土水泥基座上，風機是固定在轉(zhuǎn)軸上的，，電機的動力通過電動機軸、聯(lián)軸器、風機轉(zhuǎn)軸帶動風機旋轉(zhuǎn)，整個轉(zhuǎn)子系統(tǒng)可簡化為如圖2一巧的轉(zhuǎn)子模型。振動信號的采集使用了美國朗斯圖2一14回轉(zhuǎn)窯排煙風機的實物公司生產(chǎn)的LC01系列壓電加速度傳感器，這種傳感器頻響性能好，頻響范圍寬，可以采集到從0.2一20KHZ的振動加速度信號。每臺風機系統(tǒng)的四個測點如圖2一15中的兩個軸承處的垂直方向和水平方向。由于風機運行環(huán)境非常惡劣，周圍有很大的電磁場干擾，而且從風機轉(zhuǎn)子系統(tǒng)采集的信號經(jīng)過70m左右的傳輸線后才能到達監(jiān)控室，這樣進行分析的信號含有大量噪聲，要得到能有效表現(xiàn)設(shè)備運行狀態(tài)特征的信號
【學位授予單位】：中南大學
【學位級別】：博士
【學位授予年份】：2010
【分類號】：TP18;TH165.3;O186.12

【引證文獻】

相關(guān)期刊論文 前1條

1 劉小平;許桂云;任世錦;楊茂云;;形態(tài)梯度小波降噪與S變換的齒輪故障特征抽取算法[J];電子設(shè)計工程;2012年22期

本文編號：2649113