轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究.pdf

1、振動(dòng)信號(hào)是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與故障診斷的基本信息來源，而這些信號(hào)通常為非線性、非高斯的非平穩(wěn)信號(hào)。通過小波變換所得的故障信號(hào)的小波尺度譜，其紋理分布及灰度變化能夠較好的反映出故障的非平穩(wěn)特征，對(duì)其進(jìn)行特征提取并應(yīng)用于故障診斷中，有利于轉(zhuǎn)子故障的智能診斷。目前提出的小波尺度譜特征提取的方法主要有基于小波系數(shù)矩陣的一階灰度矩向量以及尺度譜紋理特征。上述兩種尺度譜特征提取的方法，從圖像像素的二階統(tǒng)計(jì)特性方面對(duì)故障特征進(jìn)行了描述，提取了較好的故障

2、特征，但未對(duì)故障的非線性特征進(jìn)行相應(yīng)的分析，忽略了圖像中的高階統(tǒng)計(jì)信息。針對(duì)上述問題，本文提出了利用核主成分分析(KPCA)對(duì)尺度譜圖像進(jìn)行特征的提取，并利用參數(shù)自適應(yīng)支持向量機(jī)模型對(duì)提取的尺度譜特征進(jìn)分類，結(jié)果表明了該方法對(duì)尺度譜特征提取的有效性。
　　 第一，闡述了連續(xù)小波變換的基本原理，小波基函數(shù)的性質(zhì)和本文中選擇小波基函數(shù)的依據(jù)。分析和研究了轉(zhuǎn)子不平衡、不對(duì)中、碰摩及油膜渦動(dòng)等四類典型轉(zhuǎn)子故障的故障機(jī)理、頻譜特征和相應(yīng)的

3、尺度譜圖像特征。
　　 第二，對(duì)尺度譜的一階灰度矩向量、尺度譜紋理特征的提取方法進(jìn)行了介紹。研究了核方法的基本原理以及幾種常用的典型核函數(shù)，介紹了主成分分析(PCA)的基本方法和原理，并將核方法與PCA方法結(jié)合，提出了基于核主成分分析(KPCA)的小波尺度譜特征提取方法。利用ZT-3多功能轉(zhuǎn)子故障模擬實(shí)驗(yàn)系統(tǒng)、航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障實(shí)驗(yàn)器對(duì)上述四類故障進(jìn)行數(shù)據(jù)模擬和采集。提取了上述故障樣本的小波尺度譜圖像特征，并對(duì)所得的特征數(shù)據(jù)進(jìn)行

4、了分析研究。
　　 第三，研究了支持向量機(jī)分類模型的原理和其在學(xué)習(xí)分類中的優(yōu)越性。針對(duì)目前支持向量機(jī)模型參數(shù)的確定尚無標(biāo)準(zhǔn)的方法，研究了核函數(shù)參數(shù)σ及支持向量機(jī)懲罰因子C，對(duì)模型分類效果的影響，并采用遺傳算法對(duì)上述兩個(gè)參數(shù)進(jìn)行了優(yōu)化，構(gòu)造形成了參數(shù)自適應(yīng)的支持向量機(jī)模型。最后運(yùn)用該模型對(duì)所提取的尺度譜特征進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，利用KPCA方法所提取的尺度譜數(shù)字特征具有較強(qiáng)的故障識(shí)別能力，通過該方法提取的特征可以有效的實(shí)現(xiàn)轉(zhuǎn)