基于拉普拉斯特征映射算法的旋轉(zhuǎn)機(jī)械故障診斷研究.pdf

1、旋轉(zhuǎn)機(jī)械的數(shù)量在現(xiàn)代機(jī)械設(shè)備中占有很大比例，旋轉(zhuǎn)機(jī)械運行狀態(tài)監(jiān)測和故障診斷分析，對保障設(shè)備運行安全和企業(yè)生產(chǎn)效益至關(guān)重要。復(fù)雜系統(tǒng)的旋轉(zhuǎn)機(jī)械在出現(xiàn)故障時所監(jiān)測到的振動信號具有明顯的非線性特性，使用傳統(tǒng)時頻方法難以從復(fù)雜信號中提取出有效特征量。為了及時、準(zhǔn)確地識別和診斷出故障狀態(tài)，從監(jiān)測信號中提取出有效信息量，本文將目前普遍認(rèn)可并廣泛采用的非線性高維數(shù)據(jù)處理方法，引入到旋轉(zhuǎn)機(jī)械的旋轉(zhuǎn)零部件——滾動軸承、齒輪以及轉(zhuǎn)子的故障診斷中，對目前主要

2、的流形學(xué)習(xí)方法從理論上進(jìn)行分析，找出適用于機(jī)械故障診斷領(lǐng)域的流形學(xué)習(xí)方法——拉普拉斯特征映射LE算法，并對旋轉(zhuǎn)機(jī)械三大旋轉(zhuǎn)零部件的故障進(jìn)行仿真和模擬實驗識別。本論文的主要研究內(nèi)容如下：
　?。?）分析歸納了滾動軸承、齒輪以及轉(zhuǎn)子的各種運行故障和失效形式，闡述了以振動信號測試為基礎(chǔ)的時域、頻域和時頻域信號分析和故障特征提取方法，研究提出了以30個特征向量構(gòu)造一個含有設(shè)備運行狀態(tài)信息的高維特征空間。重點應(yīng)用各種非線性狀態(tài)識別方法研究了

3、從高維空間識別旋轉(zhuǎn)設(shè)備運行狀態(tài)，最后成功地將非線性流形學(xué)習(xí)方法--拉普拉斯特征映射算法應(yīng)用于旋轉(zhuǎn)設(shè)備的故障識別中。
　　（2）對目前主要的流形學(xué)習(xí)方法進(jìn)行了理論分析，從降維過程中保持流形的拓?fù)浣Y(jié)構(gòu)特征整體性角度的不同，可分為：全局特性保持和局部特性保持兩類，并對三個經(jīng)典的、具有不同特性的高維非線性數(shù)據(jù)集 Swiss Roll、Swiss Hole及Punctured Sphere進(jìn)行降維處理，對比驗證各種方法識別的有效性。從理論分

4、析和降維實驗結(jié)果中發(fā)現(xiàn)拉普拉斯特征映射LE算法表現(xiàn)出強(qiáng)烈的“物以類聚，人以群分”的性質(zhì)，符合模式識別中的聚類特性分析，提出將LE算法應(yīng)用到旋轉(zhuǎn)機(jī)械的故障診斷分類識別中。
　?。?）針對流形學(xué)習(xí)算法中近鄰值K和樣本點N兩個參數(shù)選擇的問題，通過目前6種經(jīng)典的流形學(xué)習(xí)算法分別對兩組經(jīng)典高維數(shù)據(jù)集進(jìn)行降維分析，綜合考慮降維得到的二維結(jié)果圖和所需時間等因素，確定近鄰值K的取值范圍為8-12，對于拉普拉斯特征映射LE算法K值取值為8；樣本點數(shù)

5、應(yīng)高于800，但也不宜過多。
　?。?）根據(jù)模式識別方法和降維方法特性，提出使用由時域特征量、小波包分解和 EMD分解得到的各頻帶所具有能量在總頻帶中所占能量比作為原始特征量構(gòu)建高維特征空間，將旋轉(zhuǎn)設(shè)備的各種運行狀態(tài)信息融合在一個高維數(shù)據(jù)空間內(nèi)，進(jìn)而使用各種非線性降維學(xué)習(xí)方法識別設(shè)備運行狀態(tài)。
　?。?）本文將拉普拉斯特征映射LE算法分別應(yīng)用到滾動軸承、齒輪箱和轉(zhuǎn)子的故障分類識別方法中。按照由簡單到復(fù)雜的原則，先使用模擬仿真

6、信號進(jìn)行可行性探究，繼而對復(fù)雜的實測故障信號進(jìn)行分類識別，以證明LE算法在滾動軸承、齒輪箱和轉(zhuǎn)子系統(tǒng)故障識別中的有效性和可行性。
　?。?）為了與三種傳統(tǒng)方法PCA、MDS（線性方法）和KPCA（非線性核方法）的降維結(jié)果進(jìn)行對比，采用了三維圖像直觀地表示故障樣本分類效果；使用樣本平均識別率、類間距 Sb、類內(nèi)距 Sw和類間距與類內(nèi)距的對數(shù) ln(Sb/Sw)四個量化參數(shù)，證明了 LE算法所提取得到的前三維特征量所包含的設(shè)備運行狀態(tài)