基于核方法的旋轉機械故障診斷技術與模式分析方法研究.pdf

1、旋轉機械是國民經濟支撐行業(yè)中廣泛使用的關鍵性核心設備，開展旋轉機械故障診斷技術研究，對于確保此類設備安全、可靠、高效、長周期、滿負荷、優(yōu)質運行，避免巨大的經濟損失和災難性事故的發(fā)生，具有極大的經濟、社會意義。旋轉機械故障診斷過程實質是模式分析過程，以支持向量機為代表的核方法帶來了模式分析領域的第三次革命，該類方法通過核函數將原始空間數據隱式映射到特征空間，在特征空間尋找線性關系，實現非線性問題的高效求解。旋轉機械發(fā)生的故障常常呈現出非線

2、性行為，核方法特別適用于旋轉機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(SVM)，還有核主成分分析(KPCA)、核獨立成分分析(KICA)、核聚類(KC)、核Fish判別(KFD)等。論文圍繞核方法及其在旋轉機械故障診斷中的應用而展開，主要研究內容包括：
　　 1.面向核方法應用的旋轉機械振動信號采集與預處理。
　　 以機械故障綜合模擬實驗臺為平臺，設計了旋轉機械典型故障振動測試實驗，并采

3、集了數據。提取時域統(tǒng)計特征、小波包分解和經驗模態(tài)分解所得不同頻段的能量、熵和能量熵特征、時序特征、關聯維特征，構成11個旋轉機械故障特征庫，為核方法應用研究提供數據基礎。
　　 針對EMD過程中易產生冗余IMF的不足，提出改進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系數作為判斷依據，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.面向旋轉機械故障診斷的K

4、PCA核參數優(yōu)選與消噪方法研究。
　　 揭示了核函數及核參數對KPCA性能影響規(guī)律，發(fā)現無論選用高斯核還是多項式核，累計貢獻率大于0.85的核主成分個數均隨核參數的增大而遞減，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，給實際應用帶來困難的不

5、足。通過相空間重構將一維觀測信號擴展為多維向量，再執(zhí)行KPCA，提取核主成分，實現信號消噪，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的旋轉機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，將一維觀測信號擴展為多維向量，再執(zhí)行KICA，實現信噪分離，達到消噪目的。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。
　　 定義了旋轉機械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)聚類的旋轉機械故障診斷。
　　 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，重點研究了初始核聚類中心、及進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機械故障診斷。
　　 提出了基于SVM的多振動信息融合旋轉機械故障診斷方法，多個傳感器的單一特征量的SVM融合可實現較高精度的滾動軸承與齒輪的故障診斷。<