基于拉普拉斯特征映射的旋转机械故障诊断方法研究

摘要

转子作为旋转机械的核心部件，在整个机械的运作中扮演着至关重要的角色，转子系统的运行状况直接关乎到整台机械的性能。转子系统长期在高速、超负荷、长时间的等工作恶劣环境下极其容易出现各种故障，如果不及时对故障进行诊断维护、造成整机的失效和工业生产建设的进程带来巨大的经济损失，同时潜在的也存在着安全隐患。文章以旋转机械为研究对象，针对传统时频分析对故障诊断领域的一些不足和早期复合故障诊断中噪声干扰大的问题，设计了故障模拟方案和深入研究了拉普拉斯特征映射算法，利用流形学习方法提取转子故障系统的有效特征。主要研究工作如下：
　　1）针对传统时频分析方法对信号高频地带冗余性和信号特征提取不完整的不足，提出了一种基于多尺度拉普拉斯特征映射（Multiscale-LE，MS-LE）的转子故障诊断方法，多尺度分解故障信号，提高分辨率获取信息，提取各尺度小波熵，同一故障所有状态的小波熵构成高维特征集合并进行本征维数估计，利用拉普拉斯特征映射算法(LE)以本征维数估计值为依据进行降维，获得低维特征映射，最终实现了转子故障特征提取和识别，并比较了经典的主成分分析算法(PCA)、局部线性嵌入算法(LLE)和LE方法，证明了多尺度拉普拉斯特征映射方法(MS-LE)对故障识别的有效性。
　　2）在机械设备的早期复合故障诊断中发现噪声干扰强、传统线性时频方法对故障信息的潜在特征挖掘能力不强等问题，提出了基于流形子带特征映射的故障诊断方法，利用小波包分析方法对噪声的强烈抑制作用和信号分解多分辨率性，为了获得完整特征的故障信号首先对故障原始信号进行相空间重构，然后信号分解成多个流形子带，并以同一故障多种状态的同一流形子带组合成高维的本征特性数据空间并且对其进行本征维数估计，通过LE方法将高维数据空间的本质特征映射到低维特征向量。最后，提取其信息熵值，通过实验分析对比了经典 LLE、LE方法和MS-LE方法，证明流形子带特征映射方法对单故障和复合故障识别都具有实用性。
　　3）文本自主开发和设计了一套基于拉普拉斯特征映射的转子故障诊断系统，包括参数设置、系统的整体构架、结构模块的设计、流形学习方法诊断等，重点将拉普拉斯特征映射为代表的流形方法引入到系统设计中，针对不同的转子故障选择适当的方法，同时进行各个方法的分析对比，提高了故障诊断的实用性和准确性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景

1.2 国内外研究现状

1.3 存在的问题

1.4 课题主要研究内容

第二章 基于多尺度拉普拉斯特征映射的诊断方法

2.1 拉普拉斯特征映射算法

2.2 多尺度拉普拉斯特征映射方法思路与步骤

2.3 实验验证

2.4 本章小结

第三章 基于流形子带特征映射的故障诊断方法

3.1 时频流形方法

3.2 基于流形子带特征映射故诊断方法

3.3 实验验证

3.4 本章小结

第四章 基于拉普拉斯特征映射的故障诊断系统设计

4.1 开发软件

4.2 故障诊断系统设计

4.3 流形学习故障诊断流程

4.4 故障诊断实现

4.5 本章小结

第五章 总结与展望

5.1 论文总结

5.2 研究展望

参考文献

致谢

附录：攻读硕士学位期间主要研究成果目录