机械故障诊断中的流形学习方法研究

摘要

机械故障诊断的方法很多，其实质是模式识别和分类问题。机械故障诊断的关键技术是信号的特征提取和压缩。目前常用的线性信号分析方法对于机械设备运行中的非线性信号处理有很大的局限性。流形学习是一种良好的处理非线性高维数据的机器学习算法。将流形学习应用到机械故障诊断中，可以较好的解决高维信号特征空间的特征压缩问题，为故障分类提供良好的依据。
　　论文在分析几种流形学习算法在经典数据中降维效果的基础上，选择局部线性嵌入法（LLE）作为研究的重点。针对流形学习在机械故障诊断中应用存在的一些问题，结合机械故障诊断信号处理的特点，提出了基于最佳分类效果的参数综合选择方法，此方法可以将邻域因子k和嵌入维数d同时进行最佳选择。为了准确快速的对新增样本进行特征压缩与诊断，提出了基于局部拓扑保持的改进LLE算法，此方法充分利用LLE降维后保留的原始特征空间中的局部拓扑结构信息，避免对所有数据重复计算。讨论改进LLE算法在机械故障诊断中应用的过程和注意事项，选择K最近邻分类器（KNN）作为LLE算法特征压缩后故障诊断的分类准则。
　　论文将改进的LLE算法应用到齿轮箱故障、柴油机油路故障、柴油机机械故障的诊断中。对齿轮箱和柴油机运转振动信号，采用基于子带能量的方法构造信号特征空间，子带数目通过同种故障类型特征参数间方差最小择优选择法确定。对柴油机燃油系统的油压信号，采用基于油压波形参数的方法构造信号特征空间。
　　通过对齿轮箱振动信号、柴油机振动信号、柴油机油压信号分别进行特征压缩和故障诊断的结果可以看出：论文提出的改进LLE算法在信号的特征压缩和分类上应用效果良好，为机械故障诊断提出了一种新的解决问题的思路。

目录

封面

声明

中文摘要

英文摘要

目录

主要符号说明

第一章 绪论

1.1 课题的研究意义

1.2 流形学习的国内外研究现状

1.3 流形学习在机械故障诊断中应用的国内外研究现状

1.4 论文的主要内容

第二章 流形学习主要算法分析

2.1 流形和流形学习

2.2 线性降维的经典算法

2.3 流形学习的经典算法

2.4 数据降维实验

2.5 流形学习在机械故障诊断中应用的算法选择和思路

2.6 本章小结

第三章 流形学习LLE算法的改进

3.1流形学习LLE算法中的参数

3.2 基于最佳分类效果的参数综合选择方法

3.3 基于局部拓扑保持的改进LLE算法

3.4 改进LLE算法在机械故障诊断中的实现过程

3.5 分类器的选择

3.6 本章小结

第四章 改进LLE算法在齿轮箱故障诊断中的应用研究

4.1 齿轮传动中的常见故障和实验简述

4.2 齿轮的振动机理

4.3 齿轮振动信号分析

4.4 齿轮振动信号特征提取

4.5改进LLE算法在齿轮故障诊断中的应用

4.6 本章小结

第五章 改进LLE算法在柴油机故障诊断中的应用研究

5.1 柴油机的常见故障和实验简述

5.2 柴油机油压信号分析和特征提取

5.3 柴油机振动信号分析

5.4改进LLE算法在柴油机油路故障诊断中的应用

5.5改进LLE算法在柴油机机械故障诊断中的应用

5.6 本章小结

第六章 结论

致谢

参考文献

攻读硕士学位期间发表的论文